物理 AI 是什么?和大模型的区别,一杯水就能讲明白

你对 AI 说：“帮我倒一杯水。”

聊天助手可以立刻告诉你：拿杯子、提起水壶、缓缓倒水，注意别烫到手。

但如果真让一台机器去做，问题就来了：杯子在哪儿？水壶有多重？该抓哪里？倒到什么程度停？有人突然碰了一下桌子怎么办？

写出正确步骤，与在现实里完成这件事，中间隔着一整套本事。

“物理 AI”，讲的就是让机器逐步具备这些本事。

01｜物理 AI，到底是什么？

Physical AI，通常译为“物理 AI”。

这里的“物理”，指的是有重量、摩擦、空间和运动的现实世界。

按照微软研究院的介绍，这类系统通过感官输入和动作，与物理世界互动，并从中学习。通俗地说，就是让机器能感知环境、判断怎么做，再通过身体或设备采取行动。来源：微软研究院

比如，机械臂识别桌上的杯子并抓起来；仓储机器人遇到障碍后调整路线；自动驾驶系统结合道路信息规划并控制车辆。

它不一定长成人形。机械臂、移动小车，都可以成为载体。英伟达对物理 AI 的介绍，也把机器人、自动驾驶和工业系统列为相关应用方向。来源：NVIDIA

02｜它和大模型，究竟有什么区别？

先厘清一个容易混淆的地方：

“大模型”描述的是模型的规模与技术形态；“物理 AI”强调的是系统要在什么环境里完成什么任务。

两者有交集。一套物理 AI 系统，完全可以使用大模型。

为了方便理解，我们把常见的聊天型大模型应用，与能操作物体的物理 AI 系统放在一起看。

第一，接收的信息不同。

聊天型应用主要接收文字、图片、语音等数字信息。机器人还可能需要距离、关节位置、接触力等传感器数据，才能知道“手伸到了哪儿”“有没有抓住”。

第二，交付的结果不同。

聊天助手可以交付一份倒水说明；机器人要让杯子里真的有水，还得把判断转化成机器能执行的动作。

现在的大模型也能调用工具、操作软件，所以不能简单说它们“只会聊天”。但处理一个网页，与控制机械臂抓住玻璃杯，需要应对的约束仍然不同。

第三，判断成功的标准不同。

动作写得再合理，杯子没拿起来，任务就没有完成。机器要面对距离误差、摩擦变化、物体变形，以及动作是否及时等问题。

这就像你读懂了一本游泳教材，和身体真正学会游泳，是两种不同的能力。

03｜给大模型接上机械臂，就能干活了吗？

还需要把“听懂”与“做到”之间的环节打通。

以倒水为例，可以把过程理解为一个不断循环的闭环：

感知 → 判断与规划 → 执行动作 → 观察结果 → 调整。

机器先找到杯子和水壶，再判断抓取位置，控制夹爪抓住水壶，调整姿态倒水，并持续观察杯子里的变化。

如果水壶滑了一点，动作就要跟着修正；如果有人移走杯子，就需要重新判断。

其中，大模型可以帮助理解“倒半杯”“放到我右手边”这样的要求，也可以参与任务规划。但具体动作，还需要动作模型、控制系统、传感器和硬件配合。

一个有代表性的技术方向叫 VLA：视觉—语言—动作模型。

你可以把它理解为：把“看到了什么”“用户要求什么”和“接下来怎么动”联系起来。Google DeepMind 在介绍 Gemini Robotics 时，就把物理动作加入模型的输出能力，用于控制机器人。来源：Google DeepMind

VLA 是一种技术路线，物理 AI 则是更宽的概念，系统也可以采用多种模型协作的方式。

04｜为什么 AI 会写代码，却还要苦练叠衣服？

衣服没有固定形状，拉一下就变了；布料可能互相遮挡，摩擦也会影响动作。人很自然就能完成的事情，机器需要学习大量细节。

这背后，有两道难关。

一道是数据。

互联网上有海量文字和图片，但“机械臂在某个位置用了多大力，物体随后怎样变化”这样的数据，需要额外采集。Physical Intelligence 在介绍机器人基础模型 π₀ 时，也强调了机器人交互数据的稀缺，以及结合视觉语言预训练与机器人数据的思路。来源：Physical Intelligence

另一道是环境变化。

实验室里的杯子位置固定，家里的桌面却可能堆着杂物。换个杯子、换种光线、换个抓手，都会带来新的挑战。

因此，研发团队会使用仿真环境和合成数据，增加练习与测试场景。但仿真中的表现，还需要通过真实环境测试来验证。来源：NVIDIA

看到机器人成功完成一次任务，我们还应该继续看：换个场景能否成功？连续做很多次表现如何？失败后能不能恢复？需要多少人工介入？

这些问题，比一段流畅的演示视频，更能说明它离实际使用有多远。

05｜物理 AI，会取代现在的大模型吗？

更合理的理解，是它们会结合起来。

语言和多模态模型提供理解、知识与推理能力，机器人系统把这些能力连接到传感器、动作和真实环境。与此同时，机器人领域已有的控制、规划与工程经验，依然不可缺少。

如果你还听过“具身智能”，可以把它理解为一个高度相关的概念：强调智能体通过身体与环境互动来形成和运用能力。两者在机器人领域经常交叉使用，但不同研究和产业语境的范围并不完全一致。

对普通人来说，理解物理 AI，无须先记住一串缩写。

记住那杯水就够了：AI 能解释怎样倒水，已经很有用；让机器在不同环境里反复把水倒好，还需要解决感知、动作与反馈的问题。

物理 AI 所追求的进步，就藏在这杯真正倒好的水里。

如果有一台能稳定干活的机器人，你最想交给它的第一件事是什么？欢迎在评论区聊聊。

资料说明：本文依据微软研究院、NVIDIA、Google DeepMind 与 Physical Intelligence 的公开资料撰写。倒水场景用于解释原理，配图为概念示意，不代表某款产品的实际能力。