物理人工智能（Physical AI）是能够感知真实环境、判断当前状态、选择动作并驱动机器改变现实世界的人工智能。它的输出不是停留在屏幕上的文本或图片，而是移动、抓取、装配、停止等可观察的物理结果。
因此，判断一个系统是否真正具备物理智能，不能只看模型答题是否准确。视觉识别正确但相机标定偏移，机械臂仍会抓空；规划合理但控制延迟过大，机器人在接触物体时仍可能振荡或碰撞。
最简洁的定义是：物理人工智能把“看见、理解、行动、核对结果”组成真实世界中的反馈闭环。评价时必须同时考虑任务成功率、失败恢复、人工介入、机械限制、延迟和安全边界。
物理人工智能的准确含义
一个完整系统会从相机、深度传感器、力传感器、关节编码器等设备获取观测，再估计物体位置、机器人姿态和任务进度。策略或规划器选择下一步动作，控制器把动作转换为关节或移动底盘可以执行的指令。
动作完成后，系统必须再次读取传感器，判断目标是否达到，并在必要时重试、重新规划、请求人工处理或安全停止。只有把反馈纳入决策，系统才不是一次性发出命令的演示装置。
它与生成式 AI 和传统自动化的差异
生成式 AI 主要生成文本、图像、音频或代码，错误通常表现为信息不准确或输出不可用。传统自动化则在条件稳定、流程预先确定的环境中高效重复动作。物理人工智能面对的是位置、光照、载荷和人员活动会变化的现场。
三者可以共存。机器人可能用语言模型理解任务，用学习策略选择动作，再用确定性的控制器驱动电机。关键不在于某个模块使用了什么名称，而在于整个系统能否在规定条件下重复完成任务并安全处理异常。
| 系统类型 | 主要输入 | 主要输出 | 典型失败后果 |
|---|---|---|---|
| 生成式 AI | 提示词与数字信息 | 文本、图像、代码 | 错误信息或不可用内容 |
| 传统自动化 | 预设信号与稳定工位 | 固定流程 | 停机、堵塞或质量下降 |
| 物理人工智能 | 变化的环境观测与目标 | 自适应物理动作 | 碰撞、损坏、停机或安全风险 |
感知、规划和控制如何组成闭环
感知模块把像素、点云、力和关节状态转换为可用于决策的观测。状态估计把多个时刻的信息合并，规划器确定任务步骤或运动路径，控制器以更高频率保持轨迹、力和稳定性。不同层的时间尺度并不相同。
真正决定现场可靠性的往往是闭环末端：机器人能否发现物体滑落、通道受阻或位置丢失，并采取可解释的恢复动作。只展示成功片段而不记录失败总数，无法证明闭环在真实波动下有效。
身体和环境会限制模型能力
机器人身体具有工作空间、额定负载、关节扭矩、速度、电池和温度上限。即使模型理解了任务，也不能执行超出机械范围的姿态或力量。可靠策略需要在动作选择时考虑这些约束，而不是事后才发现指令无法实现。
环境同样构成限制。反光表面可能干扰深度相机，柔软包装会改变抓取形状，狭窄通道会减少安全余量。能力声明必须附带运行边界，说明在哪些对象、光照、速度、空间和人员距离下得到验证。
语言需要与现实对象准确对应
“拿起红色杯子”看似简单，却要求系统识别杯子、区分颜色、确定三维位置、选择可达抓取点，并在多个红色杯子出现时处理歧义。语言理解只解决了意图的一部分，语义还要与现实对象和坐标对齐。
这也是视觉—语言—动作模型需要实机验证的原因。模型可以给出语义上合理的动作，但相机外参、夹爪尺寸或控制周期不匹配，任务仍会失败。
训练数据和仿真各自解决什么问题
机器人可从遥操作示教、实机日志、人类视频、合成轨迹和强化学习中获取经验。示教能传递任务意图，实机日志包含真实动力学和传感器噪声，仿真则适合大量生成危险、稀有或成本很高的条件。Google DeepMind 的 Gemini Robotics 资料也展示了把视觉语言能力扩展到机器人动作的路线。
仿真成功不能直接替代实机证据。仿真到现实迁移需要处理摩擦、质量、延迟、噪声和标定误差，并把真实失败重新用于参数修正和训练。
哪些任务更适合率先部署
适合早期部署的任务通常具有清楚的开始状态和完成条件，作业价值足够高，危险区域能够限制，失败也容易检测。仓库搬运、视觉检查、机床上下料和规则化分拣比开放家庭环境更容易形成稳定指标。
部署范围越小，越容易积累可信证据。先定义一种工件、一个工位和一组明确异常，再逐步增加对象和场景，比一开始追求“什么都能做”更容易得到可维护的系统。
- 定义对象、工作空间、载荷和人员距离
- 同时记录成功、失败、恢复和人工介入
- 越过边界时必须减速或安全停止
- 仅在证据支持的范围内扩大任务
安全不能只依赖 AI 策略
安全设计需要结合机械限位、防护装置、安全传感器、速度与力限制、保护性停止、紧急停止和人员培训。具体组合应由任务危险、工具、载荷、空间以及人与机器接触的可能性决定。
AI 策略不应成为最后一道防线。当模型置信度过低、通信中断、位置越界或传感器异常时，独立于任务策略的安全功能应能限制能量并触发停止。部署前还需要完成针对实际工位的风险评估。
如何判断演示是否代表真实能力
首先确认评估条件与训练条件有什么不同，包括对象、背景、光照、初始姿态、操作者和外部干扰。其次要求总试验次数、失败类型和人工介入次数，而不是只看剪辑后的成功视频。
还要检查所使用的机器人、传感器、控制频率和标定方法。即使机器人基础模型展示跨任务迁移，也不能自动证明它已经适配另一种机体或另一条生产线。
| 需要追问 | 较强证据 | 需要警惕的表述 |
|---|---|---|
| 一共运行多少次 | 全部试验与置信区间 | 只展示最佳成功片段 |
| 哪些条件从未训练 | 对象、场景和扰动清单 | 只说可以泛化 |
| 失败后如何处理 | 恢复率和介入率 | 删除失败试验 |
| 安全边界是什么 | 速度、载荷、空间和停止条件 | 仅说明模型更智能 |
一组更有用的现场指标
任务成功率是起点，不是终点。团队还应记录单位时间完成量、平均完成时间、人工介入率、失败恢复率、非计划停止、能耗以及故障后恢复生产所需时间。指标需要与业务价值和风险相对应。
例如，成功率从 90% 提升到 95% 看似明显，但若剩余失败都需要技术人员停线处理，整体成本仍可能很高。相反，一个会提前请求人工确认、避免损坏并保留完整日志的系统，可能更适合早期生产。
概念验证应从可反驳的问题开始
概念验证（PoC）不应只证明机器人能完成一次任务，而应检验清晰的假设，例如“在三种照明和两种包装位置下，连续 500 次运行的成功率达到目标，人工介入低于限定值”。明确失败条件才能判断项目是否值得扩大。
试验应保留每次运行的输入、动作、异常、人工处理和结果。这样可以区分模型错误、机械问题、流程问题和环境问题，也能为后续数据采集与维护安排提供依据。
从单点能力走向可运营系统
可运营系统不仅需要模型，还需要版本管理、传感器校准、数据质量检查、回滚机制、异常分级和人员职责。模型更新后应在固定回归集和真实工位上重新测试，避免改善一种情况却破坏另一种情况。
物理人工智能的价值最终体现在稳定产出，而不是模型名称。把能力、限制、证据和运维成本放在同一个决策框架中，才能判断它是研究演示、可用工具，还是能够进入持续生产的系统。对外发布能力结论时，还应注明模型版本、硬件配置、测试日期和不适用条件，便于后续复核。
常见问题
物理人工智能等同于具身智能吗？
两者高度重叠，但不必完全等同。具身智能强调智能通过身体与环境互动形成；物理人工智能更常用于描述能够感知、决策并控制真实机器的整体技术栈。阅读资料时应根据作者定义判断。
只有人形机器人才属于物理人工智能吗？
不是。移动机器人、机械臂、无人机、自动驾驶车辆和适应性工业设备都可能属于物理人工智能，判断标准是它们是否根据真实环境反馈改变动作。
大语言模型可以直接控制机器人吗？
语言模型可以帮助理解指令和任务分解，但实时运动控制还需要状态估计、动作约束、低层控制和独立安全功能。把文本输出直接发送给执行器通常不够安全也不够稳定。
评价物理人工智能最重要的指标是什么？
没有单一指标。至少应同时报告任务成功率、试验次数、人工介入率、恢复率、完成时间和运行边界；涉及人员或高能量设备时还必须单独验证安全措施。
企业怎样开始第一个项目？
选择价值明确、环境相对受控、完成条件可检测的单一任务，先建立人工基线和风险边界，再用连续试验验证成功、失败和恢复，而不是从通用机器人愿景开始。
把能力结论限定在证据范围内
本文用于解释技术概念与评估方法，不构成安全认证或采购保证。机器人部署应依据具体设备、工具、工位和当地法规完成风险评估。