PATHSNOTE CONSULTANCY · DEEP RESEARCH

物理AI为何在此时
成为上位标签从能力形成到部署矛盾：概念起源、中美路径与传播走势

用公开材料解释一个产业命名如何形成，以及它正在把竞争引向哪里

交付对象企业管理层、创业者、战略传播、公共事务与产业研究团队

研究范围概念源流、中美产业路径、议题演化与12个月趋势研判

事实截止2026年7月23日

这份报告只回答一个问题

Physical AI（物理AI）并非2024年才出现。相关学术表达至少可以追溯到2020年，具身智能和机器人学习的研究谱系更早。真正需要解释的是：为什么到了2024—2026年，物理AI才开始成为能够统摄模型、仿真、机器人、产业场景和安全标准的上位标签？

本报告的回答是：行业的中心问题发生了转移。早期问题是AI能否理解物理世界并产生动作；当前问题是这些能力能否在真实场景中稳定、低成本、可测量地运行。物理AI之所以扩散，是因为它为后一个问题提供了共同名称。

这条解释同时服务两类读者。研究者可以据此观察产业叙事如何随现实矛盾变化；从业者可以据此判断下一轮竞争的证据门槛，而不把声量增长误当成部署成熟。

目录

图表目录

结论先讲：物理AI的兴起，反映行业开始集中处理部署问题

第一，2024年以前已经有概念和技术，缺少的是统一产业问题

2020年的论文已经使用“physical artificial intelligence”；2021年的具身智能研究讨论身体与环境互动；2023年的RT-2把视觉、语言与动作连接起来。^[1–3] 当时各条路线仍分别回答材料、机器人学习、动作生成或控制问题，尚未形成稳定的产业总称。

第二，2024—2025年的平台化把分散路线放入同一技术栈

GR00T、Isaac、Omniverse、Cosmos、Gemini Robotics和通用机器人策略，把基础模型、世界模型、仿真、合成数据与机器人部署连续起来。^{[4–6, 14, 16]} 物理AI由此获得上位标签所需的技术结构。

第三，2025—2026年的部署压力，使这个标签获得共同利益相关者

制造、自动驾驶、医疗等场景把问题推向成本、持续运行、故障、测试和安全。NIST开始讨论测量、生产率和测试方法；企业开始发布全栈安全系统；中国公共材料开始使用工业物理AI、工业世界模型和虚实闭环。^{[11–13, 19–21]} 一个标签只有连接到预算、采购和责任，才会越过发布会成为制度议题。

第四，中美差异不会改变主线，只会改变进入主线的方式

美国更容易从VLA、基础模型、世界模型、平台和测量标准进入；中国更容易从具身智能、人形机器人、制造场景、产业政策和自主技术栈进入。两条路线最终都要回答同一组问题：真实任务能否持续完成，仿真收益能否迁移，单位成本能否下降，安全责任能否说明。

第五，未来一年声量大概率继续上升，价值会从“说出概念”转向“证明部署”

方向预测显示，制造部署、成本、订单、安全和标准的上升确定性高于本体硬件议题。物理AI仍可能保持主要标签份额，但内部议题会继续分化。能提供任务、成本、可靠性和测试证据的行动者，更可能获得定义权。

研究方法｜以可核验公开材料支撑事实判断

本报告综合学术论文、企业与研究机构发布、政策和标准文件，以及GDELT、Hacker News和OpenAlex等公开数据库。概念时间线依据原始出处；中美比较聚焦同类技术开发者的公开表达；传播趋势结合新闻声量、技术社区讨论与重要事件；衍生议题依据企业、科研机构、标准组织和行业会议材料归纳。^[22–24]

事件窗口只能说明时间上的同步变化，不能证明某次会议或发布造成了声量变化。预测用于传播规划和情景监测，不用于估计行业收入、企业订单或技术成熟度。

全文统一使用“Physical AI（物理AI）”

英文主称统一为Physical AI，中文主称统一为“物理AI”。“物理人工智能”只在解释完整中文名称或保留来源题名时使用。具身智能是重要研究谱系和中国政策入口，与物理AI存在交叉，但两者不作简单替换。物理智能只在机构名、项目名或来源原义中保留。^{[1, 7, 9, 25–26]}

NVIDIA中文术语表直接使用“物理 AI”；新华网经数字中国发布的材料写作“物理人工智能（物理AI，Physical AI）”。这些一手中文材料足以支持本报告的主称选择。^{[9, 25]}

2020—2023年解决的是“AI如何进入物理世界”

2020年的论文把物理人工智能定义为材料、力学、控制、感知和计算交叉形成的能力。^[1] 2021年的具身智能研究强调，智能不能只从静态数据中获得，还要通过身体与环境互动。^[2] 2023年的RT-2进一步把互联网规模的视觉语言知识转化为机器人动作。^[3]

这三类材料解决的是同一个前置问题：如何让AI从识别和生成信息，走向理解环境并产生动作。它们提供了技术方向，却没有把模型、数据、仿真、硬件和行业部署组织成一套共同产业问题。

2024年的变化是平台公司开始同时安排模型、仿真和机器人

2024年3月，GR00T与Isaac平台更新把机器人基础模型、仿真和开发工具同时发布；同年6月，COMPUTEX演讲明确使用Physical AI组织计算、数字孪生和机器人叙事。^[4–5] 这意味着物理AI开始承担分类功能：分散在机器人、自动驾驶、工业软件和芯片平台中的路线，被放到同一个上位类别下。

© 2026 循点咨询制图

这张图说明什么： 概念的学术起点与传播转折点并不相同。2024年以后，物理AI开始连接模型发布、平台工具、政策命名、中文公共传播和安全制度，才具备持续扩散的条件。

2025—2026年补齐了政策、中文传播和制度入口

2025年中国政府工作报告以具身智能进入未来产业议程；Cosmos把世界模型、数据工具和仿真训练进一步平台化。^[6–7] 2026年，数字中国材料直接使用物理AI，Nature Machine Intelligence讨论从具身智能到Physical AI的概念汇流，NIST和企业开始把测量、测试与安全写入议程。^[9–12]

这个过程解释了为什么一个已有术语会在2024年后突然变得重要：技术栈先具备连接条件，平台公司完成命名，政策与会议扩大受众，部署与制度问题延长其生命周期。

本章结论：2024年是产业转折点，2026年是制度化起点

把起源写成“某个人发明了一个词”会遮蔽真正变化。物理AI的扩散来自多条路线在同一时期成熟，并被平台、政策和制度行动者连续承接。下一步需要解释的是：这些路线为什么要被重新组织。

第一阶段缺的是动作能力，第二阶段缺的是可扩展训练

早期机器人学习受限于任务专用模型和有限数据。VLA与机器人基础模型尝试把语言理解、视觉信息和动作输出放入可迁移模型；世界模型、数字孪生和合成数据则把大量训练与测试移入虚拟环境。^{[3, 6, 14, 16]}

这组技术缓解了“能不能行动”的问题，也暴露出新的困难。真实环境变化更多，机器人本体差异更大，错误会产生物理成本。模型在演示中完成任务，不能直接说明它能在生产中长期运行。

当前主要矛盾是能力增长快于部署体系成熟

从企业、科研机构和标准组织的公开材料看，数字孪生、仿真与合成数据是最密集的基础设施议题；工业物理AI、部署经济性和自动驾驶则构成主要行业议题。这些讨论集中在能力如何被训练、迁移和投入使用，而非单纯增加模型参数。

© 2026 循点咨询制图

这张图说明什么： 三个阶段不是相互替代。动作能力仍然重要，基础模型和仿真仍在发展；但决定产业判断的主要问题已经上移到部署结果。次要问题继续存在，解释中心却发生了变化。

未来一年，部署与治理议题比本体议题更可能继续上升

多源方向矩阵显示，制造部署、成本、订单和量产在3—6个月保持上升，12个月进入高位分化；可靠性、安全、标准与责任在12个月进入核心议程。本体、触觉、传感与端侧计算仍有技术价值，但传播方向更接近稳定。

© 2026 循点咨询制图

这张图说明什么： 产业传播正在追问“能否交付”，而不再满足于“能否演示”。模型发布只有同时提供真实任务、运行时间、成本或安全证据，才可能改变行业判断。

本章结论：判断物理AI进展，应先看部署指标

模型、机器人和仿真发布仍会制造新闻，但行业进展要用任务成功率、持续运行、故障与接管、单位任务成本、迁移收益和测试条件判断。声量、融资或展会数量不能替代这些指标。

上位标签的作用，是让不同环节围绕同一结果协作

VLA关心指令如何转化为动作；世界模型关心环境如何被生成和预测；数字孪生关心训练与验证；机器人本体关心感知和执行；行业运营者关心成本与产出；标准机构关心测试与责任。物理AI把这些环节的结果统一为“自主系统能否在现实世界完成任务”。

因此，物理AI的叙事力量不来自定义更抽象，而来自对象更完整。它允许芯片公司、模型公司、机器人企业、制造企业、政府机构和研究机构在不同位置使用同一标签，同时保留各自利益。

衍生议题形成五个板块，定义权正在离开单一模型公司

物理AI进入产业传播后，衍生话题并没有无序增加。19个议题已经形成五个相对稳定的板块：智能形态回答“什么样的智能能够行动”；模型与数据回答能力怎样获得通用性；基础设施回答训练和验证怎样扩展；部署与行业回答系统如何产生现实价值；治理与制度回答结果怎样被测量、约束和追责。

横向梳理公开材料后可以看到，讨论最密集的交叉已经从单一模型能力转向训练基础设施、行业部署和经济性。数字孪生与合成数据解决训练条件，工业和自动驾驶检验现实价值，测量、测试与安全则把部署结果转化为共同规则。^{[6, 12, 18–20]}

© 2026 循点咨询制图

这张图说明什么： 物理AI的扩散具有层次。模型议题提供能力，基础设施议题处理数据和验证，行业议题检验成本与产出，治理议题建立共同规则。企业不需要同时占据全部话题，但需要说明自己处在哪个板块，并拿出能够进入下一板块的证据。

2024年的衍生讨论主要集中在VLA、机器人基础模型、数字孪生和仿真。2025年，世界模型、数据工厂、跨本体能力和Sim-to-Real增强。2026年，工业物理AI、医疗物理AI、部署经济性、功能安全、测试标准和自主技术栈明显增加。

© 2026 循点咨询制图

这张图说明什么： 当议题从模型扩展到行业和制度，定义权也随之转移。模型公司定义能力，运营者定义价值，测量和标准机构定义可比较性与责任边界。

一个术语形成主流，需要完成四次接力

第一步是技术材料提供可描述对象；第二步是平台公司把对象命名并组织成技术栈；第三步是会议、媒体和政策把标签带到更广受众；第四步是行业部署、测试和标准把标签写入预算、采购与责任。任何一环中断，术语都可能停留在短期热点。

© 2026 循点咨询制图

这张图说明什么： 物理AI并非由单一行动者控制。不同组织分别放大概念、模型、数据、行业、可靠性和政策议题。传播研究应观察接力是否完成，而非只统计谁最早说出术语。

本章结论：叙事变化来自部署关系变化

物理AI成为主流，不只是传播包装成功。模型、数据、仿真、硬件、运营和治理之间确实出现了更强的依赖。叙事把这种依赖公开化，也让新的行动者进入定义过程。研究这个概念，应追踪现实关系如何变化；企业使用这个概念，应说明自己解决了哪一段部署问题。

美国从模型与平台进入，中国从本体与产业场景进入

对中美同类技术开发者的公开表达进行比较，美国更常使用Physical AI与VLA，中国更常使用具身智能与人形机器人。两边都讨论世界模型、仿真和机器人，差异集中在上位标签和最先拿出的证明材料。

© 2026 循点咨询制图

这张图说明什么： 话语差异与产业条件一致。美国拥有更强的基础模型、计算平台和开发工具叙事，因此先强调通用能力；中国拥有更密集的制造场景、本体企业和产业政策，因此先强调产品、产线与场景组织。

美国路线的主要问题是把通用能力变成可测量的现实能力

Gemini Robotics、π0.5和Skild AI分别强调具身推理、开放世界泛化和跨本体能力；NVIDIA提供世界模型、仿真与数据工具；NIST把生产率、测试方法和标准带入讨论。^{[6, 12–14, 16–17]}

这条路线的优势是模型和平台供给强，容易建立开发生态。它的压力是通用能力需要在不同硬件、环境和任务中接受可重复测试，模型指标必须转化为现场指标。

中国路线的主要问题是把场景和制造能力变成可复制系统

中国公开材料更常使用工业世界模型、虚实闭环、自主仿真底座和无人驾驶物理大脑，把物理AI连接到智能制造、自动驾驶和自主技术栈。^[18–21] 这条路线的优势是场景、供应链和工程集成密集，容易形成试点。它的压力是不同项目能否复用，部署成本能否持续下降，指标能否跨企业比较。

两条路线最终汇合于四个检验

本章结论：跨市场表达可以双入口，证据必须统一

面对中国市场，可以先讲场景、制造和产业组织；面对美国与国际市场，可以先讲模型、平台和测试。两种表达最后都要落到同一组数据。没有共同证据的“双语叙事”，只会制造新的概念分裂。

大型事件能够抬高短期声量，不能保证持续增长

COMPUTEX 2024、Cosmos发布和CES 2026之后，物理AI标准化新闻声量出现明显跃升；RT-2、Gemini Robotics和部分会议窗口并未出现同方向变化。事件前后窗口只表示时间同步，却足以说明一个传播规律：发布会提供注意力，后续材料决定注意力能否转成议题中枢。

© 2026 循点咨询制图

这张图说明什么： 传播计划不能把单次峰值当成趋势。需要观察发布后90天内是否出现新的任务验证、独立行动者和制度承接。

未来一年声量中枢大概率继续抬升，误差也会扩大

新闻声量趋势与保守情景基线都指向上升。Physical AI在相关英文标签中仍占据主导位置，但预测区间快速扩张，意味着事件波动和判断误差会同时增加。

© 2026 循点咨询制图

这张图说明什么： 可以为持续升温配置传播资源，不能把统计点估计写成确定承诺。资源配置应由情景阈值校准。

只有声量与部署证据同时增强，才能进入加速情景

基准情景是实际声量大体位于80%预测区间，技术社区继续保持低基数、事件驱动结构。加速情景要求声量连续高于预测上界，同时在90天内出现至少3个独立行动者的订单、成本、良率、工时或持续运行证据，并有至少2组模型或平台发布伴随真实任务验证。修正情景则由声量连续低于下界、约束议题超过扩张议题和技术社区同步降温共同确认。

© 2026 循点咨询制图

这张图说明什么： “热”与“成熟”需要分开监测。声量决定窗口，部署证据决定判断，可靠性与经济性决定是否修正。

本章结论：下一轮传播竞争是证据竞争

物理AI仍会保持较高声量，术语本身的稀缺性会下降。能够持续披露任务、成本、可靠性、安全和测试条件的行动者，将获得更稳定的议题位置。只重复“从数字走向物理”，很快会失去区分度。

综合结论｜物理AI的真正含义，是行业开始按部署结果重新分工

物理AI在2024年后成为上位标签，经历了四个条件。VLA与机器人学习提供动作能力；基础模型、世界模型、仿真和合成数据提供规模化训练条件；制造、自动驾驶和医疗场景提出成本与可靠性要求；测量、测试和安全机构把部署要求转化为共同规则。

这四个条件把行业主要问题从“AI是否能够进入物理世界”推进到“物理AI系统是否能够成为可复制的生产系统”。中美采用不同语言进入这一问题，最终仍需接受相同检验。未来声量继续上升的概率较高，真正稀缺的将是能够穿过整条证据链的材料。

对研究者：把叙事放回关系和阶段中研究

后续研究应追踪三个变化：谁从技术定义中获得位置，哪些部署指标开始成为共同语言，标准与测量机构何时改变“可部署”的边界。术语出现次数只是表面材料，行动者关系、证据要求和阶段转换才构成解释。

对企业管理者和创业者：先确定自己解决哪一段主要问题

模型企业要证明跨任务和跨环境迁移；仿真与数据企业要证明现实迁移收益；机器人企业要证明持续运行与故障边界；场景企业要证明成本和产出；平台与公共机构要建立共同测试、采购与责任记录。没有明确位置的物理AI叙事，很难转化为高价值客户判断。

对传播与公共事务团队：建立从发布到制度承接的证据节奏

发布前统一术语和任务口径；发布时说明能力与适用条件；发布后连续披露运行、成本和安全材料；当测试、标准或采购条件出现时，把企业证据接入行业共同语言。每一步都应保留原始材料和责任记录。

© 2026 循点咨询制图

战略行动｜四个问题决定是否继续加码

1. 任务是否明确： 能否说清系统在什么环境、为谁完成什么任务？
2. 结果是否可比： 是否有成功率、运行时间、成本、故障和接管记录？
3. 迁移是否成立： 仿真、合成数据或通用模型是否改善真实任务结果？
4. 责任是否可追溯： 测试条件、操作权限、安全边界和事故记录是否完整？

四个问题同时得到材料支持，物理AI可以进入业务与制度传播；只能回答第一个问题时，更适合作为技术探索，而不宜作为成熟部署叙事。

参考来源

1. Nature Machine Intelligence｜2020-11-10. Skills for physical artificial intelligence. https://doi.org/10.1038/s42256-020-00258-y

2. Nicholas Roy et al.｜2021-10-28. From Machine Learning to Robotics: Challenges and Opportunities for Embodied Intelligence. https://arxiv.org/abs/2110.15245

3. Google DeepMind｜2023-07-28. RT-2: New model translates vision and language into action. https://deepmind.google/blog/rt-2-new-model-translates-vision-and-language-into-action/

4. NVIDIA｜2024-03-18. NVIDIA Announces Project GR00T Foundation Model for Humanoid Robots and Major Isaac Robotics Platform Update. https://nvidianews.nvidia.com/news/foundation-model-isaac-robotics-platform

5. NVIDIA｜2024-06-02. “Accelerate Everything,” NVIDIA CEO Says Ahead of COMPUTEX. https://blogs.nvidia.com/blog/computex-2024-jensen-huang/

6. NVIDIA｜2025-01-06. NVIDIA Launches Cosmos World Foundation Model Platform to Accelerate Physical AI Development. https://nvidianews.nvidia.com/news/nvidia-launches-cosmos-world-foundation-model-platform-to-accelerate-physical-ai-development

7. 国务院｜2025-03-13. 《2025年政府工作报告》。https://www.gov.cn/yaowen/liebiao/202503/content_7010168.htm

8. 上海市人民政府｜2025-07-26. World-class platform for AI cooperation and exchange. https://english.shanghai.gov.cn/en-WAICLatest/20250726/34e497024d4e4f66b9f357c9241c16e0.html

9. 新华网／数字中国｜2026-01-09. 《“物理AI”成为CES热议新词》。https://www.digitalchina.gov.cn/2025/xwzx/qwfb/202601/t20260109_5269180.htm

10. Nature Machine Intelligence｜2026-04-24. From embodied intelligence to physical AI. https://www.nature.com/articles/s42256-026-01239-3

11. NVIDIA｜2026-06-22. NVIDIA Announces Halos for Robotics, the Industry’s First Full-Stack Safety System for Physical AI. https://nvidianews.nvidia.com/news/nvidia-announces-halos-for-robotics-the-industrys-first-full-stack-safety-system-for-physical-ai

12. NIST｜2026-04-24. Physical AI and Data Generation for Robotics. https://www.nist.gov/programs-projects/physical-ai-and-data-generation-robotics

13. NIST｜2026-05-27. Artificial Intelligence for Manufacturing Workshop. https://www.nist.gov/news-events/events/2026/05/artificial-intelligence-ai-manufacturing-workshop

14. Google DeepMind｜2025-03-12. Gemini Robotics brings AI into the physical world. https://deepmind.google/blog/gemini-robotics-brings-ai-into-the-physical-world/

15. Google DeepMind｜2025-09-25. Gemini Robotics 1.5 brings AI agents into the physical world. https://deepmind.google/blog/gemini-robotics-15-brings-ai-agents-into-the-physical-world/

16. Physical Intelligence｜2025-04-22. π0.5: A VLA with Open-World Generalization. https://www.physicalintelligence.company/blog/pi05

17. Skild AI｜2025-07-29. Building the general-purpose robotic brain. https://www.skild.ai/blogs/building-the-general-purpose-robotic-brain

18. 国家科技创新中心｜2026-05-13. 《光轮智能与摩尔线程共建自主可控具身智能仿真底座》。https://www.ncsti.gov.cn/kjdt/scyq/zgckxc/zgcdt/202605/t20260513_246553.html

19. 北京市经济和信息化局｜2026-04-28. 《伙伴计划工作组赴触景无限开展人工智能赋能新型工业化专题调研》。https://jxj.beijing.gov.cn/ztzl/ywzt/hbjh/hbdt/hbdt/202604/t20260428_4620394.html

20. 中国科学院工业人工智能研究所｜2026-07-15. 《物理AI重塑智能制造WAIC 2026主题论坛成功召开》。https://iaii.cas.cn/kxyj/kydt/202607/t20260715_8249027.html

21. 北京亦庄｜2026-06-03. 《亦庄智慧为无人驾驶车打造超级物理大脑》。https://kfqgw.beijing.gov.cn/cxyzkfq/yzal/202606/t20260603_4683857.html

22. GDELT Project｜访问日期2026-07-23. GDELT 2.1 DOC API. https://www.gdeltproject.org/

23. Y Combinator｜访问日期2026-07-23. Hacker News API. https://github.com/HackerNews/API

24. OurResearch｜访问日期2026-07-23. OpenAlex. https://openalex.org/

25. NVIDIA中文术语表｜访问日期2026-07-23. 《什么是“物理 AI”？》。https://www.nvidia.cn/glossary/generative-physical-ai/

26. 人民日报／数字中国｜2026-06-15. 《物理人工智能，加速走进现实世界》。https://www.digitalchina.gov.cn/2026/szzg/xyzx/202606/t20260615_5334118.htm

27. 智元机器人（AGIBOT）｜2026-04-17. AGIBOT Unveils New Generation of Embodied AI Robots and Models. https://www.agibot.com/article/231/detail/63.html

28. Figure AI｜2025-11-19. Figure 02 Contributed to the Production of 30,000 Cars at BMW. https://www.figure.ai/news/production-at-bmw

COPYRIGHT & RESPONSIBILITY

著作权与责任声明

研究与责任声明

本报告由循点咨询基于截至2026年7月23日可获得的公开资料、统计数据和研究判断编制，仅供一般性研究、战略讨论与风险识别参考，不代表所引用企业、机构或政府部门立场。

著作权及使用限制

除另有注明的第三方资料与数据外，本报告原创文字、结构、图表与视觉编排的著作权归循点咨询所有。第三方内容权利归其权利人。未经书面许可，不得复制、发行、改编、传播、转售或向未授权第三方提供本报告的全部或实质性部分。

责任限制

本报告不构成投资、法律、税务、财务、合规、安全或交易建议，不对市场、项目、合作方、收益和结果作保证。正式决策应重新核验原始文件、适用范围和最新状态，并取得具备相应资质的专业意见。

联系方式

官方网站www.pathsnote.com

商务联系contact@pathsnote.com

官方内容平台微信公众号：循点观察

© 2026 循点咨询 Pathsnote Consultancy. All rights reserved.