“需求量暴增900%” 万亿元赛道爆发

　　【“需求量暴增900%” 万亿元赛道爆发】据公开报道，过去几年人工智能的主战场在屏幕之内，如今正向物理世界突破，业内把这个方向称作“物理AI”——指能够理解物理世界规律、并与现实环境进行感知、推理、决策和交互的智能系统，被视为人工智能从数字世界走向物理世界的关键阶段。随着服务机器人、工业人形机器人陆续上岗，这条赛道被看好成为人工智能新一轮的增长主力。

　　概念听起来抽象，落地的东西却很具体。上海一家酒店里，新一代智能洗衣机器人已经进入正式投用前的最后测试阶段：住店旅客在手机上下单，把待洗衣物装进洗衣篮放在房间外，机器人自动取走送到洗衣房洗烘，结束后再送回房间。旅客省下的是一趟下楼，酒店省下的是人力排班。

　　让机器人干成这件事的，是一套“双脑协同”的模式。据企业负责人介绍，一个具身基座模型负责理解任务和空间关系，另一个世界模型可以模拟构建出3D的物理环境；机器人有时一个晚上就能自己学会一项新任务，并且能在真实环境里一边尝试一边学习进化。今年，这家企业计划推动1000台智能机器人落地各类真实场景。

　　服务业之外，工业场景才是核心阵地。人形机器人在真实产线上进行上下料辅助作业，而在数字孪生的虚拟产线上，未来还可以部署机器人进行更多任务测试。一家工业企业的战略经理介绍，仿真数据及真实产线上各类设备的数据，都能为物理AI更好地进入物理世界提供坚实基础——实打实的产线数据，才是训练场。

　　训练方式本身也在变。以往不同形态的机器人各训各的，现在一台便利店服务的机器人、一台工业搬运的机器人，甚至一台会打网球、跳街舞的机器人，底层都可以接入同一套具身模型，“跨本体”调度成为新趋势。同一套大脑，换个身体就能干活，这大幅降低了每新增一种形态的开发成本。

　　变化最直接的一点，是学技能的路径变了。某具身智能企业联合创始人介绍，过去机器人学一个技能需要采集高精度的机器人数据，现在有了基于同一套底层“大脑”搭建的智能体，机器人可以直接从人类干活的视频中学习；未来还会看到多模态大模型的成果逐渐被具身智能企业吸收。看人怎么做，比自己试错快得多。

　　北京的另一家企业演示了另一种接法。一台双臂机器人借助智能体接入大模型，对桌上的不同物品做抓取分拣，即使目标被箱子挡住，它也能分析后移开箱子完成抓取。企业首席技术官介绍，他们用的是国产开源模型，把机器人的能力包装成“大脑”的技能池，从中选一个合适方案完成任务，推理效率比开源方案提升数倍甚至数十倍。

　　群体经验也成了新的训练资源。同一家企业通过96台机器人的群体学习，在手机包装、衣服折叠这类复杂任务上甚至超过人类操作员的水平；每一台机器人的成功或失败经验，都会成为下一台机器人能力提升的支撑。他们正在与业内合作完善从机器人纳管到训练、部署的全链条。

　　多任务并行也有了雏形。在广州的一处展会现场，一台人形机器人能按订单需求，在等待咖啡制作的间隙再去取一份冰激凌，实现自主排程和并行操作；这背后是一套“快脑加慢脑”的架构，把不同大小、类别的模型分别部署在机器人端侧和云上。快脑管眼皮底下的反应，慢脑管整件事怎么安排。

　　云与端的搭配，核心矛盾在延迟。一位研发负责人举了个直观的例子：人要抓一个杯子，可能在一秒甚至几十毫秒内就拿走了，但对机器人来说，云上的模型决策结果还没返回到端侧，机器人反应不过来，不知道杯子已经被拿走。他的判断是，等网络和模型能力足够强，才会形成以云为主、以端为辅的结构。

　　真正的瓶颈，落在数据和网络上。与图文、视频类大模型不同，物理AI的训练数据要靠专门采集：在数据企业的车间里，操作员佩戴专用设备采整理房间时的动作数据，大屏上全球视频数据按小时累计；另一处实验室里，机械臂的真实数据正与仿真合成数据比对。预训练阶段主要依赖仿真合成数据和人类视频数据。

　　需求量的增速给出了直观的参照。据企业负责人介绍，去年头部客户对数据的需求还在十万小时级，今年已经达到百万小时级。而真实世界的摩擦力、重力、空间变化、突发状况，都是仿真数据无法完全模拟的，要训练出足够智能、足够稳定的具身模型，行业需要千万小时甚至亿小时级别的真实交互数据，这正是“暴增”的来源。

　　网络是另一块底座。在一个6G演示场景中，工作人员通过脑机接口发出指令，基站内的算力实时解析脑电信号，指挥机器狗和机器人配合完成危险品排查；研究人员表示，这样的算力水平要靠6G网络来提供，未来要同时运行大量机器人、无人机或网联车，都需要动态配置算力。带宽与算力调度跟不上，机器人再多也跑不起来。

　　市场规模的判断，谨慎里带着乐观。业内高级工程师介绍，目前物理AI处于产业化早期，全球尚未形成统一的市场统计口径，但国际上有机构预计，到2030年物理AI的市场规模有望达4500亿美元，约合人民币30027亿元。未来在部署到具体生产环境时，还会产生软硬件集成、场景适配、调试运维等多类需求。

　　规模落地还要跨过门槛。按专家的说法，物理AI既要在真实环境中长期稳定运行，也要把成本控制在可接受范围；此外，未来可能形成一批专业化的世界模型，比如工业世界模型、智驾世界模型、具身世界模型、医疗健康世界模型，物理AI也会从单体自主作业向多智能体协同演进。这条路的方向很清楚，难点在于每一步都要用真实数据换。

　　回到那个900%的数字，它描述的其实是需求的烈度，而不是产业已经成熟。眼下的场景仍以测试、演示和小批量落地为主，酒店洗衣、产线上下料、展会取餐各自解决了具体的一小段；要让这些片段连成产业，数据、网络、成本三道关都得过。热闹是真的，路程也真的还长。

　　以上就是【“需求量暴增900%” 万亿元赛道爆发】有关内容，更多资讯请关注深港在线。