物理AI時代來臨：仿真先行、雲端訓練到端側部署，具身智能機器人邁向高效落地

IDC在其最新報告《物理AI時代來臨：仿真先行、雲端訓練到端側部署，具身智能機器人邁向高效落地》中指出，隨着AI技術不斷深入機器人、自動駕駛車輛等自主機器實體系統，物理AI（Physical AI）應運而生。物理AI的核心價值在於賦予自主機器在真實物理世界中實現“感知—理解—執行”閉環能力，是人工智能從虛擬智能向具身智能演進的關鍵橋樑。

物理AI是指使用人工智能技術對現實世界進行理解、推理、規劃並與之交互的模型，它們通常封裝在機器人或自動駕駛汽車等自主機器中。

物理AI時代來臨——新的市場發展和動力

物理交互需求驅動物理AI發展。隨着機器人和無人系統在製造、醫療、物流等領域普及，用戶對其智能化提出更高要求，不僅需識別理解，還要能在真實環境中穩定感知、決策與執行。這種對物理世界中類人感知+自主決策+精準執行能力的迫切需求，正成爲推動物理AI發展的核心动力，驅動機器人邁向具身智能機器人。

AI技術演進加速賦能物理實體。從視覺感知模型到決策控制算法，從大規模預訓練模型到強化學習框架，AI正在爲機器人、自動駕駛等系統注入更強的自主學習與任務執行能力。

物理AI的三大挑戰與三大計算平臺支撐

物理AI在機器人、汽車等自主智能設備中的具身化應用，當前仍面臨三大技術挑戰：

挑戰 描述
具身模型泛化能力不足 模型需突破環境、任務和硬件本體的泛化限制，才能在複雜多變的現實場景中穩定感知與執行。
數據稀缺與高成本 訓練具身模型需要大量高質量、多模態數據，但現實環境數據採集昂貴且難以覆蓋極端“長尾場景”。
嵌入式端側部署受限 端側算力、功耗和體積限制使得具身模型難以高效運行，實現實時感知—決策—執行閉環存在挑戰。

爲應對上述挑戰，完善的計算架構成爲實現具身智能落地的核心支撐。當前，三大計算平臺在物理AI發展中發揮着協同作用，從模型訓練到應用部署，確保自主智能體能夠在複雜動態的現實環境中高效感知、決策與執行：

計算平臺 功能
認知訓練平臺 提供強大的算力支持，通過多模態感知與複雜決策訓練，面向具身智能模型的感知、理解與決策能力統一構建與持續優化。
虛擬仿真平臺 基於專業視覺計算資源，融合高精度物理引擎與數字孿生技術生成逼真、可復現的訓練數據，低成本優化操作與導航技能，並通過軟件在環(SIL)驗證控制邏輯。
實時部署平臺 依託高性能推理計算資源，將訓練完成的具身模型高效運行於端側自主設備，實現實時“感知—決策—執行”閉環，同時產生的數據反哺訓練體系，形成持續優化循環。

未來展望：具身智能機器人加速發展。隨着物理AI及三大計算平臺的持續成熟，具身智能機器人正成爲物理AI時代機器人演進的核心方向，其應用落地進程不斷加快，前景愈加廣闊。IDC預測，到2029年，全球機器人市場規模將突破4,000億美元，具身智能機器人將成爲關鍵形態，市場佔比預計超過30%，引領機器人向通用化與自主化的高階階段演進。

IDC中國新興技術研究部研究經理李君蘭表示，物理AI在機器人領域的落地將依託“三大計算平臺”，沿“仿真先行-雲端訓練-端側部署”路徑加速推進。虛擬仿真計算資源通過完善的仿真平臺與世界模型，爲機器人提供低成本高復現的仿真數據和訓練場。認知訓練計算依託雲端可擴展的算力資源，加速具身智能大模型的泛化訓練。同時，實時部署計算聚焦端側計算需求與資源利用效率，推動具身智能大模型在本體中實現感知-執行閉環與數據反饋的統一。