数据文件，请登录您的会员账号进行下载！
物理AI｜新一轮生产力革命序章20260702_导读
2026年07月03日 00:24
关键词
物理AI 动手 动嘴 生成式AI 三维 二维 强化学习 深度学习 GPU 矩阵计算 容错率 自动驾驶 空间智能 物理定律 硬件 软件 融合 训练 摩尔县城 物理仿真
全文摘要
物理AI与生成式AI不同，侧重于AI在真实物理环境中的操作能力，需应对重力、摩擦等物理因素，要求更高的硬件支持以处理复杂物理问题和数据。当前，物理AI在自动驾驶、机器人技术等领域展现出巨大潜力，但同时也面临技术准确性和适应性提升的挑战。投资物理AI需考虑技术进步的持续性及市场需求变化。尽管存在挑战，物理AI未来在工业自动化、智能家居等领域的应用前景被广泛看好，预示着人工智能技术的重大变革。
章节速览
00:00 物理AI：从虚拟到现实的跨越
对话围绕物理AI展开，探讨了AI从虚拟世界迈向现实物理环境的关键转变。嘉宾们分析了物理AI面对的真实物理挑战，如重力、摩擦等不可撤销的后果，以及它与传统深度学习AI的本质区别。通过深入讨论，揭示了物理AI在技术实现、应用前景等方面的新机遇与挑战。
01:06 物理AI：从动嘴到动手的转变
对话讨论了物理AI的概念及其与生成式AI的区别。物理AI在真实物理世界中执行任务，而生成式AI如豆包、deep sic主要在数字环境中运作。物理AI的难点在于需遵循物理定律，且错误可能带来较大后果。物理AI的发展标志着AI从理解到行动的转变，对社会价值产生深远影响。
02:57 物理AI与空间智能：从二维到三维的转变
讨论了AI从屏幕内的二维世界向现实世界的三维空间转变，强调物理AI能直接对物质世界产生影响，区别于仅在电脑内生成内容的生成式AI。物理AI融入物理定律，实现从理论到实践的跨越，空间智能考虑三维立体及6D数据交互，扩展至三维现实世界。
04:54 技术融合推动物理AI爆发式发展
从50年代自动化控制到当前深度学习与强化学习的应用，技术进步使得机器人开始具备思考能力。过去两年硬件与软件的双向发展，促使物理AI在机器人本体上的实现，标志着该领域即将迎来爆发式增长。
06:30 物理AI与GPU技术挑战
对话围绕物理AI领域对GPU技术的高要求展开，强调GPU在图形渲染、矩阵计算及仿真的重要作用。物理AI复杂度高，容错率低，需GPU具备高性能并行计算能力，以支持视觉与物理规律仿真。此外，GPU还需用于构建具身智能模型，处理如动画中的复杂物理计算。国内全功能GPU稀缺，需同时满足图形绘制、物理仿真及智能模型构建需求。
10:17 物理AI产业链分析与通用GPU优化策略
对话深入探讨了物理AI产业链的四层结构，包括算力层、算法层、数据层及机器人本体层，强调了通用GPU在不同场景下的优化策略，以及面对算法快速变化时的适应性和投资价值。
14:44 全功能GPU在物理AI中的应用与优势
对话讨论了全功能GPU在物理AI领域的关键作用，指出其能同时支持渲染、双精度计算和AI计算，满足物理仿真、科学计算及AI训练需求，解决了精度和场景适应性问题，集成了GPU历史上的多种功能，为复杂物理世界信息处理提供全面支持。
16:52 物理仿真精度与AI挑战探讨
对话深入探讨了GPU物理仿真平台的精度及其在模拟真实物理规律中的局限性，指出理想化模型与现实复杂性间的矛盾，强调在实际应用中需牺牲部分精度以确保安全，并讨论了量子力学与混沌理论对预测性的影响，以及宏观物体仿真相对简化的特点。
21:40 物理AI落地挑战与价值体现
对话围绕物理AI在特定环境下的任务执行能力展开，讨论了通过简化环境或增加传感器与训练场景来提升AI适应性的权衡。强调了AI在特定环境下的应用价值，以及从仿真到现实迁移的核心挑战，指出AI在提高生产效率和改变产业方面已产生显著价值。
25:18 算力平台与物理世界仿真：挑战与解决方案
讨论了物理引擎仿真精度不足导致虚拟环境训练成果在真实世界应用失效的问题，提出算力平台需具备低功耗、高算力特性，同时探讨量子计算的潜力。强调在模拟物理世界时，算法与数据的取舍至关重要，提倡专业化机器人的设计思路，以特定场景需求为导向，而非追求全能。指出未来发展方向可能涉及更泛化的大型机器人，但当前阶段仍需专注于特定场景的智能机器人开发。
29:22 兰达平台：革新机器人开发体验
兰达平台整合了物理、渲染与AI引擎，以及策略训练和仿真平台，旨在简化机器人开发者的工作流程。相比传统方案，该平台提供更直观的数字孪生构建能力，加速模型训练与评测，实现数据闭环，显著提升开发效率与模型准确性。未来，平台将聚焦于物理AI价值链的深化，推动机器人技术的创新与应用。
31:59 AI演进四阶段：从感知到物理世界的拓展
讨论了AI从感知、生成、代理到物理阶段的演进，强调了AI能力从理解、表达到物理世界操作的扩展，以及传感器和机器人技术在物理AI中的关键作用，展现了AI在拓展人类边界和解决实际问题方面的潜力。
33:51 AI发展现状与未来展望：技术、应用与商业模式
讨论了AI技术的进展，包括传感器、自动化设备和计算机在工业中的应用，强调了AI作为图灵机的计算本质。指出AI行业面临商业模式不明确的挑战，尽管投资巨大，但实际盈利场景有限。AI的商业化进程可能比预期慢，但其将逐步改变工业行业，优化效率。
37:12 AI发展现状与未来展望：算力与算法的推动
AI的本质构成未发生根本变化，主要依赖于大数据、算力与算法。当前AI进步主要体现在算法优化与算力提升，尤其是算力的飞跃发展，如英伟达芯片的迭代，促使AI从虚拟世界迈向现实应用，助力人类提高效率与达成目标。张胜黄提出的四个概念被视为对AI发展趋势的总结。
38:50 AI行业发展趋势与模型公司盈利模式探讨
对话深入讨论了AI行业的发展趋势，强调模型公司通过持续投资和构建应用来实现盈利，指出AI技术的渗透率提升将带来指数级的价值增长。同时，提及人类社会的进步往往源于虚构的故事，而这些故事在客观现实中虽未必存在，却对人类团结和进步起到了关键作用。对话还乐观展望了中国AI行业的发展前景，认为正向反馈机制将推动行业持续增长。
42:19 AI模型市场竞争与商业模式探讨
对话围绕AI模型公司的商业模式展开，指出其毛利率虽高，但高额研发投入侵蚀利润，且用户粘性低导致市场竞争激烈。与互联网不同，AI模型的编辑成本不为零，用户易转移至更优模型，促使公司加速迭代。尽管存在挑战，但AI模型市场潜力巨大，未来将通过差异化竞争实现细分领域的发展。
45:18 AI基建产业链与资本市场的泡沫分析
从资本市场的视角分析AI基建产业链的泡沫问题，指出头部公司业绩增长迅速，部分公司业绩与股价涨幅不匹配，需关注资本回报率及技术壁垒。引用比尔盖茨观点，强调技术长期价值，认为短期波动不应忽视AI的长期潜力与改变世界的能力。
48:25 物理AI的发展与投资逻辑探讨
对话深入探讨了物理AI作为新范式的重要性，强调其在计算多样性与实时性方面的需求，以及仿真精度和迁移方法对突破现实障碍的关键作用。同时，分析了技术发展加速对行业节奏的影响，指出尽管商业化进程需时，但方向已明确，物理AI的故事正逐步展开。
问答回顾
发言人 问：物理AI为何会在近期引起科技圈的广泛关注，并且与之前的技术相比有何不同？
未知发言人 答：物理AI的爆发是因为随着技术发展，尤其是强化学习和深度学习的进步，自动化控制变得更为智能流畅。过去受限于传统自动化控制技术，而现在通过AI训练，机器人开始学会思考并把云端的数据空间思维能力迁移到物理空间中，实现更复杂、真实的物理世界交互。
发言人 问：首先，我们来定义一下物理AI，它与我们日常在手机上使用的生成式AI（如豆包、DeepSI）有什么区别？
发言人 答：物理AI与生成式AI的主要区别在于应用场景和结果的影响。生成式AI主要在数字环境中“动嘴”，例如生成文案、图像等；而物理AI则是让AI能够“动手”，直接在真实的物理世界中发挥作用，比如帮助做PPT、写代码等，但物理AI需要遵循物理定律，在操作上有更高的精确度和实时性要求。
未知发言人 问：对于GPU厂商摩尔县城来说，在从深层式AI的大模型转向物理AI模型训练的过程中，面临什么样的挑战？
未知发言人 答：物理AI对容错率的要求远低于深层式AI，且物理世界复杂多变。摩尔县城作为GPU厂商，在物理AI领域除了支持AI模型训练和推理外，还需处理仿真、视觉仿真和物理规律仿真等任务，这要求GPU具有强大的并行计算能力以及对真实环境的模拟和分析能力，以适应物理AI在不同场景下的需求。
发言人 问：物理AI产业链的价值分布如何？
未知发言人 答：物理AI产业链可以大致分为四层：底层硬件（如GPU）需具备实时交互、数据采集分析及符合物理规律的反馈能力；中间层涉及仿真技术，包括视觉仿真和物理规律仿真；上层为AI模型和算法的开发；最顶层则是具体的应用场景和解决方案。
发言人 问：物理AI技术中，模型的优化和训练主要在哪些层次进行？
发言人 答：物理AI的优化和训练主要在算法层和数据层进行。首先，针对底层算力层，包括计算存储网络、液冷技术、服务器厂商和大型计算集群等提供的基础技术设施，会优化基础软件，如物理引擎、AI推理引擎、训练框架以及云服务。接着，在算法层，会针对特定模型进行优化，例如VIA模型、全程控制导航等。为了进一步优化算法或模型，需要构建数据层，并在此基础上构建仿真层以模拟真实环境。仿真过程中生成的数据可以用于合成数据的训练，以解决数据不足的问题。
发言人 问：机器人本体硬件内层主要包括哪些组成部分？
未知发言人 答：机器人本体硬件内层主要包括机器人本体的各种组件，如电机、手部结构、摄像头、雷达等硬件设备。
未知发言人 问：针对物理AI应用中的GPU优化策略是怎样的？
未知发言人 答：针对物理AI应用，GPU优化策略分为云端和端测两种。云端GPU通常针对大型集群进行优化，包括模型优化和通讯算法优化，以提高训练效率。端测GPU则因设备能力有限且对延迟要求高，会进行定制化优化，甚至在GPU底层使用汇编语言编写算法，进行非常底层的优化。公司研发的通用型GPU可以适应不同场景需求，根据算法进行极致优化，并且具有良好的通用性和可扩展性，能够在云端或端测根据需求调整计算核的数量和存储带宽，从而平衡性能与功耗。
数据文件，请登录您的会员账号进行下载！
1、本站部分资源源自互联网，如内容存在侵权行为或未标明出处的情况，您可通过邮箱 meiritouyan@qq.com 与我们联系，我们将尽快进行处理。
2、如遇本站资源无法下载、无法查看，请及时联系我们，我们将第一时间修复。
