基础知识
物理 AI
01定义
NVIDIA 将这一术语推广到整个行业。CEO 黄仁勋在 CES 2025 主题演讲中把物理 AI 描述为能够理解物理规律、摩擦、惯性和因果关系的 AI。其核心是“物理推理”：预测球会怎样滚动，判断抓取物体时应施加多大力度才不会损坏它，或推断汽车后方可能站着行人。 NVIDIA 官方博客
02与生成式 AI 的区别
生成式 AI
输出是文档、图像或代码，主要依据基准测试和人在屏幕前的偏好评价。
物理 AI
输出是物理运动，评价标准是在混乱、非结构化的现实世界中能否可靠完成任务，而不是排行榜名次。
03感知 → 推理 → 行动闭环
物理 AI 把机器学习、计算机视觉、自然语言处理等 AI 模型与传感器、执行器等机器人硬件结合起来。正是这个三步闭环，让系统能够感知环境、决定行动并真正作用于现实世界。
04难点所在
这个闭环有三点远比聊天机器人困难。第一，它必须实时运行：机械臂接住坠落物体前不能停一秒“思考”。第二，它必须应对训练集无法穷尽的长尾情形：每间厨房、仓库和每条人行道都不一样。第三，错误会造成现实中的后果，有时直接关系安全，而不只是一次尴尬回答。因此，物理 AI 的关键评价标准不是排行榜分数，而是在混乱、非结构化现实环境中的可靠性。
05应用场景
人形机器人、 工业机械臂、自动驾驶汽车和无人机，是承载物理 AI 的主要硬件类别。可在 企业与机器人数据库 查看相关开发者，也可通过 机器人产业史 了解这一领域如何发展至今。
不过，行业中越来越多的公司完全不制造机器人硬件，只开发“推理”层，即希望适配多种机器人本体的基础模型。 企业与机器人数据库收录的两家公司 正好体现了它们与上述人形机器人制造商之间的分工。
π0／π0.5
面向多种机器人本体的通用机器人策略，本身不配套自有硬件。
Skild Brain 机器人模型
面向人形机器人、四足机器人和工业机械臂的通用“大脑”模型。
至于哪些芯片厂商、机器人制造商和工业供应商在资本市场上与物理 AI 相关，请参阅单独的 上市股票追踪；按传感器、执行器、基础模型等底层技术划分的行业全景图，则见 2026 物理 AI 产业图谱。
06常见问题
物理 AI 只是机器人的另一种说法吗？
不完全是。机器人学是更宽泛的工程学科，涵盖机械设计、控制理论和制造，自 20 世纪 60 年代就已存在。物理 AI 特指如今叠加在这些硬件之上的 AI／基础模型层，包括感知、推理和学习得到的控制策略。
为什么这个词在 2025 年前后突然流行？
NVIDIA CEO 黄仁勋在 CES 2025 将其推广为继文本和图像生成之后的 AI 下一前沿，即“理解物理定律”的 AI。这个说法迅速被行业接受，因为它为早已展开的机器人基础模型、仿真到现实迁移等工作提供了一个统一名称。
物理 AI 与具身智能有什么区别？
两者高度重叠。物理 AI 通常强调已经部署到现实世界的实体硬件；具身智能是范围更广的学术概念，也包括完全在仿真环境中训练的智能体。
所有物理 AI 公司都自己制造机器人吗？
不是。Figure AI 和 Apptronik 等公司同时开发硬件与 AI；Physical Intelligence 和 Skild AI 等公司则只开发作为“大脑”的基础模型，希望将其运行在其他厂商的机器人本体上。