“下一波浪潮是物理AI。”英伟达CEO黄仁勋在2024年至2025年的多次公开演讲中反复强调这一观点。在他看来，人工智能正在从理解和生成信息的生成式AI，向能够理解物理定律并与现实世界交互的物理AI发展。

物理AI是指能够执行与现实世界交互任务的实体系统，它集成了机体、控制、感知等要素，使机器能够理解并遵守物理规则。

简单来说，如果生成式AI擅长处理信息和内容，那么物理AI则赋予机器在三维物理世界中感知、推理和行动的能力。与传统AI不同，物理AI强调机体、控制、感知等要素的协同演进。它通过模拟物理世界的规则，训练AI模型在三维空间中执行复杂操作。

英伟达认为，物理AI依托于多项前沿技术，包括神经图形、合成数据生成、物理模型、强化学习和AI推理技术。这些技术共同构成了现代机器人技术、自动驾驶汽车和空间智能技术背后的引擎。

黄仁勋指出，AI技术大约每4-5年迎来一次大变革。在生成式智能之后，物理AI将成为新一轮突破的方向，推动制造业等众多领域的创新。

物理AI落地的难点：难以获取高质量的“物理交互”数据

与大型语言模型能从互联网的海量文本中获取“养料”不同，物理AI需要的是与现实世界互动产生的三维空间数据和物理交互数据。这类数据的获取成本极高、效率低下，且常常伴随安全风险。例如，不可能通过让机器人反复打碎真实玻璃杯的方式来学习“轻拿轻放”。同时，物理世界存在大量难以预测的极端场景（长尾问题），如自动驾驶中突然出现的障碍物，这些场景的数据在现实世界中既稀少又危险，难以收集，导致模型泛化能力不足。

为克服数据稀缺，高保真仿真平台成为关键的训练场。但仿真环境无论多精确，都与现实存在差异，这被称为“仿真到现实的鸿沟”（Sim-to-Real Gap）。微小的物理参数偏差，如摩擦力、材料弹性的模拟不精确，或传感器噪声模型的差异，都可能导致在仿真中表现完美的策略，在现实世界中完全失效。尽管可以通过领域随机化等技术来增强模型的鲁棒性，但如何保证虚拟训练出的能力能无缝迁移到现实，仍是核心挑战。

中国企业正在打造高真实仿真环境，加速AI融入物理世界

国内物理AI合成数据领域正迎来快速发展期，中国企业在打造高真实仿真环境方面取得了显著进展，它们通过自主研发的物理引擎、合成数据平台以及数字孪生技术，为机器人和智能系统构建了高度逼真的“虚拟训练场”，极大地加速了人工智能从数字世界向物理世界的融合与落地。

笔者通过调研，找到了中国物理AI合成数据领域，不同类型的企业依托各自的技术积淀，形成了差异化的发展路径和产业协同格局：

仿真与合成数据垂直领域供应商以51Sim为代表，作为中国领先的智能驾驶仿真平台公司，51Sim长期专注于高保真物理仿真、传感器建模、数据驱动闭环体系与合成数据能力的建设，积累了深厚的仿真系统研发与3D合成数据经验。我们主导开发的SimOne平台和DataOne系统，已广泛应用于国内汽车行业，在数据驱动闭环仿真测试、高真实感场景构建与重建、端到端测试与训练等关键环节具备技术领先性。

在仿真建模能力上，51Sim具备自主构建大规模高真实感3D环境的能力，可快速生成支持具身智能训练的多样化复杂场景。同时，51Sim正依托英伟达Isaac开放生态，将多年积累的仿真与合成数据经验，和海量的高质量数据资产，成功拓展到了智能装备、机器人等具身智能的仿真训练领域

数字孪生与3D内容创建商如光轮智能，则专注于解决具身智能的“数据荒”问题。其打造的“具身仿真数据工厂”采用Real2Sim2Real技术栈，通过“人在环”与多模态数据生成，提供涵盖视觉、触觉、力反馈等物理交互属性的合成数据，在数据的物理交互真实性方面形成了鲜明特色。

传统CAE/工业软件厂商索辰科技，凭借其在工业仿真领域深厚的物理规律建模底蕴，将物理AI技术与传统多物理场仿真相结合。其“天工开物”平台生成的合成数据严格符合物理规律，特别擅长在流体力学、固体力学等复杂工业场景中保证数据的物理准确性，为工业装备研发和智能制造提供高可信度的数据支撑。

对中美物理AI领域发展的看法

从全球视野看，中美两国在物理AI的发展上呈现出不同的路径，为投资者提供了互补的机会。

美国倾向于“顶尖人才+资本耐心”的激进创新模式，典型代表如贝索斯的Project Prometheus和特斯拉的Optimus人形机器人项目，它们着眼于重塑整个行业的基础规则。而中国则更注重“场景落地+产业链协同”，利用完善的工业体系和应用场景，将技术快速转化为生产力。

物理AI的资本叙事，核心是价值投资理念的回归。它要求资本更加关注技术是否能在真实的物理世界中创造可衡量的经济价值。随着技术成熟，市场将奖励那些能够深入产业、解决实际问题的企业，而非仅仅擅长制造技术概念的公司。