ARTICLE · 1257773
谁掌握物理AI的数据入口,谁就可能掌握下一轮智能化的定义权!
谁掌握物理AI的数据入口,谁就可能掌握下一轮智能化的定义权!
一个越来越关键的问题正在浮现：AI究竟通过什么认识现实世界？ 这不是一个简单的传感器问题。 它关系到AI看到什么、理解什么、忽略什么，甚至最终能够做什么。 最近AMD宣布以约82亿美元收购李飞飞创立的World Labs，就很能说明这一变化。World Labs的核心方向是空间智能和世界模型，让AI能够理解、生成和预测三维物理环境。AMD看中的显然不只是一个模型公司，而是其向“物理世界”延伸的能力。 这背后的产业逻辑其实非常清楚：当AI从数字世界走向物理世界，数据入口的重要性正在快速上升。 而毫米波，可能正是这个入口中一个长期被低估的角色。 大语言模型面对的是一个相对简单的数据逻辑：文本就是文本，图片就是图片，视频就是视频。模型通过海量数字内容学习世界。 但物理AI完全不同。一个机器人走进房间，它面对的不是一篇描述房间的文字，而是不断变化的真实环境： 有人站在前面；有人从侧面走过；地上突然出现一个障碍物；门正在打开；一个人跌倒了；另一个人正在靠近机器人。 这些信息不是一次性输入，而是一个连续变化的数据流。 因此，物理AI真正的闭环是： 感知 → 理解 → 预测 → 决策 → 执行 → 再感知。 近期关于Physical AI的研究也越来越强调这一点：世界模型并不是孤立的“大模型”，而是要把感知、环境状态、动作以及未来变化连接起来，在不确定的现实环境中形成闭环。 这意味着一个非常重要的变化： AI的能力上限，不仅取决于模型有多聪明，还取决于它能够获得什么样的数据。 而且，这里的“数据”已经不是简单的图片、声音或者文本。 它可能包括距离、速度、角度、空间位置、姿态、运动轨迹、接触状态、环境变化，甚至人的呼吸和心跳。 这就是传感器真正开始改变AI的地方。 过去我们容易把传感器理解成一个比较底层的器件。摄像头负责采图。 麦克风负责采音。雷达负责测距离。IMU负责测运动。采完之后交给算法，算法再交给AI。 但进入物理AI时代，这个关系正在发生变化。 传感器不再只是外围器件，而正在成为AI的“现实世界接口”。 这也是为什么我认为“数据入口”比“传感器”这个概念更重要。 因为入口决定了三件事情： 第一，AI能够获得什么信息。 第二，这些信息以什么形式进入模型。 第三，模型最终能够理解现实世界的哪些状态。 举一个很简单的例子。 摄像头看到一个人，可以得到丰富的视觉信息。但毫米波可以直接提供距离、速度、角度等信息，而且它对光照变化不敏感，在隐私敏感的环境中也不需要持续记录人的图像。 进一步通过多天线阵列形成点云以后，系统可以获得更加丰富的空间信息。当毫米波2T4R进一步走向3T8R，增加的就不仅仅是几个射频通道。本质上是在增加AI对于现实空间的信息密度和空间分辨能力，是怎加了认知世界的维度。 这意味着AI看到的“世界”，正在变得不同。所以真正值得关注的并不是： “谁的毫米波芯片参数最高？”而是：“谁能够把毫米波产生的数据，变成AI真正可以理解和利用的世界状态？”这才是下一阶段的竞争。 这里需要特别强调一点。物理AI绝不会变成“毫米波取代视觉”。恰恰相反，未来一定是多模态感知。视觉擅长颜色、纹理、目标识别；毫米波擅长距离、速度、空间状态以及复杂环境下的感知； 触觉擅长接触和受力；IMU负责运动状态；声音则提供另外一个维度的信息。真正强大的物理AI，需要把这些不同来源的数据融合起来。 这也是为什么现在世界模型研究越来越重视多模态观察，而不仅仅是视觉。相关研究已经开始讨论视觉、触觉等不同感知模态如何共同构成对物理环境的预测。 毫米波的意义就在于：它提供了一种视觉之外的“现实世界坐标系”。尤其是在一些视觉并不理想的环境里，这种价值会更加明显。例如烟雾、弱光、强光、遮挡，以及一些对隐私高度敏感的室内环境。 对于物理AI来说，最重要的不是“看得像人”，而是：能不能稳定获得做决策所需要的信息。从这个意义上看，毫米波并不是摄像头的竞争者。 它更像是物理AI感知系统中的另一套“神经末梢”。 当毫米波从2T4R升级到3T8R方案时，如果只是从传统射频芯片角度看，增加TX/RX数量似乎只是硬件规格升级。但放到物理AI里面，它的意义完全不同。更多通道意味着更丰富的空间信息，而更丰富的空间信息意味着AI可以获得更完整的现实世界状态。 比如在室内环境中：过去的毫米波应用可能只是判断“有没有人”。再往前一步，可以判断“人在什么位置”。继续提升，可以判断“人是什么姿态”。 再往前，甚至可以区分多人状态、识别跌倒、跟踪运动轨迹，乃至从微动信息中获得呼吸、心率等生命体征信息。这实际上对应着一个非常清晰的能力迁移： Presence → Location → Pose → Behavior → Intent 也就是： 存在 → 位置 → 姿态 → 行为 → 意图。 这也是此次直播讨论中一个非常重要的判断：毫米波正在从“存在感知”走向“空间理解”。 而一旦进入“空间理解”，毫米波就不再只是一个传感器。 它开始成为AI理解物理世界的一种数据来源。 过去谈毫米波，行业大量讨论的是FFT、CFAR、波束形成、目标检测等传统信号处理技术。这些依然重要。 因为雷达首先必须把物理信号变成可靠的数据。 但真正让毫米波产生下一次能力跃迁的，很可能是后面的AI。 传统算法更擅长解决：“这里有没有目标？” AI更擅长进一步回答：“这个目标是谁？正在做什么？接下来可能做什么？” 这就是为什么今天毫米波芯片的竞争已经不能只看射频性能。 真正的竞争开始进入：射频前端 → DSP → MCU → 信号处理 → AI算法 → 场景模型 → 应用，整个链条。 这也解释了为什么矽典微开始强调芯片、参考设计、软件工具、算法和ONELAB开发者生态。真正能够推动毫米波进入更多场景的，是把： 芯片 → 数据 → 算法 → AI → 应用这条链打通。 这时候，一个更大的问题出现了。假设未来每一个机器人、智能家电、工业设备甚至汽车都在持续感知现实世界，那么谁能够获得这些数据？ 答案将决定下一轮AI产业竞争的格局。因为物理AI的数据有一个非常特殊的属性：它不是互联网文本那样的静态数据，而是与真实环境、时间和动作绑定的数据。一个机器人看到一个人拿起杯子的过程，比一张“人拿杯子”的图片有价值得多。因为它包含：位置变化；速度变化；动作轨迹；物体关系；空间约束；动作结果。 这些连续数据，才是训练物理AI真正需要的东西。 IDC近期对Physical AI的判断也非常接近这一逻辑：竞争正在从“谁的模型最强”转向“谁能够让机器人在真实场景中工作并持续学习”，真实世界数据与持续学习正在成为下一阶段的重要差异化来源。 所以未来可能出现一种新的产业飞轮： 传感器获得数据 → AI理解数据 → 机器人执行 → 产生新的行为数据 → 数据反哺模型 → 模型变得更聪明 → 获得更多真实世界数据。 一旦这个闭环建立起来，真正的壁垒就不再只是芯片。 而是：数据。 因为入口不仅决定数据量，更决定数据的“语言”。这是一个经常被忽略的问题。如果一个系统主要依赖摄像头，它理解世界的方式天然更偏向视觉。 如果一个系统拥有大量毫米波数据，它对距离、速度、运动状态的理解就会更加自然。如果加入触觉，它会开始理解接触、压力和材料变化。 如果加入声音，它会获得空间声学和事件信息。 换句话说：不同传感器，不只是提供不同的数据，它们实际上在帮助AI建立不同的世界观。这就是“数据入口”真正重要的地方。 未来可能出现这样的竞争：有人掌握模型。有人掌握算力。有人掌握机器人本体。还有人掌握传感器。 但最终真正形成平台能力的，很可能是那个能够把这几层连接起来的人。 这也是为什么AMD收购World Labs这样的事件值得从更大的产业角度观察。它反映出的并不只是“芯片公司开始买AI模型公司”，而是AI产业正在向一个新的方向融合： 计算平台 + 模型 + 空间智能 + 物理世界。 如果仍然把毫米波公司理解为“雷达芯片供应商”，这个市场的想象空间其实有限。但如果把它理解成：物理AI的数据入口提供者那么产业逻辑就完全不同了。芯片只是第一层。真正值得竞争的是下面这条链： 感知芯片 ↓ 高质量空间数据 ↓ 点云/状态表达 ↓ AI语义理解 ↓ 场景模型 ↓ 开发者生态 ↓ 机器人/家电/工业/汽车应用 ↓ 真实世界数据回流这时候，芯片公司的价值也会发生变化。它不再只是卖一个BOM器件，而是在参与定义：机器究竟应该如何感知这个世界。 这可能才是毫米波产业下一阶段最大的机会。 毫米波的演进透露出来的一种产业思路：把毫米波从一个专业度很高的射频器件，变成开发者能够使用的AI感知平台。因为物理AI真正要爆发，靠的不会只是几个机器人巨头。它需要大量开发者不断寻找新的应用。 今天可能是空调。明天可能是老人看护。后天可能是机器人。再往后可能是工业安全、智慧空间、无人系统。应用越多，产生的数据越多。数据越多，AI对物理世界的理解越强。 这才是真正意义上的生态飞轮。 因此，毫米波厂商在打造的生态，并不只是“让开发更方便”。更深层的价值是：让更多人参与定义毫米波可以如何被使用。 而谁能让更多开发者、设备厂商和应用厂商围绕自己的感知平台形成生态，谁就有机会从芯片供应商走向平台型公司。 今天我们已经非常习惯谈：GPU、NPU、算力、模型参数、Token、推理成本。但如果物理AI真正进入大规模部署，产业链的重心可能会继续向前移动。 未来真正值得问的可能是：机器人每天看到了什么？它感知到了多少真实世界状态？这些数据是否能够被结构化？能不能进入世界模型？能不能形成持续学习？ 最终形成：现实世界 → 感知 → 数据 → 世界模型 → 决策 → 执行 → 新现实 → 新数据 这条闭环。世界模型研究本身也正在从单纯“生成一个世界”转向预测环境变化、支持规划和行动，并面对真实世界数据不足、传感器噪声、不确定性以及Sim-to-Real等问题。 所以，物理AI时代真正稀缺的资源，很可能不是又一个更大的模型。 而是：高质量、连续、真实、带空间和时间信息的现实世界数据。 而毫米波，恰恰站在这个数据链条的最前端。 过去几十年，半导体产业一直在回答一个问题：如何让机器算得更快？ AI时代又进一步回答：如何让机器理解更多？而物理AI时代，问题正在变成：如何让机器真正感知这个世界？ 这三个问题看起来不同，实际上是一条技术演进路线。计算解决“算”。模型解决“理解”。传感器解决“看到真实世界”。 而当三者形成闭环之后，机器才真正拥有了在现实世界中行动的能力。因此，毫米波真正值得关注的地方，并不是它是不是下一代“雷达芯片”。 而是它有机会成为物理AI获取现实世界数据的一条重要入口。谁掌握入口，谁就能影响数据；谁掌握数据，谁就能影响模型；谁能够把数据、模型和执行形成闭环，谁就可能拥有下一轮智能化的定义权。 这或许才是毫米波从“感知器件”走向“物理AI基础设施”之后，真正值得行业重新审视的价值。 对此，大家怎么看？欢迎留言讨论！ 直播推荐
如果说过去十几年人工智能竞争的核心是“谁拥有更大的模型、更多的算力”，那么进入物理AI时代之后，竞争正在悄悄向前移动。
