物理AI时代来临，三大计算平台助力具身智能落地

随着 AI 技术不断深入机器人、自动驾驶车辆等自主机器实体系统，对现实世界物理交互能力的需求日益凸显，物理AI（Physical AI）应运而生，标志着人工智能从虚拟智能向具身智能的加速演进。

国际数据公司（IDC）近日发布的《物理AI 时代来临：仿真先行、云端训练到端侧部署，具身智能机器人迈向高效落地》（Doc#CHC53801225，2025年9月）报告指出，物理AI是指使用人工智能技术对现实世界进行理解、推理、规划并与之交互的模型，它们通常封装在机器人或自动驾驶汽车等自主机器中。物理AI的核心价值，在于赋予自主机器在真实物理世界中实现“感知—理解—执行”闭环能力，使人工智能从虚拟智能向具身智能演进的关键桥梁。

物理AI时代来临——新的市场发展和动力

物理交互需求驱动物理AI发展。随着机器人和无人系统在制造、医疗、物流等领域普及，用户对其智能化提出更高要求，不仅需识别理解，还要能在真实环境中稳定感知、决策与执行。这种对物理世界中类人感知+自主决策+精准执行能力的迫切需求，正成为推动物理AI发展的核心动力，驱动机器人迈向具身智能机器人。

AI技术演进加速赋能物理实体。从视觉感知模型到决策控制算法，从大规模预训练模型到强化学习框架，AI正在为机器人、自动驾驶等系统注入更强的自主学习与任务执行能力。

物理AI的三大挑战与三大计算平台支撑

物理AI在机器人、汽车等自主智能设备中的具身化应用，当前仍面临三大技术挑战：

• 具身模型泛化能力不足：模型需突破环境、任务和硬件本体的泛化限制，才能在复杂多变的现实场景中稳定感知与执行。

• 数据稀缺与高成本：训练具身模型需要大量高质量、多模态数据，但现实环境数据采集昂贵且难以覆盖极端“长尾场景”。

• 嵌入式端侧部署受限：端侧算力、功耗和体积限制使得具身模型难以高效运行，实现实时感知—决策—执行闭环存在挑战。

为应对上述挑战，完善的计算架构成为实现具身智能落地的核心支撑。当前，三大计算平台在物理AI发展中发挥着协同作用，从模型训练到应用部署，确保自主智能体能够在复杂动态的现实环境中高效感知、决策与执行：

• 认知训练平台：提供强大的算力支持，通过多模态感知与复杂决策训练，面向具身智能模型的感知、理解与决策能力统一构建与持续优化。

• 虚拟仿真平台：基于专业视觉计算资源，融合高精度物理引擎与数字孪生技术生成逼真、可复现的训练数据，低成本优化操作与导航技能，并通过软件在环（SIL）验证控制逻辑。

• 实时部署平台：依托高性能推理计算资源，将训练完成的具身模型高效运行于端侧自主设备，实现实时“感知—决策—执行”闭环，同时产生的数据反哺训练体系，形成持续优化循环。

未来展望：具身智能机器人加速发展

随着物理AI及三大计算平台的持续成熟，具身智能机器人正成为物理AI时代机器人演进的核心方向，其应用落地进程不断加快，前景愈加广阔。IDC预测，到2029年，全球机器人市场规模将突破4,000亿美元，具身智能机器人将成为关键形态，市场占比预计超过30%，引领机器人向通用化与自主化的高阶阶段演进。

IDC给技术提供商的建议：

• 由硬件导向转向AI+平台导向，构建覆盖建模、训练与部署的一体化流程；

• 利用高保真仿真生成低成本训练数据，提升策略在现实场景中的可迁移性；

• 依托开源具身智能模型推动多场景适应；

• 同时设计模块化、可扩展的系统架构，结合云端与边缘算力，确保高性能、低功耗与实时响应，支撑机器人大规模落地应用。

IDC中国新兴技术研究部研究经理李君兰表示，物理AI在机器人领域的落地将依托“三大计算平台”，沿“仿真先行-云端训练-端侧部署”路径加速推进。虚拟仿真计算资源通过完善的仿真平台与世界模型，为机器人提供低成本高复现的仿真数据和训练场。认知训练计算依托云端可扩展的算力资源，加速具身智能大模型的泛化训练。同时，实时部署计算聚焦端侧计算需求与资源利用效率，推动具身智能大模型在本体中实现感知-执行闭环与数据反馈的统一。