特斯拉Optimus機器人完成工廠零件分揀、宇樹機器人在春晚上精準完成舞蹈動作、比亞迪拉開智能駕駛全民普及序幕……這些標志性事件宣告了人工智能正在步入技術進化的關鍵之年。

近日，阿里巴巴集團CEO吳泳銘宣布，未來三年，阿里將投入超過3800億元，用于建設云和AI基礎設施，總額超過去十年總和。這也創下中國民營企業在云和AI基礎設施建設領域有史以來最大規模投資紀錄。據IDC預測，到2030年，AI將為全球經濟貢獻19.9萬億美元，推動2030年全球GDP增長3.5%。

從工業革命到信息革命，每一次技術躍遷都伴隨基礎設施的顛覆。如果說AGI是一場星辰大海的遠征，那么AI基礎設施就是通往目的地的“陽關大道”。蒸汽機車需要鐵路網、電力需要電網、互聯網需要光纖與基站。AI的爆發，正在呼喚一張全新的基礎設施網絡——它不僅是數據傳輸的管道，更是連接實體與智能、協調全局與局部、平衡效率與安全的“神經中樞”，是一個能讓機器智能與物理世界同頻共振的新型網絡。

在這個網絡下，機器人、自動駕駛汽車、低空飛行器等各類智能體通過自主決策與協同控制，完成了一次又一次實時對話和人機交互，通往AGI新世界的大門也將由此開啟。

AGI必然路徑，從感知AI到物理AI

語音助手能準確識別方言指令、手機攝像頭能自動捕捉最燦爛的笑容，這些感知AI的杰作構建了現代社會的數字感官。它們如同隱形的眼睛與耳朵，將光信號、聲波轉化為可計算的數據流。

但當自動駕駛汽車面對突發的道路塌陷，或服務機器人在凌亂的客廳里找不到充電接口時，單純的環境感知能力立刻暴露出致命短板。

波士頓動力的人形機器人Atlas在平衡木上完成空翻時展現的不僅僅是動作精準度，更揭示了物理智能的本質：重力加速度計算需要與關節扭矩控制同步，攝像頭捕捉的視覺信息必須即時轉化為肌肉記憶般的機械響應。這種感知與行動的毫秒級閉環，遠比AlphaGo戰勝人類冠軍更能體現智能的本質特征。

大模型的持續進化，如同蝴蝶振翅般顛覆了人們對人工智能的傳統理解。從初次嘗試新架構到發現新的普適定律，從能力泛化到模態無縫融合，這些突破性進展正在不斷刷新機器智能的邊界。

大模型實現了感知與認知能力的全面升級，讓機器具備了更加細膩豐富的理解能力。與此同時，人工智能正在向著另一個關鍵維度挺進——對真實物理世界的模擬與適應。

從感知到決策再到控制執行，端到端的智能系統正在崛起，機器的適應性和靈活性持續突破，不僅能夠自主感知和推理復雜場景，更能夠主動規劃行動、做出決策，而具身智能、自動駕駛的加速落地，又進一步塑造了機器的物理形態。

作為人工智能發展的初級階段，感知式AI關注的是機器對環境的感知能力，使機器能夠通過視覺、聽覺等感官獲取信息，并進行基本的理解和響應。感知式AI使機器能夠與外界進行初步交互，為更復雜的智能行為提供了可能性。這一階段的典型應用包括語音識別、圖像處理以及推薦系統。

2012年，一個名為AlexNet的神經網絡引爆了AI研究界，它的表現遠遠超過所有其他類型的模型，并贏得了當年的ImageNet競賽。自那時起，神經網絡開始騰飛。自ImageNet以來的13年里，計算機視覺研究者們掌握了物體識別，并轉向圖像和視頻生成，為后續生成式AI奠定了基礎。

在感知式AI的基礎上，生成式AI通過進一步發展延伸，形成了機器生成內容的能力。這一階段標志著人工智能不僅能夠理解信息，還能創造文本、圖像和音頻等新的內容，被認為是“生產力放大器”，為營銷和創作領域提供了前所未有的工具和可能性。

今年，DeepSeek的火爆出圈將生成式AI再次推上了風口。不過，DeepSeek底層邏輯依然是統計機器學習——喂數據、訓練、輸出結果。這意味著生成式AI的技術天花板已經清晰可見，甚至因為它的“深度思考”過程透明化，反而更讓人看清它的本質——一個被訓練出的智能模型，而非真正的智能體。

一個有趣的例子：當被問“strawberry有幾個r”時，DeepSeek需要反復思考50秒才能給出正確答案。它能解決復雜問題，卻在簡單場景中暴露局限性。這是因為其依賴統計相關性，而不是因果邏輯。就像超市發現“尿布和啤酒銷量正相關”，AI能發現規律，卻無法理解背后是“爸爸們順手買酒”的因果鏈。”即便強如OpenAI，也在嘗試反思式推理（如GPT-4o的多路徑思考），但本質仍是數據驅動的優化。

近日，Meta首席AI科學家楊立昆（Yann LeCun）在2025年人工智能行動峰會上表示，AI需要理解物理世界，只有在這基礎上，AI才能真正接近人類智慧。

盡管當前的大模型在諸如通過律師資格考試、解決數學問題等任務上表現出色，但它們無法執行日常生活中的基本任務，如做家務。對于人工智能而言，許多看似簡單的動作，如洗碗或擦桌子，依然是無法解決的復雜問題。這些模型并未真正理解物理世界，只是通過模式識別和數據生成來模擬現象。

為進一步提升AI理解真實世界的能力，物理AI被提了出來，它使人工智能系統不僅能夠理解信息，還能在物理世界中進行操作，它結合了對物理現象的理解與智能決策能力，使得智能系統能夠靈活應對復雜情況。

物理AI賦予具身智能、自動駕駛更強的環境感知、理解和交互能力，使它們能夠更好地理解周圍環境，并根據物理規律做出相應的反應。例如，AI可以直接控制倉庫中的機器人進行貨物運輸，或是優化自動駕駛汽車的行駛策略。

從感知式AI、生成式AI，最終邁向物理AI，這一演變過程反映了人工智能技術不斷演進的軌跡。每個階段都承襲了前一階段人工智能發展的技術成果，使得機器不僅能夠“看”和“聽”，還能夠“理解”和“行動”。這種逐步演進為實現更高級別的通用人工智能（AGI）奠定了基礎，也為各行各業帶來了深遠影響。

AI與物理智能“雙螺旋上升”

傳統人工智能如同“缸中之腦”，雖能解方程、作詩詞，卻無法真正觸碰現實。物理AI的顛覆性在于：它將智能注入物理實體，讓機器具備“感知-決策-執行”的閉環能力。從自動駕駛車輛到智能電網，從柔性機器人到分子級制造設備，這些系統不再滿足于“理解世界”，而是執著于“改變世界”。

相比生成式AI處理的是一維或二維信息的輸入，如文字、圖片、音頻或視頻，并輸出相同類型的信息，物理AI需要從三維、甚至四維（包含時空）的角度理解信息，這與信息智能有本質的不同。

在輸入層面，物理AI系統可以從許多工具中獲取輸入，比如攝像頭、慣性傳感器、雷達和激光雷達，處理的是感知和理解世界的數據，包括視覺和觸覺等感官信息，并且能夠直接從傳感器數據中學習和理解環境，讓人工智能從單純的感知、生成，進階到能夠進行推理、規劃與行動。

在輸出層面，物理AI生成的是TSD數據，即時間（T）序列（S）數據，這種數據可以直接用于控制具身智能，賦予其一個能在現實物理規則下靈活運轉的“大腦”。

此外，生成式AI和物理AI在產品形態和應用場景也有所不同。生成式AI不受時間影響，不需要實時反饋，例如ChatGPT中有些信息可能只更新到去年9月。而物理AI系統必須實時處理輸入信息，需要實時感知和推理環境，以確保具身智能能夠及時響應。

目前，大多數物理AI系統還只能處理特定任務或小環境，并且效果參差不齊。落地上，一個目前很火的例子是宇樹科技的四足機器狗，可以爬山涉水，還可以用一連套高難度的體操動作亮相，包括原地旋轉兩周接倒立旋轉三周半，以及一套流暢的托馬斯全旋、側空翻和360度跳躍轉體等。

如同大模型革新了生成式AI一樣，物理AI成為具身智能、自動駕駛等領域進入新階段的“鑰匙”。

首先，大模型“上車”難題將得到很好解決。

目前，大模型在汽車領域的應用主要體現在兩個方面：一是智能座艙，二是自動駕駛。前者跟大模型技術有著天然的契合度，因為當前的智能座艙更側重于娛樂和交互功能，這與大模型的語言處理能力非常相符，難點在于后者。

對于自動駕駛而言，如何在復雜動態的交通環境中實現高效、安全的車輛控制成為一大核心難題。現有的自動駕駛系統普遍缺乏多智能體協作能力、高效決策與解釋能力，在面對復雜交通環境時，難以有效理解周圍交通參與者的行為和意圖。

第二是數據。在自動駕駛領域，大模型需要“喂”大量的真實世界數據進行訓練，讓它更擬人。所以如何讓這些數據更好地服務大模型做訓練，這是目前普遍車企面臨的另一個難點。

其次，人形機器人加速邁向“ChatGPT時刻”。

去年，人工智能機器人初創公司Figure AI發布Figure 02時，就曾引發市場高度關注。Figure 02在大腦上，集成了OpenAI的GPT-4o多模態大模型，使其能夠更好地理解和響應復雜指令。

多模態大模型不僅是技術的簡單疊加，而是推動物理AI向前發展的重要技術支撐。大模型能力的本質是對信息的壓縮與二次處理，多模態大模型擴大了信息輸入模態，提升了模型能力天花板。

多模態大模型技術路徑是從圖像-語言模態融合再到三種以上模態的融合。語言模態的訓練賦予了模型邏輯思維能力與信息生成能力；視覺模態的信息流密度較高，也與現實世界更貼切，可以大幅度拓展應用場景，因此成為多模態技術的首選信息載體。在此基礎上，模型可以繼續發展動作、聲音、觸覺等不同模態，以應對更加復雜的場景。

多模態大模型的核心優勢在于卓越的信息融合能力。通過對不同模態數據的同步處理與深度整合，模型能夠挖掘出跨模態信息之間的內在關聯，從而生成更全面、準確且富有洞察力的理解與回應。

例如，在圖像描述生成任務中，模型可以結合圖像中的視覺元素與相關文本描述，生成精準且流暢的自然語言描述，讓機器不僅能“看到”圖像內容，更能以人類可理解的語言“講述”其中的故事，因此更能滿足機器在物理世界中廣泛應用的需求。

通往AGI的新型網絡基礎設施

物理AI的崛起，正在將人工智能發展推向一個臨界點：我們能否構建一張足夠智慧、堅韌且包容的網絡，既釋放技術的全部潛力，又守護技術的核心價值？這不僅是工程師的挑戰，更是全社會的共同課題。

物理世界的運行法則遠比數字空間殘酷：決策偏差導致的不是程序報錯，而是血淋淋的交通事故；模型推理需要的不是概率優化，而是毫秒級的精準控制。車路云網絡作為智能體與實體世界實時交互的AI網絡，正是打破這層玻璃的關鍵鑰匙，其通過大規模部署路側感知單元、每秒處理海量數據的邊緣計算節點，以及覆蓋城市道路的網絡，將數字智能注入物理世界的毛細血管。

這個龐大網絡的技術內核在于“通感算一體化”架構的突破。通信光纖如同神經系統傳遞著每輛汽車0.1秒內的加速度變化，激光雷達陣列如同視覺神經捕捉著200米外行人的步態特征，云端超算集群則在時空維度編織著城市交通的數字孿生。

當暴雨導致某路口能見度驟降時，路側基站能在百毫秒內完成對車道行駛軌跡的預測，并通過車路云網絡向800米范圍內的車輛發送分級制動指令，賦予自動駕駛車輛實現超越人類反應極限的群體決策能力。

虛實融合的AI網絡正在重構技術演進的底層邏輯。車路云架構將70%的感知計算任務轉移至路側設備后，車輛只需保留基礎算力模塊，如同普通駕駛者借助智能交通系統獲得“上帝視角”，相當于用市政設施的群體智能彌補了單車感知的物理局限。

更深層的變革發生在模型和算法層面。數字世界AI可以承受99%的準確率，但控制剎車系統的模型容錯率必須是六個九。車路云網絡通過數字孿生技術，將現實路網克隆為可無限試錯的虛擬沙盤。這種虛實閉環的進化機制，讓人工智能在應對電動自行車突然變道時，能像三十年駕齡的老司機般預判軌跡，卻又不受人類駕駛員的情緒干擾。

在車路云網絡中，車輛不僅僅是信息的接收者，它同時也是信息的生產者。每一輛車的傳感器、攝像頭和其他設備所收集到的數據，都會實時傳輸到云端。這些數據不僅幫助優化當前車輛的駕駛決策，還會反向影響整個智能交通系統的運行，通過共享信息，多個車輛和交通管理系統可以形成協同感知，從而提升整體道路的安全性和流暢度。

站在技術演進的維度觀察，車路云網絡的價值遠不止于交通效率的提升。它證明了一個更具普適性的范式：當AI突破數字世界的邊界，其進化軌跡必然要與物理實體深度融合。

這種融合不是簡單的控制與被控制，而是通過持續的環境交互形成自主演化能力。就像生物神經系統的進化史，從單細胞生物的應激反應到人類大腦的復雜認知，智能的躍升永遠伴隨著與真實世界互動維度的拓展。

物理AI的覺醒，昭示著智能革命的拐點時刻已經到來。當城市化作流動的神經網絡，每個機器人、每輛汽車都可以成為自主決策的智能體。就像DeepSeek創始人梁文峰所言：“AI 的未來不在于取代人類，而應該像水電一樣成為基礎設施，讓每個人都能享受到科技帶來的便利。”

實驗室里的機械臂正在學習預測咖啡杯滑落前的震顫頻率，氣象AI系統同步調整著風力發電機的葉片角度。這些看似碎片化的技術突破，實則在編織覆蓋全球的智能協同網絡。當這個網絡達到臨界規模時，或許我們終將理解圖靈在1950年提出的那個終極問題：機器能否思考？答案可能藏在機器與物理世界持續對話時產生的電光石火之中。