搜索引擎 + AI 驱动的行业新闻
【覆盖行业】
信保 ｜出口 ｜金融
制造 ｜农业 ｜建筑 ｜地产
零售 ｜物流 ｜数智
【访问入口】
hangyexinwen.com
【新闻分享】
点击发布时间即可分享
【联系我们】
xinbaoren.com
（微信内打开提交表单）
【覆盖行业】
信保 ｜出口 ｜金融
制造 ｜农业 ｜建筑 ｜地产
零售 ｜物流 ｜数智
【访问入口】
hangyexinwen.com
【新闻分享】
点击发布时间即可分享
【联系我们】
xinbaoren.com
（微信内打开提交表单）
📰 飞渡科技何文武：空间智能“下半场”，比的是理解、推演和决策-钛媒体官方网站
在对话中，飞渡科技董事长何文武明确提出空间智能的核心是让AI理解并落地物理世界，而非停留在数字孪生的展示阶段。他强调底层引擎、数据治理、标准制定和国产化适配是地基，真正的价值在于模型能够接入真实数据、理解对象关系并进行计算与推演，从而在真实场景中给出可验证、可决策的结果。与以Atlas为代表的生成型世界模型不同，飞渡强调“上下游”关系：仿真世界的高质量、物理规律的遵循以及真实数据的持续反馈，才使模型在决策回路中落地执行。公司已积累PB级工程数据，接入百余种异构数据，目标是把空间智能打造成连接基础模型与行业能力的底座，最终实现“地球API化”和真实物理世界的AGI愿景。未来五年，若能持续进入真实生产系统、接入真实数据并遵循物理与行业规则，飞渡希望成为让AI在物理世界行动的基础设施提供者。
🏷️ #空间智能 #物理世界 #数据治理 #真实数据 #决策回路
🔗 原文链接
📰 飞渡科技何文武：空间智能“下半场”，比的是理解、推演和决策-钛媒体官方网站
在对话中，飞渡科技董事长何文武明确提出空间智能的核心是让AI理解并落地物理世界，而非停留在数字孪生的展示阶段。他强调底层引擎、数据治理、标准制定和国产化适配是地基，真正的价值在于模型能够接入真实数据、理解对象关系并进行计算与推演，从而在真实场景中给出可验证、可决策的结果。与以Atlas为代表的生成型世界模型不同，飞渡强调“上下游”关系：仿真世界的高质量、物理规律的遵循以及真实数据的持续反馈，才使模型在决策回路中落地执行。公司已积累PB级工程数据，接入百余种异构数据，目标是把空间智能打造成连接基础模型与行业能力的底座，最终实现“地球API化”和真实物理世界的AGI愿景。未来五年，若能持续进入真实生产系统、接入真实数据并遵循物理与行业规则，飞渡希望成为让AI在物理世界行动的基础设施提供者。
🏷️ #空间智能 #物理世界 #数据治理 #真实数据 #决策回路
🔗 原文链接
📰 松应科技：物理AI驱动具身智能进化，从高保真仿真到真机部署-汽车资讯-盖世汽车社区
松应科技通过自主研发的物理AI操作系统，构建连接算力与模型的产业中间层，解决具身智能落地的三大瓶颈：数据供给鸿沟、多机协同与核心技术自主性。系统以高保真物理仿真、实时渲染、合成数据与训练框架等为核心，实现从示教、仿真训练到真机部署的闭环，降低现场落地成本并提升交付确定性。通过多源数据接入、场景重建与物理属性赋予，将场景与任务沉淀为可复用的数字资产与原子技能，提升仿真训练与实际部署的衔接效率。为促进生态建设，松应科技发布ORCA Lab开源版本，简化场景搭建，支持多机协同训练与多形态机器人在统一数字场景下协作，并通过赛事、教育合作与产业基金等方式培育应用工程师与生态伙伴。未来将继续完善多物理场仿真与国产算力适配，推动数字训练场在工业场景的规模化落地，同时应对仿真-现实差距、数据合规与供应链自主可控等挑战。
🏷️ #物理AI #仿真 #多机协同 #开源 #国产算力
🔗 原文链接
📰 松应科技：物理AI驱动具身智能进化，从高保真仿真到真机部署-汽车资讯-盖世汽车社区
松应科技通过自主研发的物理AI操作系统，构建连接算力与模型的产业中间层，解决具身智能落地的三大瓶颈：数据供给鸿沟、多机协同与核心技术自主性。系统以高保真物理仿真、实时渲染、合成数据与训练框架等为核心，实现从示教、仿真训练到真机部署的闭环，降低现场落地成本并提升交付确定性。通过多源数据接入、场景重建与物理属性赋予，将场景与任务沉淀为可复用的数字资产与原子技能，提升仿真训练与实际部署的衔接效率。为促进生态建设，松应科技发布ORCA Lab开源版本，简化场景搭建，支持多机协同训练与多形态机器人在统一数字场景下协作，并通过赛事、教育合作与产业基金等方式培育应用工程师与生态伙伴。未来将继续完善多物理场仿真与国产算力适配，推动数字训练场在工业场景的规模化落地，同时应对仿真-现实差距、数据合规与供应链自主可控等挑战。
🏷️ #物理AI #仿真 #多机协同 #开源 #国产算力
🔗 原文链接
📰 头豹研究院:《计算机-中国物理AI厂商全景报告》-发现报告
本报告梳理了中国物理AI的发展现状、核心能力与产业生态，并展望未来三阶段演进。物理AI以“感知—决策—验证—执行—反馈”的五维闭环为核心，通过世界模型、策略模型与仿真/数字孪生等技术基石，在真实物理世界实现可验证、可控、可持续运行的自主行动。与生成式AI和代理式AI不同，物理AI的目标是将智能能力落地到机器人、智能驾驶、工业设备等实体载体中，形成对环境的直接影响与责任承担。市场层面，中国物理AI规模预计从2025年的385亿美元增至2035年的3375亿美元，十年翻八倍，全球份额与规模亦同步提升，显示出强劲的增长动能。推动因素包括制造业、汽车、机器人、城市治理等场景的扎实基础、算力与传感器/仿真平台的持续升级，以及政策在算力、数据要素、机器人和智能网联汽车领域的持续扶持。产业链呈现从上游算力与传感器、中游平台能力、到下游应用场景的完整生态，强调垂直整合与专业分工并行。未来落地重点在多模态感知、行业模型、仿真验证、边云协同与设备执行的真实场景闭环，首先在工业、安全用电与重点基础设施等高价值场景实现高效落地，并以工程交付能力沉淀可复制、可运维的智能系统。
🏷️ #物理AI #市场规模 #五维闭环 #仿真数字孪生 #产业生态
🔗 原文链接
📰 头豹研究院:《计算机-中国物理AI厂商全景报告》-发现报告
本报告梳理了中国物理AI的发展现状、核心能力与产业生态，并展望未来三阶段演进。物理AI以“感知—决策—验证—执行—反馈”的五维闭环为核心，通过世界模型、策略模型与仿真/数字孪生等技术基石，在真实物理世界实现可验证、可控、可持续运行的自主行动。与生成式AI和代理式AI不同，物理AI的目标是将智能能力落地到机器人、智能驾驶、工业设备等实体载体中，形成对环境的直接影响与责任承担。市场层面，中国物理AI规模预计从2025年的385亿美元增至2035年的3375亿美元，十年翻八倍，全球份额与规模亦同步提升，显示出强劲的增长动能。推动因素包括制造业、汽车、机器人、城市治理等场景的扎实基础、算力与传感器/仿真平台的持续升级，以及政策在算力、数据要素、机器人和智能网联汽车领域的持续扶持。产业链呈现从上游算力与传感器、中游平台能力、到下游应用场景的完整生态，强调垂直整合与专业分工并行。未来落地重点在多模态感知、行业模型、仿真验证、边云协同与设备执行的真实场景闭环，首先在工业、安全用电与重点基础设施等高价值场景实现高效落地，并以工程交付能力沉淀可复制、可运维的智能系统。
🏷️ #物理AI #市场规模 #五维闭环 #仿真数字孪生 #产业生态
🔗 原文链接
📰 埃洛克科技为具身智能搭建“预验证”的数字桥梁
2024 年被视为具身智能的启蒙年，2026 年行业进入对真实工况的落地考验阶段。文章聚焦埃洛克科技通过物理 AI 的“工程化底座”，搭建一个面向所有具身智能体的虚拟训练场，帮助在复杂环境中实现物理规律的正确性与推演能力。其核心在于以厘米级实景三维数据构建多物理场统一求解器，结合全国大规模实景语料库，能够在数字空间精准模拟刚体、柔体、流体与粒子耦合，进而在洪水、地形、建筑坍塌等场景中进行涉水路径规划、最优路径计算及次生灾害模拟，形成数据-仿真-执行的闭环。该模式强调先在虚拟环境验证，再落地执行，降低真实行动的试错成本，弥补传统数字孪生对因果逻辑与物理约束的不足。埃洛克以自研感知、仿真和执行三层全栈能力，推动数字防汛和具身智能的落地应用，成为“验证与交付”环节的先行者，致力于在数字世界先让智能体“百炼成钢”，再走上实战舞台。只有通过中试验证的通道，具身智能才能在公用领域实现真正落地。最终，埃洛克将自身定位为物理 AI 时代的基础设施，实现政府决策有据、产业落地更高效、世界模型加速产业化。
🏷️ #物理AI #数字孪生 #具身智能 #数字防汛 #中试验证
🔗 原文链接
📰 埃洛克科技为具身智能搭建“预验证”的数字桥梁
2024 年被视为具身智能的启蒙年，2026 年行业进入对真实工况的落地考验阶段。文章聚焦埃洛克科技通过物理 AI 的“工程化底座”，搭建一个面向所有具身智能体的虚拟训练场，帮助在复杂环境中实现物理规律的正确性与推演能力。其核心在于以厘米级实景三维数据构建多物理场统一求解器，结合全国大规模实景语料库，能够在数字空间精准模拟刚体、柔体、流体与粒子耦合，进而在洪水、地形、建筑坍塌等场景中进行涉水路径规划、最优路径计算及次生灾害模拟，形成数据-仿真-执行的闭环。该模式强调先在虚拟环境验证，再落地执行，降低真实行动的试错成本，弥补传统数字孪生对因果逻辑与物理约束的不足。埃洛克以自研感知、仿真和执行三层全栈能力，推动数字防汛和具身智能的落地应用，成为“验证与交付”环节的先行者，致力于在数字世界先让智能体“百炼成钢”，再走上实战舞台。只有通过中试验证的通道，具身智能才能在公用领域实现真正落地。最终，埃洛克将自身定位为物理 AI 时代的基础设施，实现政府决策有据、产业落地更高效、世界模型加速产业化。
🏷️ #物理AI #数字孪生 #具身智能 #数字防汛 #中试验证
🔗 原文链接
📰 凡拓数创2026中报解读：战略转向物理AI数据基座，传统业务收缩致营收下降27.80%
公司2026年上半年在战略层面完成了从“全栈软件平台”向“物理AI数据基座及解决方案提供商”的跃迁，将数据基座定位为新的核心锚点，并明确数据缺口是制约具身模型训练与世界模型落地的关键瓶颈。展馆类传统业务承压明显，导致营收下降，而AI 3D数字孪生产品及解决方案实现持续增长，成为当期转型的核心动力。管理层进一步将增长引擎的叙事聚焦到物理AI、数据服务等新业务线，并推动四大类数据输出能力的规模化落地。核心能力建设方面，研发投入显著攀升，2026年上半年研发投入占比约13.83%，以支撑物理仿真与数据训练的技术栈延伸。财务层面，毛利率有所改善，但亏损规模扩大，经营现金流恶化，资本运作节奏保持但有所放缓。风险认知从创新风险转向直接盈利能力与毛利波动的挑战，强调应收账款管理、成本优化与人力资源配置。综合来看，公司处于以物理AI数据基座为新增长点的转型期，2026年下半年需关注数据业务规模化、C端IP培养成效及应收账款回收对盈利的影响，以判断盈利拐点的到来。
🏷️ #物理AI #数据基座 #AI3D #数字孪生 #转型
🔗 原文链接
📰 凡拓数创2026中报解读：战略转向物理AI数据基座，传统业务收缩致营收下降27.80%
公司2026年上半年在战略层面完成了从“全栈软件平台”向“物理AI数据基座及解决方案提供商”的跃迁，将数据基座定位为新的核心锚点，并明确数据缺口是制约具身模型训练与世界模型落地的关键瓶颈。展馆类传统业务承压明显，导致营收下降，而AI 3D数字孪生产品及解决方案实现持续增长，成为当期转型的核心动力。管理层进一步将增长引擎的叙事聚焦到物理AI、数据服务等新业务线，并推动四大类数据输出能力的规模化落地。核心能力建设方面，研发投入显著攀升，2026年上半年研发投入占比约13.83%，以支撑物理仿真与数据训练的技术栈延伸。财务层面，毛利率有所改善，但亏损规模扩大，经营现金流恶化，资本运作节奏保持但有所放缓。风险认知从创新风险转向直接盈利能力与毛利波动的挑战，强调应收账款管理、成本优化与人力资源配置。综合来看，公司处于以物理AI数据基座为新增长点的转型期，2026年下半年需关注数据业务规模化、C端IP培养成效及应收账款回收对盈利的影响，以判断盈利拐点的到来。
🏷️ #物理AI #数据基座 #AI3D #数字孪生 #转型
🔗 原文链接
📰 埃洛克科技为具身智能搭建“预验证”的数字桥梁
2024年被视为具身智能的“启蒙年”，但进入2026年，行业进入分水岭：资本和客户不仅要看机器人“翻跟头”，还要在真实工况中“交作业”。一个核心命题浮现：缺乏物理常识的智能体，在不确定的真实世界如何应对，尤其面对极端天气时，洪水流向与道路断裂等问题更加棘手。埃洛克科技给出答案：不以本体为主，而是打造物理AI的工程化底座，提供一个物理规则正确、可无限推演、可沉淀经验的虚拟训练场，使具身智能体在数字防汛场景中得到落地性训练。数字孪生的本质因此从“看起来像”的可视化，转向具备因果逻辑的物理仿真。通过厘米级实景三维数据，埃洛克建立多物理场统一求解器，耦合刚体、柔体、流体与粒子，形成一个数字平行世界，覆盖全国大规模的实景数据。上游厂商提供机器人，埃洛克则教会它们“物理世界的规矩”，在数字空间结合实时水文数据进行洪水推演、路径规划和次生灾害模拟，形成数据-仿真-执行的闭环。全栈自研包括感知底座、物理仿真、具身执行三大层级，确保训练数据、仿真模型与实际执行的一致性，降低试错成本。未来的具身智能产业需要“中试验证”的通道，埃洛克不仅提供数字沙盘，更构建了从虚拟验证到真实交付的落地机制，成为物理AI时代的基础设施，使政府决策有据、产业落地高效、世界模型可量产。
🏷️ #物理AI #数字孪生 #具身智能 #防汛仿真 #中试验证
🔗 原文链接
📰 埃洛克科技为具身智能搭建“预验证”的数字桥梁
2024年被视为具身智能的“启蒙年”，但进入2026年，行业进入分水岭：资本和客户不仅要看机器人“翻跟头”，还要在真实工况中“交作业”。一个核心命题浮现：缺乏物理常识的智能体，在不确定的真实世界如何应对，尤其面对极端天气时，洪水流向与道路断裂等问题更加棘手。埃洛克科技给出答案：不以本体为主，而是打造物理AI的工程化底座，提供一个物理规则正确、可无限推演、可沉淀经验的虚拟训练场，使具身智能体在数字防汛场景中得到落地性训练。数字孪生的本质因此从“看起来像”的可视化，转向具备因果逻辑的物理仿真。通过厘米级实景三维数据，埃洛克建立多物理场统一求解器，耦合刚体、柔体、流体与粒子，形成一个数字平行世界，覆盖全国大规模的实景数据。上游厂商提供机器人，埃洛克则教会它们“物理世界的规矩”，在数字空间结合实时水文数据进行洪水推演、路径规划和次生灾害模拟，形成数据-仿真-执行的闭环。全栈自研包括感知底座、物理仿真、具身执行三大层级，确保训练数据、仿真模型与实际执行的一致性，降低试错成本。未来的具身智能产业需要“中试验证”的通道，埃洛克不仅提供数字沙盘，更构建了从虚拟验证到真实交付的落地机制，成为物理AI时代的基础设施，使政府决策有据、产业落地高效、世界模型可量产。
🏷️ #物理AI #数字孪生 #具身智能 #防汛仿真 #中试验证
🔗 原文链接
📰 计算机行业深度报告世界模型从“生成世界”到“控制世界”，物理AI打开工业软件与自动化重估空间 - 东吴证券 ｜ 发现报告
本文对“世界模型”及其在物理AI中的定位、技术路线、应用场景和投资趋势进行了系统梳理。世界模型被定义为智能体在行动前预演后果的内部模拟系统，需完成从多模态观测形成状态表征、预测未来状态以及比较路径以决策等三大基本职能；单纯的生成模型若缺乏动作输入与规划能力则不能视为完整世界模型。未来世界模型将呈现生成、潜空间动力学、物理仿真与因果结构的混合架构，并以机理边界、残差学习、实时数据校正与闭环控制实现融合。当前阶段的核心技术路线包括潜空间动力学、像素级视频、JEPA联合嵌入预测、显式物理/结构化模型和因果世界模型，各自解决数据、预测、精度与泛化等不同难点。物理AI的落地更倾向于高价值、半结构化场景，如流程工业、工程仿真、自动驾驶与仓储物流，强调数据回流、可量化的错误成本以及已有系统的对接能力。投资重点聚焦掌握数据、机理与控制闭环的企业，涉及流程自主运行、物理仿真/工程世界模型以及工业智能体与数字化主线，且行业展望在2026–2030年经历三轮价值迁移。通过融合边界模型、学习残差和实时校正，未来将从“生成世界”向“控制世界”演进，推动产业软件与自动化的新一轮重估。
🏷️ #世界模型 #物理AI #工业应用 #融合架构 #投资趋势
🔗 原文链接
📰 计算机行业深度报告世界模型从“生成世界”到“控制世界”，物理AI打开工业软件与自动化重估空间 - 东吴证券 ｜ 发现报告
本文对“世界模型”及其在物理AI中的定位、技术路线、应用场景和投资趋势进行了系统梳理。世界模型被定义为智能体在行动前预演后果的内部模拟系统，需完成从多模态观测形成状态表征、预测未来状态以及比较路径以决策等三大基本职能；单纯的生成模型若缺乏动作输入与规划能力则不能视为完整世界模型。未来世界模型将呈现生成、潜空间动力学、物理仿真与因果结构的混合架构，并以机理边界、残差学习、实时数据校正与闭环控制实现融合。当前阶段的核心技术路线包括潜空间动力学、像素级视频、JEPA联合嵌入预测、显式物理/结构化模型和因果世界模型，各自解决数据、预测、精度与泛化等不同难点。物理AI的落地更倾向于高价值、半结构化场景，如流程工业、工程仿真、自动驾驶与仓储物流，强调数据回流、可量化的错误成本以及已有系统的对接能力。投资重点聚焦掌握数据、机理与控制闭环的企业，涉及流程自主运行、物理仿真/工程世界模型以及工业智能体与数字化主线，且行业展望在2026–2030年经历三轮价值迁移。通过融合边界模型、学习残差和实时校正，未来将从“生成世界”向“控制世界”演进，推动产业软件与自动化的新一轮重估。
🏷️ #世界模型 #物理AI #工业应用 #融合架构 #投资趋势
🔗 原文链接
📰 [东吴证券]：汽车行业深度报告：AI系列深度21期：物理AI如何从架构借鉴走向模型迁移？ - 发现报告
本文围绕数字AI向物理AI迁移的路径与挑战进行梳理。物理AI以感知、决策与行动落地于真实三维空间为目标，落地场景以智能驾驶为代表。迁移经历两个阶段：首先在架构理念层面引入数字AI的注意力机制、矢量化表达等建模范式，形成VectorNet、BEV等统一空间表征；随后向模型层级直接迁移，如EMMA等端到端多模态模型，以及MindVLA、世界基座模型等车端VLA实践。这种迁移并非线性放大，越靠近物理闭环，直接迁移的红利越小，需要重新设计或再训练的部分增多。物理AI与数字AI的三大核心差异在于表征、数据与学习范式。物理世界的连续信号需要先被编码为可学习的三维表征，数字AI的离散文本与符号不同；高价值数据在物理场景中极为稀缺，世界模型被用来生成合成数据以扩充训练；学习范式方面，强化学习在高物理闭环任务中扮演关键角色，帮助超越模仿的局限。总之，数字AI提供底座能力与通用范式，物理AI则聚焦建立物理世界的可控闭环，并以智能驾驶为先导探索安全性与可验证性的发展路径。
🏷️ #物理AI #数字AI #迁移 #表征 #世界模型
🔗 原文链接
📰 [东吴证券]：汽车行业深度报告：AI系列深度21期：物理AI如何从架构借鉴走向模型迁移？ - 发现报告
本文围绕数字AI向物理AI迁移的路径与挑战进行梳理。物理AI以感知、决策与行动落地于真实三维空间为目标，落地场景以智能驾驶为代表。迁移经历两个阶段：首先在架构理念层面引入数字AI的注意力机制、矢量化表达等建模范式，形成VectorNet、BEV等统一空间表征；随后向模型层级直接迁移，如EMMA等端到端多模态模型，以及MindVLA、世界基座模型等车端VLA实践。这种迁移并非线性放大，越靠近物理闭环，直接迁移的红利越小，需要重新设计或再训练的部分增多。物理AI与数字AI的三大核心差异在于表征、数据与学习范式。物理世界的连续信号需要先被编码为可学习的三维表征，数字AI的离散文本与符号不同；高价值数据在物理场景中极为稀缺，世界模型被用来生成合成数据以扩充训练；学习范式方面，强化学习在高物理闭环任务中扮演关键角色，帮助超越模仿的局限。总之，数字AI提供底座能力与通用范式，物理AI则聚焦建立物理世界的可控闭环，并以智能驾驶为先导探索安全性与可验证性的发展路径。
🏷️ #物理AI #数字AI #迁移 #表征 #世界模型
🔗 原文链接
📰 [东吴证券]：汽车行业深度报告：AI系列深度20期：如何看物理场景中数字AI的能力边界？ - 发现报告
本文系统阐述了数字AI与物理AI在现阶段的关系与发展路径，提出“承接—分化—融合”的长期协同演进观。随着应用场景从信息空间逐步进入真实物理世界，数字AI的理解与规划能力需在同一系统中与物理AI的感知、动作及安全闭环协同放大，从而实现持续的协同演进。场景按物理闭环程度形成连续谱，越靠近信息空间越以语义、知识和软件状态为主，越靠近物理世界越强调实时感知、运动控制与安全闭环的要求，数字AI的独立闭环充分性随之下降，物理AI专用技术栈的必要性上升。两类系统在技术路径上共享底座如Transformer，但目标对象、训练目标与闭环要求不同：数字AI聚焦信息空间的文本、知识、逻辑与软件操作，通过大规模数据、指令对齐与工具调用实现任务；物理AI面向真实或仿真物理世界，需处理传感器数据、状态表示、动作生成、规划、控制与反馈闭环，确保实时性与安全。能力迁移呈现分层特征：低物理闭环场景数字AI可直接完成主要任务；中段场景需要物理引擎与场景建模的支撑；高物理闭环场景则需专用技术补足状态维护、实时控制与安全验证。结论强调物理AI将与数字AI协同演进并在长期实现融合，形成完整智能系统，但仍需警惕技术迭代、资本与市场风险等不确定性。
🏷️ #AI发展 #数字AI #物理AI #连续谱 #场景迁移
🔗 原文链接
📰 [东吴证券]：汽车行业深度报告：AI系列深度20期：如何看物理场景中数字AI的能力边界？ - 发现报告
本文系统阐述了数字AI与物理AI在现阶段的关系与发展路径，提出“承接—分化—融合”的长期协同演进观。随着应用场景从信息空间逐步进入真实物理世界，数字AI的理解与规划能力需在同一系统中与物理AI的感知、动作及安全闭环协同放大，从而实现持续的协同演进。场景按物理闭环程度形成连续谱，越靠近信息空间越以语义、知识和软件状态为主，越靠近物理世界越强调实时感知、运动控制与安全闭环的要求，数字AI的独立闭环充分性随之下降，物理AI专用技术栈的必要性上升。两类系统在技术路径上共享底座如Transformer，但目标对象、训练目标与闭环要求不同：数字AI聚焦信息空间的文本、知识、逻辑与软件操作，通过大规模数据、指令对齐与工具调用实现任务；物理AI面向真实或仿真物理世界，需处理传感器数据、状态表示、动作生成、规划、控制与反馈闭环，确保实时性与安全。能力迁移呈现分层特征：低物理闭环场景数字AI可直接完成主要任务；中段场景需要物理引擎与场景建模的支撑；高物理闭环场景则需专用技术补足状态维护、实时控制与安全验证。结论强调物理AI将与数字AI协同演进并在长期实现融合，形成完整智能系统，但仍需警惕技术迭代、资本与市场风险等不确定性。
🏷️ #AI发展 #数字AI #物理AI #连续谱 #场景迁移
🔗 原文链接
📰 [东吴证券]：汽车行业深度报告：AI系列深度23期：智能驾驶的表征演进 - 发现报告
物理AI与数字AI的根本差异在于表征获取方式。物理世界输入缺乏天然通用的token化方案，需要先构建三维物理空间的可学习表征，才能进入规划、控制和行动。以智能驾驶为例，其表征演进可概括为五个阶段：原始像素、BEV/VectorNet、Occupancy、multimodal Token和潜在状态。原始像素端到端简单但缺乏结构约束；BEV+Transformer与矢量化VectorNet是同等级的两条并行路线，前者将多摄像头信息统一到鸟瞰三维空间，后者将道路与参与者抽象成数学对象；Occupancy关切空间占据而非仅识别类别；多模态Token连接视觉、语言与动作；潜在状态把世界压缩成可预测的潜在空间。物理AI的tokenizer本质是重型编码网络，离散化与嵌入非预先给定，而是通过网络学习获得，因此工程门槛高于数字AI。当前公司路径虽各有侧重，但共同趋势是从目标级识别走向空间级理解，再走向潜在状态预测；多种表征将长期共存，服务于感知、预测、仿真和规划的不同层次需求。世界模型或成为关键手段，在自监督环境下预测未来状态、生成场景以形成统一的物理表征，进而提升在无标注情境中的学习效果。竞争壁垒正由单点感知提升到将物理世界嵌入可预测的潜在空间。整体看，物理AI将成为对物理世界的AI解决方案，智能驾驶作为闭环最先落地的场景，应成为重点关注方向。
🏷️ #物理AI #表征演进 #智能驾驶 #世界模型 #潜在状态
🔗 原文链接
📰 [东吴证券]：汽车行业深度报告：AI系列深度23期：智能驾驶的表征演进 - 发现报告
物理AI与数字AI的根本差异在于表征获取方式。物理世界输入缺乏天然通用的token化方案，需要先构建三维物理空间的可学习表征，才能进入规划、控制和行动。以智能驾驶为例，其表征演进可概括为五个阶段：原始像素、BEV/VectorNet、Occupancy、multimodal Token和潜在状态。原始像素端到端简单但缺乏结构约束；BEV+Transformer与矢量化VectorNet是同等级的两条并行路线，前者将多摄像头信息统一到鸟瞰三维空间，后者将道路与参与者抽象成数学对象；Occupancy关切空间占据而非仅识别类别；多模态Token连接视觉、语言与动作；潜在状态把世界压缩成可预测的潜在空间。物理AI的tokenizer本质是重型编码网络，离散化与嵌入非预先给定，而是通过网络学习获得，因此工程门槛高于数字AI。当前公司路径虽各有侧重，但共同趋势是从目标级识别走向空间级理解，再走向潜在状态预测；多种表征将长期共存，服务于感知、预测、仿真和规划的不同层次需求。世界模型或成为关键手段，在自监督环境下预测未来状态、生成场景以形成统一的物理表征，进而提升在无标注情境中的学习效果。竞争壁垒正由单点感知提升到将物理世界嵌入可预测的潜在空间。整体看，物理AI将成为对物理世界的AI解决方案，智能驾驶作为闭环最先落地的场景，应成为重点关注方向。
🏷️ #物理AI #表征演进 #智能驾驶 #世界模型 #潜在状态
🔗 原文链接
📰 物理AI重塑智驾-钛媒体官方网站
2026年被称为物理AI元年，智能驾驶正从数字AI向物理AI跃迁，技术路线从模仿走向超越，行业进入新发展阶段。文章梳理了从早期模块化、规则算法到端到端、再到VLA（视觉-语言-行动）与世界模型的演进，强调端到端解决了黑箱问题，但在可解释性与追溯性上仍存挑战，因此业界转向VLA+世界模型的深度融合，以实现对环境的理解与对物理世界的预测。特斯拉的FSD V14、西云等新版本推动了两大路径的融合成为主流趋势：以WA（World-Action）为核心的世界模型、以VLA提升语义理解，两者相辅相成，形成更具物理感知与决策执行的一体化系统。未来五年行业将以底座模型为核心，谁掌握对物理世界的理解与行动能力，谁就掌握价值链主导权。尽管全球领先企业都在加速算力与数据积累，真正的物理AI自动驾驶仍需大量真实世界数据与高算力支持，距离完全的终极形态尚有距离。
🏷️ #物理AI #自动驾驶 #VLA #世界模型 #端到端
🔗 原文链接
📰 物理AI重塑智驾-钛媒体官方网站
2026年被称为物理AI元年，智能驾驶正从数字AI向物理AI跃迁，技术路线从模仿走向超越，行业进入新发展阶段。文章梳理了从早期模块化、规则算法到端到端、再到VLA（视觉-语言-行动）与世界模型的演进，强调端到端解决了黑箱问题，但在可解释性与追溯性上仍存挑战，因此业界转向VLA+世界模型的深度融合，以实现对环境的理解与对物理世界的预测。特斯拉的FSD V14、西云等新版本推动了两大路径的融合成为主流趋势：以WA（World-Action）为核心的世界模型、以VLA提升语义理解，两者相辅相成，形成更具物理感知与决策执行的一体化系统。未来五年行业将以底座模型为核心，谁掌握对物理世界的理解与行动能力，谁就掌握价值链主导权。尽管全球领先企业都在加速算力与数据积累，真正的物理AI自动驾驶仍需大量真实世界数据与高算力支持，距离完全的终极形态尚有距离。
🏷️ #物理AI #自动驾驶 #VLA #世界模型 #端到端
🔗 原文链接
📰 物理 AI 如何成为下一个前沿？
Applied Intuition 的联合创始人兼 CTO Peter Ludwig 在 a16z 访谈中对物理 AI 与数字 AI 的本质差异、开发工具短板以及自动驾驶商业化落地的现实障碍进行了系统梳理。文章指出，物理 AI 面向实体设备的数据获取困难、因安全要求高而具备更严的容错标准，以及地缘监管导致的全球化落地成本显著高于数字 AI。以矿场、港口、农田等真实场景为例，数据多通过自建车队采集并结合合成仿真来弥补稀缺性；同时设备故障的潜在风险远高于软件漏洞，需完善的容错与运行逻辑使其安全性要求更高。全球扩张还要应对各国法规差异，意味着进入新市场需本地化部署与数据合规，成本与门槛大幅提升。对于开发工具，物理 AI 的数据采集、模型训练、仿真与部署等环节当前尚缺乏高效衔接的统一工具链，制约了开发效率和落地速度。总之，物理 AI 在工程落地与商业化推进上虽具潜力，但要克服数据、安全与监管等现实约束，才能在行业中获得更广泛的应用与竞争力。
🏷️ #物理AI #数字AI #数据获取 #监管 #自动驾驶
🔗 原文链接
📰 物理 AI 如何成为下一个前沿？
Applied Intuition 的联合创始人兼 CTO Peter Ludwig 在 a16z 访谈中对物理 AI 与数字 AI 的本质差异、开发工具短板以及自动驾驶商业化落地的现实障碍进行了系统梳理。文章指出，物理 AI 面向实体设备的数据获取困难、因安全要求高而具备更严的容错标准，以及地缘监管导致的全球化落地成本显著高于数字 AI。以矿场、港口、农田等真实场景为例，数据多通过自建车队采集并结合合成仿真来弥补稀缺性；同时设备故障的潜在风险远高于软件漏洞，需完善的容错与运行逻辑使其安全性要求更高。全球扩张还要应对各国法规差异，意味着进入新市场需本地化部署与数据合规，成本与门槛大幅提升。对于开发工具，物理 AI 的数据采集、模型训练、仿真与部署等环节当前尚缺乏高效衔接的统一工具链，制约了开发效率和落地速度。总之，物理 AI 在工程落地与商业化推进上虽具潜力，但要克服数据、安全与监管等现实约束，才能在行业中获得更广泛的应用与竞争力。
🏷️ #物理AI #数字AI #数据获取 #监管 #自动驾驶
🔗 原文链接
📰 [东吴证券]：汽车行业深度报告：AI系列深度01期：从数字AI通用底座到物理AI真实世界闭环 - 发现报告
数字AI已在语言、视觉与多模态任务中实现通用底座，但难以直接完成对物理世界的建模与闭环。物理AI将通过“感知—行动—反馈—优化”的连续、实时与安全约束下的闭环，逐步与数字AI并列成为实际场景的解法。两者在技术源头上存在共性，因此回顾数字AI的发展脉络有助于预测物理AI的演进路径。早期以CNN、RNN为代表的专用架构推动AI第一次爆发，随后Transformer凭借注意力机制与规模效应成为跨领域通用底座，促成语言、视觉及多模态的统一模型趋势。当前物理AI面临三大差异：缺乏天然Token需自建物理表征、极端场景稀缺且采集成本高、模仿学习受限于人类驾驶上限需靠强化学习持续试错，因此世界模型被认为更贴合物理AI的发展方向。随着世界模型与强化学习闭环的成熟，以及云端到车端的落地部署，物理AI有望从展示能力走向大规模应用，成为当前阶段最具成长弹性的方向。
🏷️ #物理AI #数字AI #世界模型 #强化学习 #统一底座
🔗 原文链接
📰 [东吴证券]：汽车行业深度报告：AI系列深度01期：从数字AI通用底座到物理AI真实世界闭环 - 发现报告
数字AI已在语言、视觉与多模态任务中实现通用底座，但难以直接完成对物理世界的建模与闭环。物理AI将通过“感知—行动—反馈—优化”的连续、实时与安全约束下的闭环，逐步与数字AI并列成为实际场景的解法。两者在技术源头上存在共性，因此回顾数字AI的发展脉络有助于预测物理AI的演进路径。早期以CNN、RNN为代表的专用架构推动AI第一次爆发，随后Transformer凭借注意力机制与规模效应成为跨领域通用底座，促成语言、视觉及多模态的统一模型趋势。当前物理AI面临三大差异：缺乏天然Token需自建物理表征、极端场景稀缺且采集成本高、模仿学习受限于人类驾驶上限需靠强化学习持续试错，因此世界模型被认为更贴合物理AI的发展方向。随着世界模型与强化学习闭环的成熟，以及云端到车端的落地部署，物理AI有望从展示能力走向大规模应用，成为当前阶段最具成长弹性的方向。
🏷️ #物理AI #数字AI #世界模型 #强化学习 #统一底座
🔗 原文链接
📰 京东押注物理 AI，打通数字到物理世界的链路-钛媒体官方网站
在2026年的WAIC展会上，京东明确将展陈重心从数字服务转向物理世界，聚焦AI进入物理世界的落地路径。通过JoyAI大模型矩阵、具身数据全链路基础设施，以及面向家庭场景的JoyInside AI Home，京东展示了从入口到中间层再到具身智能的三层级架构：数字智能、附身智能和通用具身智能，强调在基础模型之上逐步演进，推动AI在家庭多设备、多场景下的协同响应与自主动作。JoyInside向合作品牌免费开放ASR、TTS和大模型交互能力，硬件端仅产生模组增量成本，京东零售渠道提供新品首发和售后支撑，形成“技术免费+渠道绑定”的商业模式。京东计划在两年内积累千万小时高质量具身数据，打造数据闭环以支撑模型迭代与真机验证，强调真实数据的重要性与数据质量的端到端要求。尽管具身智能尚未出现GPT-3级别的突破，行业仍在通过数据、仿真、真机三者结合提升泛化能力；硬件规模化与生态开放将成为未来竞争的关键。京东的优势在于真实的零售与物流场景数据，但在机器人制造方面仍需与专业厂商合作，未来目标是成为物理世界运营公司，推动数据、模型、算力与硬件协同发展。
🏷️ #人工智能 #物理世界 #具身智能 #JoyInside #数据闭环
🔗 原文链接
📰 京东押注物理 AI，打通数字到物理世界的链路-钛媒体官方网站
在2026年的WAIC展会上，京东明确将展陈重心从数字服务转向物理世界，聚焦AI进入物理世界的落地路径。通过JoyAI大模型矩阵、具身数据全链路基础设施，以及面向家庭场景的JoyInside AI Home，京东展示了从入口到中间层再到具身智能的三层级架构：数字智能、附身智能和通用具身智能，强调在基础模型之上逐步演进，推动AI在家庭多设备、多场景下的协同响应与自主动作。JoyInside向合作品牌免费开放ASR、TTS和大模型交互能力，硬件端仅产生模组增量成本，京东零售渠道提供新品首发和售后支撑，形成“技术免费+渠道绑定”的商业模式。京东计划在两年内积累千万小时高质量具身数据，打造数据闭环以支撑模型迭代与真机验证，强调真实数据的重要性与数据质量的端到端要求。尽管具身智能尚未出现GPT-3级别的突破，行业仍在通过数据、仿真、真机三者结合提升泛化能力；硬件规模化与生态开放将成为未来竞争的关键。京东的优势在于真实的零售与物流场景数据，但在机器人制造方面仍需与专业厂商合作，未来目标是成为物理世界运营公司，推动数据、模型、算力与硬件协同发展。
🏷️ #人工智能 #物理世界 #具身智能 #JoyInside #数据闭环
🔗 原文链接
📰 物理AI浪潮下：自动驾驶务实前行，商业化落地才是核心王道-人工智能-ITBear科技资讯
人工智能领域正在经历从单一数字AI向物理AI的转型，后者以世界模型和具身智能为核心，正在从实验室走向产业应用。物理AI通过构建三维空间感知系统，突破虚拟信息边界，形成感知-推理-决策-执行的闭环，应用前景覆盖自动驾驶、工业机器人、低空物流等领域，预计五年内市场规模将达到万亿美元级别。技术突破与资本双轮驱动下，物理AI商业化进程加速，2026年初全球融资同比增长显著，通用仿真平台和数字孪生被广泛部署，城市自动驾驶、工业机器人自主决策等能力显著提升。行业进入新阶段的共识要求企业具备可迁移的通用物理模型、硬件与软件的深度融合及跨行业的技术复用能力，形成可持续商业模式。当前头部企业在量产与盈利能力上具备更强的定价与利润空间，但部分公司仍受限于场景化架构，尚需扩大应用边界与自主控制体系。综上，物理AI的发展需要在提升通用性与落地商业化之间找到平衡，未来将逐步模糊与自动驾驶的边界，但短期核心仍是稳健的商业化能力与垂直领域深耕。
🏷️ #物理AI #自动驾驶 #世界模型 #数字孪生 #商业化
🔗 原文链接
📰 物理AI浪潮下：自动驾驶务实前行，商业化落地才是核心王道-人工智能-ITBear科技资讯
人工智能领域正在经历从单一数字AI向物理AI的转型，后者以世界模型和具身智能为核心，正在从实验室走向产业应用。物理AI通过构建三维空间感知系统，突破虚拟信息边界，形成感知-推理-决策-执行的闭环，应用前景覆盖自动驾驶、工业机器人、低空物流等领域，预计五年内市场规模将达到万亿美元级别。技术突破与资本双轮驱动下，物理AI商业化进程加速，2026年初全球融资同比增长显著，通用仿真平台和数字孪生被广泛部署，城市自动驾驶、工业机器人自主决策等能力显著提升。行业进入新阶段的共识要求企业具备可迁移的通用物理模型、硬件与软件的深度融合及跨行业的技术复用能力，形成可持续商业模式。当前头部企业在量产与盈利能力上具备更强的定价与利润空间，但部分公司仍受限于场景化架构，尚需扩大应用边界与自主控制体系。综上，物理AI的发展需要在提升通用性与落地商业化之间找到平衡，未来将逐步模糊与自动驾驶的边界，但短期核心仍是稳健的商业化能力与垂直领域深耕。
🏷️ #物理AI #自动驾驶 #世界模型 #数字孪生 #商业化
🔗 原文链接
📰 [发现报告]：物理AI行业深度报告：概况、现状及代表公司 全梳理 - 发现报告
物理AI是人工智能产业的第三波浪潮，突破了传统AI仅处理数字信息的局限，实现感知、决策与执行的一体化闭环，能够将理解数字世界的能力转化为对物理世界的交互与改造，成为实体经济智能化升级的核心驱动力。其技术体系由空间智能作为感知基座、世界模型作为认知决策中枢、物理AI作为落地载体三部分组成，三者协同攻克AI在物理场景中的交互难题。技术层面以VLA模型与世界模型双线并进，VLA打通视觉、语言、动作模态，提升基础作业能力；世界模型通过模拟物理规律与未来情景，提供虚拟训练场景与前瞻决策支撑，解决真实数据稀缺与边缘场景覆盖不足的问题，二者形成闭环推动规模化落地。全球市场潜力巨大，北美领跑、亚太凭制造业与政策红利快速增长，产业链涵盖感知、算法、数据仿真与执行全环节。应用端数字孪生、智能驾驶、具身智能成为核心落地场景，正推动制造、智慧城市、医疗等领域的深度转型，预计将成为下一代人工智能产业增长的核心引擎。
🏷️ #物理AI #世界模型 #VLA模型 #数字孪生 #智能驾驶
🔗 原文链接
📰 [发现报告]：物理AI行业深度报告：概况、现状及代表公司 全梳理 - 发现报告
物理AI是人工智能产业的第三波浪潮，突破了传统AI仅处理数字信息的局限，实现感知、决策与执行的一体化闭环，能够将理解数字世界的能力转化为对物理世界的交互与改造，成为实体经济智能化升级的核心驱动力。其技术体系由空间智能作为感知基座、世界模型作为认知决策中枢、物理AI作为落地载体三部分组成，三者协同攻克AI在物理场景中的交互难题。技术层面以VLA模型与世界模型双线并进，VLA打通视觉、语言、动作模态，提升基础作业能力；世界模型通过模拟物理规律与未来情景，提供虚拟训练场景与前瞻决策支撑，解决真实数据稀缺与边缘场景覆盖不足的问题，二者形成闭环推动规模化落地。全球市场潜力巨大，北美领跑、亚太凭制造业与政策红利快速增长，产业链涵盖感知、算法、数据仿真与执行全环节。应用端数字孪生、智能驾驶、具身智能成为核心落地场景，正推动制造、智慧城市、医疗等领域的深度转型，预计将成为下一代人工智能产业增长的核心引擎。
🏷️ #物理AI #世界模型 #VLA模型 #数字孪生 #智能驾驶
🔗 原文链接
📰 群核科技三项成果入选ECCV 2026，联手英伟达等探索物理AI仿真平台
ECCV 2026公布三篇群核科技论文，聚焦物理AI的感知、学习与行动训练，展示从数据到仿真再到评测的全链路能力。提出SPEAR高保真仿真平台，融合NVIDIA、Apple、Adobe等资源，拥有超16000个原生Python接口，输出丰富物理属性数据，打通空间数据到机器人训练的关键环节，并能与InteriorAgent、InteriorGS等结构化三维数据集无缝对接，形成“数据—仿真—测评”的完整闭环。SPEAR不仅是仿真工具，更是数据生产基础设施，帮助物理世界数字化、模拟化与持续训练。针对三维数据供给不足问题，论文还提出Syn-GRPO框架，通过多样化图像生成与强化学习流程改造，自动生产新训练样本并引入多样性奖励。评测方面，WalkerBench作为全球首个真实街景交互式评测基准，覆盖161座城市的真实街景，强调视觉自主认路能力的不足，提出Spatial-IDE全球记忆模块以解决三维空间与线性上下文不匹配的问题，已在宇树G1机器人上实现零样本部署。 SpatialVerse平台进一步整合3DGS重建与双路径生成，推动数据-仿真-评测全链路的规模化落地，并已与字节跳动、智元机器人等企业深度合作，旨在以结构化三维数据与世界模型支撑物理AI的可训练、可交互、可测评底层基础设施，以更高效地把物理世界带入数字世界并用于真实场景。
🏷️ #物理AI #仿真平台 #数据生产 #WalkerBench #SpatialVerse
🔗 原文链接
📰 群核科技三项成果入选ECCV 2026，联手英伟达等探索物理AI仿真平台
ECCV 2026公布三篇群核科技论文，聚焦物理AI的感知、学习与行动训练，展示从数据到仿真再到评测的全链路能力。提出SPEAR高保真仿真平台，融合NVIDIA、Apple、Adobe等资源，拥有超16000个原生Python接口，输出丰富物理属性数据，打通空间数据到机器人训练的关键环节，并能与InteriorAgent、InteriorGS等结构化三维数据集无缝对接，形成“数据—仿真—测评”的完整闭环。SPEAR不仅是仿真工具，更是数据生产基础设施，帮助物理世界数字化、模拟化与持续训练。针对三维数据供给不足问题，论文还提出Syn-GRPO框架，通过多样化图像生成与强化学习流程改造，自动生产新训练样本并引入多样性奖励。评测方面，WalkerBench作为全球首个真实街景交互式评测基准，覆盖161座城市的真实街景，强调视觉自主认路能力的不足，提出Spatial-IDE全球记忆模块以解决三维空间与线性上下文不匹配的问题，已在宇树G1机器人上实现零样本部署。 SpatialVerse平台进一步整合3DGS重建与双路径生成，推动数据-仿真-评测全链路的规模化落地，并已与字节跳动、智元机器人等企业深度合作，旨在以结构化三维数据与世界模型支撑物理AI的可训练、可交互、可测评底层基础设施，以更高效地把物理世界带入数字世界并用于真实场景。
🏷️ #物理AI #仿真平台 #数据生产 #WalkerBench #SpatialVerse
🔗 原文链接
📰 “数字孪生+工业仿真”双擎驱动，软通天枢物理AI的工业规模化路径
软通天枢以数字孪生、工业仿真为核心支撑，叠加机器人虚实训练和海量工业场景数据，建立完整的物理AI技术栈，推动工业智能化转型。其核心在于超越仅是形似的静态建模，强调1:1还原物理属性的数字空间，并通过TwinHub孪生引擎实现实时物理孪生体，支持海量设备接入、毫秒级计算与毫米级建模精度，从而为物理AI提供稳定感知与推理底座。以CAE工具链和FSim全栈仿真平台为载体，结合物理机理与数据驱动的双轮模式，解决连续物理场与离散生产流程的耦合难题，实现微秒级动态仿真与高精度瞬态仿真，显著缩短研发迭代周期。平台还整合Isaac Sim与PhysX等技术，提升机器人仿真真实性并支撑大规模算法训练与极限工况测试，形成完整的物理AI闭环。通过Phyxis因果决策引擎，将AI决策从概率推理提升为物理因果推演，决策准确率达到98%。在能源电力、石化、高端制造、军工及基建等行业落地，显著降低停机、运维成本与新品开发周期，并提出云-边-端的一体化PAIaaS模式，降低行业准入门槛，推动中小企业也能享受智能化升级。
🏷️ #数字孪生 #工业仿真 #物理AI #因果决策 #PAIaaS
🔗 原文链接
📰 “数字孪生+工业仿真”双擎驱动，软通天枢物理AI的工业规模化路径
软通天枢以数字孪生、工业仿真为核心支撑，叠加机器人虚实训练和海量工业场景数据，建立完整的物理AI技术栈，推动工业智能化转型。其核心在于超越仅是形似的静态建模，强调1:1还原物理属性的数字空间，并通过TwinHub孪生引擎实现实时物理孪生体，支持海量设备接入、毫秒级计算与毫米级建模精度，从而为物理AI提供稳定感知与推理底座。以CAE工具链和FSim全栈仿真平台为载体，结合物理机理与数据驱动的双轮模式，解决连续物理场与离散生产流程的耦合难题，实现微秒级动态仿真与高精度瞬态仿真，显著缩短研发迭代周期。平台还整合Isaac Sim与PhysX等技术，提升机器人仿真真实性并支撑大规模算法训练与极限工况测试，形成完整的物理AI闭环。通过Phyxis因果决策引擎，将AI决策从概率推理提升为物理因果推演，决策准确率达到98%。在能源电力、石化、高端制造、军工及基建等行业落地，显著降低停机、运维成本与新品开发周期，并提出云-边-端的一体化PAIaaS模式，降低行业准入门槛，推动中小企业也能享受智能化升级。
🏷️ #数字孪生 #工业仿真 #物理AI #因果决策 #PAIaaS
🔗 原文链接
📰 “数字孪生+工业仿真”双擎驱动，软通天枢物理AI的工业规模化路径
本文聚焦软通天枢在工业领域推进物理AI的全链路解决方案。通过自研TwinHub孪生引擎实现1:1物理属性的数字空间，深度嵌入全维度物理参数，支撑3200+设备并发接入与高吞吐实时计算，显著提升建模与渲染效率，毫米级精度帮助物理AI从“形似”走向“神似”。在工业场景中，物理AI以物理规律为核心进行决策与执行，依托CAE工具链与FSim仿真平台实现连续物理场仿真与离散生产流程推演，能够微秒级动态仿真与高精度瞬态仿真，缩短研发周期并提升稳定性。通过Isaac Sim等集成，平台可进行大规模算法训练与极端工况测试，并以Phyxis因果决策引擎将AI推理升级为物理因果推演，决策准确率达98%以上。当前已在能源、石化、高端制造、军工、城市基建等领域落地，形成可复制的标准化方案，且推动云-边-端一体化的PAIaaS模式，降低中小企业准入门槛，促进工业智能化升级的广泛应用与落地。未来将继续通过数据回流与持续迭代，构建更完善的全链路物理AI闭环，推动多行业高效、低成本的数字化转型。
🏷️ #物理AI #数字孪生 #仿真 #CA E #PAIaaS
🔗 原文链接
📰 “数字孪生+工业仿真”双擎驱动，软通天枢物理AI的工业规模化路径
本文聚焦软通天枢在工业领域推进物理AI的全链路解决方案。通过自研TwinHub孪生引擎实现1:1物理属性的数字空间，深度嵌入全维度物理参数，支撑3200+设备并发接入与高吞吐实时计算，显著提升建模与渲染效率，毫米级精度帮助物理AI从“形似”走向“神似”。在工业场景中，物理AI以物理规律为核心进行决策与执行，依托CAE工具链与FSim仿真平台实现连续物理场仿真与离散生产流程推演，能够微秒级动态仿真与高精度瞬态仿真，缩短研发周期并提升稳定性。通过Isaac Sim等集成，平台可进行大规模算法训练与极端工况测试，并以Phyxis因果决策引擎将AI推理升级为物理因果推演，决策准确率达98%以上。当前已在能源、石化、高端制造、军工、城市基建等领域落地，形成可复制的标准化方案，且推动云-边-端一体化的PAIaaS模式，降低中小企业准入门槛，促进工业智能化升级的广泛应用与落地。未来将继续通过数据回流与持续迭代，构建更完善的全链路物理AI闭环，推动多行业高效、低成本的数字化转型。
🏷️ #物理AI #数字孪生 #仿真 #CA E #PAIaaS
🔗 原文链接
📰 轻舟智航董事长于骞：用更强“大脑”竞逐物理AI
自去年起，“物理AI”成为科技行业的核心热点。轻舟智航董事长于骞透露，未来十年AI将会在物理世界取得突破，自动驾驶是物理AI最易落地的场景之一。要让物理AI更智能，关键在于强大的“AI大脑”，通过世界模型+强化学习的架构，将数字世界的训练结果映射到物理世界的车端，提升推理、决策与泛化能力。公司采用云端与车端协同的设计，云端世界模型可生成多样数据并进行高可控的仿真，车端实现感知、规划、控制全链路模型打通，形成强大底座。轻舟强调越级产品理念，以有限算力实现更好体验，已在128TOPS实现城市NOA并量产，500+TOPS目标对标更高算力系统。与此同时，Robo-X开放平台推动L4级Robobus、Robovan、Robotaxi等多元场景落地，锁定与主机厂及运营平台的双线推进。未来规划包括L4无人物流的规模化部署，2026年实现初步落地，2027年推进至十万台级别。总体来看，轻舟智航的愿景是成为全球领先的通用物理AI公司，推动物理世界的智能体普及与应用普及，直至服务型机器人广泛进入千家万户。
🏷️ #物理AI #世界模型 #自动驾驶 #算力理念 #Robo-X
🔗 原文链接
📰 轻舟智航董事长于骞：用更强“大脑”竞逐物理AI
自去年起，“物理AI”成为科技行业的核心热点。轻舟智航董事长于骞透露，未来十年AI将会在物理世界取得突破，自动驾驶是物理AI最易落地的场景之一。要让物理AI更智能，关键在于强大的“AI大脑”，通过世界模型+强化学习的架构，将数字世界的训练结果映射到物理世界的车端，提升推理、决策与泛化能力。公司采用云端与车端协同的设计，云端世界模型可生成多样数据并进行高可控的仿真，车端实现感知、规划、控制全链路模型打通，形成强大底座。轻舟强调越级产品理念，以有限算力实现更好体验，已在128TOPS实现城市NOA并量产，500+TOPS目标对标更高算力系统。与此同时，Robo-X开放平台推动L4级Robobus、Robovan、Robotaxi等多元场景落地，锁定与主机厂及运营平台的双线推进。未来规划包括L4无人物流的规模化部署，2026年实现初步落地，2027年推进至十万台级别。总体来看，轻舟智航的愿景是成为全球领先的通用物理AI公司，推动物理世界的智能体普及与应用普及，直至服务型机器人广泛进入千家万户。
🏷️ #物理AI #世界模型 #自动驾驶 #算力理念 #Robo-X
🔗 原文链接
