“‘物理人工智能（物理AI）’的‘ChatGPT时刻’已经到来。”在不久前落下帷幕的美国拉斯维加斯消费电子展上，美国英伟达公司首席执行官黄仁勋在其主旨演讲中为AI未来数年内的发展定调，引发外界热议。

业内普遍认为，从工厂里能自主协作的机器人，到能自动规划路线的物流车队，再到马路上的自动驾驶汽车等，“物理AI”将重塑制造业、物流、交通等每一个环节。未来数年内，“物理AI”将实现规模化应用，成为下一轮全球科技竞争的核心赛道，但同时其发展和完善仍然面临多重挑战。

由“虚”向“实”：“物理AI”的底层逻辑

人们常提到的AI，一般是指“生成式AI”，主要基于从互联网收集的海量文本与图像数据训练而成。它可以写文案、画插画、编创意等，但一碰到现实世界的物理规则，就变成了“纸上谈兵”。

而“物理AI”，则补上了这个短板。“物理AI”在“生成式AI”的基础上，学会了理解3D空间里的位置关系以及现实世界的物理规律。除了图片、视频和语音等，它还接收现实中传感器的温度、距离等真实数据，最后转化成机器人能直接执行的动作指令，或是帮助实体设备做出符合现实逻辑的判断。

数据、平台和模型是“物理AI”的三大核心要素。“物理AI”在应用到现实场景前会经过一个虚拟训练平台：先给工厂等真实空间创建一个数字孪生体，即虚拟镜像，现实中传感器收集到的温度、距离等数据也直接同步到这个能实时互动的虚拟空间里。

接着，在这个虚拟环境里“安”上虚拟传感器、机器人等，模拟现实里的各种操作，传感器会把相关动作、碰撞、光影变化等各类交互数据记录下来。之后，再交给模型，对生成的数据进行扩充、整理与标注，方便AI快速理解学习。

有了这个“虚拟训练场”，自主机器就能提前“预习”现实世界的技能。它可以反复练习成千上万次甚至几百万次，安全且快速地学习。

“卡点”仍存：“物理AI”的发展挑战

尽管“物理AI”可能是AI竞争的下一个赛道，但其发展目前仍然存在着挑战。

首先，要打造和真实世界基本一致的高精度物理仿真环境，需要融合多源数据，比如材料属性、动力学参数等，场景建模成本高昂。不同行业物理规律差异显著，如工业机器人与医疗手术机器人的力学特性不同，通用模型开发难度大。

其次，尽管模拟环境中的视觉图像相当逼真，但与现实世界仍然存在不少细微的差异。机器人或许能在模拟环境中熟练完成动作和任务，但进入真实物理场景后，模拟训练的效果无法和现实情况完全对应，导致实体部署时误差率上升。

在物理系统中，哪怕是极其微小的错误率，都可能引发连锁反应：小到浪费原材料、造出残次品，大到弄坏设备，甚至引发安全事故。如果AI系统出现幻觉输出——生成不符合真实情况的错误信息，这类错误会在整个生产批次中持续扩散放大，进而对成本管控与运营流程等造成叠加的负面影响。这种“物理AI”决策失误可能导致的实体损害，相关可解释性与责任追溯机制，也需要进一步建立和完善。

此外，网络安全也存在可能的漏洞和隐患。互联增加了网络风险，漏洞可能导致未经授权的访问、数据泄露，甚至恶意控制机器人。当安全漏洞可能影响物理安全和运营连续性时，风险甚至更高。

来源：新华每日电讯微信公众号

作者: 罗国芳