作者：Ankit Parag Shah, Minghao Liu , Jinrui Huang , Bhavya Pranav Tandra , Yu Wang , Sakshi Agarwal , Paul Wu , Aishik Konwer , Rhett Rozga , Selli P. Kondamuri , Alper Halbutogullari , Qin Zhang , Wei Wei
摘要
数十年来，人工智能重塑了数字领域，而物理世界因其严苛的动态特性与无限的变异性，仍大体上难以触及。如今，这一边界正在消解：人形机器人已在装配线上承担全职轮班工作，自动驾驶车辆每日做出数百万项安全关键决策，机器人手术平台更已在全球完成超过两千万例手术。基础模型（foundation models）、高保真仿真（high-fidelity simulation）与具身控制（embodied control）的融合，正在催生hysical AI——即能够在开放环境中可靠感知、推理并行动的机器系统。然而，现有综述往往孤立地探讨该技术栈的各个组成部分，或聚焦于视觉-语言-动作（vision-language-action）架构，或专注于世界模型（world models），或单独讨论 sim-to-real 迁移，却没有任何研究系统追踪从传感器到部署的完整技术流程，亦缺乏基于商业落地成果的深度分析。本文系统梳理了端到端的物理人工智能技术栈：多模态感知与融合；边缘硬件与加速器；世界建模与仿真；视觉-语言-动作模型；从强化学习到模仿学习的学习范式；以及涵盖安全保证（safety assurance）、集群学习（fleet learning）与治理（governance）的部署基础设施。我们的分析揭示了三项跨领域核心发现：第一，基础模型的泛化能力（generalisation），而非任务特定工程（task-specific engineering），才是区分可扩展部署与停滞于试点阶段的关键经济杠杆；第二，数字孪生（digital twins）已成为先决条件而非单纯加速工具——任何集群规模的部署都离不开高保真虚拟预演；第三，监管与认证壁垒，而非算法局限，如今已成为各领域从试点迈向量产的核心门槛。我们通过制造业、物流、自动驾驶出行、农业及医疗保健等领域的商业案例研究，系统记录上述模式，并提出一个四阶段成熟度分类体系，用于刻画从研究原型到集群规模运营的采纳演进路径。最后，我们提出六项相互耦合的研究挑战，并制定一条以2030年前监管里程碑为锚点的路线图，为研究人员、行业领导者与政策制定者提供一份实用指南，助力具身智能从受控环境稳健扩展至现实世界的复杂场景。
1.引言
仅仅具备思考能力的智能已不再足够。数十年来，人工智能在数字领域取得了卓越成就：精通各类棋类游戏、生成流畅的文本、识别照片中的物体。然而，物理世界以其严苛的动态特性、无限的变异性以及毫秒级的响应时限，在很大程度上仍难以企及。Moravec悖论揭示了其中的讽刺意味：幼儿轻而易举完成的感知运动技能，相比国际象棋或定理证明，实则要求远高于后者的计算复杂度。如今，这一悖论正开始被打破。人形机器人已走上工厂生产线，与人类员工并肩完成整班工作，执行那些仅在数年前还唯有依靠人手才能完成的灵巧装配任务。自动驾驶车辆在多个大洲穿梭于密集的城市交通中，每日做出数百万项关乎安全的关键决策。机器人手术平台已在全球完成超过两千万例手术，而无人驾驶拖拉机则可在无人驾乘的情况下耕种整片农田。这些进展并非源于某一种单一算法，而是一种技术融合：基于互联网规模数据训练的基础模型，正与高保真仿真、multimodal perception以及具身控制深度融合，从而催生出能够在开放世界中感知、推理并行动的机器系统。我们将这种融合称为Physical AI，它标志着人工智能从屏幕走向现实的关键转折点。
1.1. 什么是物理AI？
物理AI使自主系统能够在物理世界中感知、理解、推理和行动，并能适应训练过程中从未遭遇过的场景。这一概念建立在数十年来关于embodied intelligence与situated cognition的研究基础之上，这些研究强调：智能源于智能体、其身体与环境之间的相互作用。物理AI系统由四个核心功能定义：
感知（Perceive）：通过摄像头、LiDAR、radar、force-torque sensors及其他模态收集并解读实时数据，构建周围环境的丰富图景。
理解（Understand）：把握空间关系、物体affordances以及3D世界的物理行为——超越模式识别，实现情境感知。
推理（Reason）：在不确定性条件下做出基于信息、目标驱动的决策，包括规划符合动力学、接触约束及安全要求的多步行动。
行动（Act）：通过执行器——电机、grippers、轮子及whole-body controllers——执行或协调复杂的物理运动，以与环境交互并重塑环境。
物理AI通过具身交互，将generative AI——即在数字领域生成文本和图像的技术——延伸至现实世界任务。与传统机器人技术（依赖于受控环境中的固定程序）不同，物理AI以自适应策略取代手工编写的例行程序，这些策略具备泛化能力、能从经验中学习，并可实时应对新情况。这种从被动计算到物理能动性的转变，对可靠性、安全性及实时性能提出了超越纯数字系统的要求。
根本性挑战
若干深层次的技术难题使物理人工智能（Physical AI）区别于其他AI领域。Moravec悖论指出，对人类而言轻而易举的感觉运动技能——如抓取物体、在不平坦地形上导航——对机器却需要巨大的计算资源，这反映了当前AI所缺乏的、历经数百万年进化优化的能力。现实差距（reality gap）导致在仿真环境中训练的策略在物理硬件上失效，原因在于未被建模的动力学特性、传感器噪声以及环境变化。数据稀缺进一步加剧了这些困难：即便是规模最大的机器人演示数据集，其样本数量也比语言模型可用的万亿级token语料库少数个数量级，这限制了那些曾彻底变革NLP和计算机视觉领域的学习方法的应用。实时性约束要求感知到行动的闭环必须在毫秒级内完成，这使得离线环境下可行的迭代优化方法无法适用。最后，涉及复杂接触交互的操控任务——如处理可变形物体、以高精度公差装配零件、操控线缆——仍然极具挑战性，因为精确的接触建模计算成本高昂，且微小误差会累积导致任务失败。
1.2. 迈向物理智能的演进
智能物理系统的概念经历了数次鲜明的范式转变而不断演进。早期机器人如Shakey（1966–1972）体现了"感知-规划-执行"（sense-plan-act）范式，借助STRIPS等符号规划器搜索能够实现指定目标的动作序列。Brooks提出的subsumption架构对这一方法提出了挑战，证明无需显式的符号推理，仅通过分层的反应式控制器即可涌现出鲁棒的行为。然而，这两种范式在泛化能力方面均面临困境：经典规划器依赖手工构建的领域模型，基于行为的系统则依赖手工设计的行为规则，且二者都无法有效利用大规模数据集中蕴含的统计规律性。进入2010年代，深度强化学习被引入机器人领域：PPO等算法使机器人能够通过连续动作空间中的试错学习掌握运动与操作技能，而MuJoCo等仿真工具结合domain randomisation技术，则开始弥合虚拟环境与真实物理环境之间的鸿沟。
当前的变革由大语言模型（LLMs）、视觉 - 语言 - 动作（VLA）策略以及仿真驱动的训练流程三者融合所推动。诸如 CLIP 等视觉 - 语言模型架起了感知与语言之间的桥梁，而 SayCan和 Code-as-Policies等系统则证明了预训练的 LLMs 能够将高层指令分解为可行的机器人动作。
VLA 模型代表了最新的技术演进，直接融合了感知、语言理解与运动控制：RT-2 在网络规模数据与机器人演示上进行联合训练，以实现跨任务的泛化能力；PaLM-E将多种传感器模态与语言推理相融合；π0 则采用 flow matching 技术，在七个不同平台上以 50 Hz 的频率生成连续的运动指令。
除了面向特定任务的模型之外，Gato等通用智能体将文本、图像和运动指令统一视为单一序列中的 tokens，为跨模态迁移能够赋能物理控制提供了早期实证。
2023 至 2025 年间，工业界迎来了前所未有的应用浪潮：low-code 部署平台、面向工业抓取的 foundation models，以及在物流、制造和城市出行领域实现商业化规模部署的机器人车队。仅 2024 年一年，Physical AI 公司便吸引了超过 70 亿美元的风险投资，多笔巨额融资轮次表明，投资者将具身 foundation models 视为一代人的重大机遇。
这些落地应用共享一个关键使能因素：高保真仿真技术，它能够在远低于物理原型开发成本的前提下，支持安全探索与快速迭代，从而使 digital twins 和 GPU-accelerated 仿真器成为整个开发周期不可或缺的基础设施。
图1展示了这一端到端工作流程。尽管该流程表面上与Brooks所批判的经典"感知-规划-执行"（sense-plan-act）循环相似，但现代Physical AI系统在三个根本方面存在差异：（1）习得策略取代了符号规划，无需手工构建的世界模型即可实现反应式行为；（2）持续反馈循环将仿真、部署与模型重训练紧密连接，使集群经验能够持续优化下一代策略；（3）基础模型提供了隐式表征，模糊了感知与行动之间的界限，使单一架构能够适配多种具身形态与任务。
图1. Physical AI pipeline 概述。实线深色箭头（从左至右）表示数据按顺序流经七个阶段：SENSE → EMBODY → UNDERSTAND → ADAPT → LEARN → DEPLOY → APPLY。虚线彩色箭头（向后弯曲）表示三个持续反馈循环：(a) Continuous Learning—fleet telemetry 为 policy updates 提供数据输入；(b) Digital Twin—deployment logs 在 simulation 中对 policies 进行验证；(c) Foundation Model—edge cases 触发 VLA retraining。每个阶段均对应综述中一个带编号的章节。
1.3. 范围、贡献与组织结构
现有综述通常孤立地探讨 Physical AI stack 中的各个组成部分——如 VLA architectures 、面向 embodied AI 的 world models、robot learning paradigms，或 sim-to-real transfer 等——但尚无研究能够完整梳理从 sensor 到 deployment 的全流程，或将分析建立在 commercial outcomes 的基础之上。表 1 展示了本综述与近期相关工作的对比与定位。
表 1. 与近期相关综述的范围对比。✓ 表示涵盖详尽；◦ 表示部分涉及或附带提及；— 表示未涵盖。
本综述在该领域发展的关键节点，提供了端到端的系统性阐述。其主要贡献如下：
- 全栈集成视角。我们系统梳理了从多模态感知、边缘硬件、world models、foundation policies到fleet deployment的完整Physical AI技术链路（图1），揭示了单一主题综述难以涵盖的跨领域依赖关系——包括仿真保真度与策略鲁棒性之间的关联、硬件成本曲线与部署广度之间的权衡、治理框架与可扩展性之间的协同效应。
- 面向部署的实证分析。我们系统梳理了物流、制造、autonomous vehicles及新兴领域中具有量化成效的商业化部署案例，并提出一个四阶段成熟度分类体系（第7节），用以刻画从研究原型到fleet-scale运营的采纳演进路径。
- 关键缺口识别与发展路线图。我们识别出六项相互耦合的挑战——data ecosystems、sim-to-real resilience、lifelong adaptation、safety assurance、workforce integration以及sustainable hardware——并以此为基础，将具体的研究路线图与截至2030年的监管里程碑相对接（第8节）。
调研方法。
我们检索了来自 Google Scholar、Semantic Scholar、arXiv 和 IEEE Xplore 的文献资料，重点聚焦于 2020 至 2025 年间的研究成果，并有选择性地纳入了早期数十年的奠基性工作。搜索查询将各流程阶段的专业术语（例如"vision-language-action models"、"sim-to-real transfer robotics"、"robot fleet learning"）与面向实际部署的应用场景术语（"warehouse"、"manufacturing"、"autonomous driving"）相结合。针对近期商业系统在学术文献中缺乏相关来源的情况，我们以行业白皮书、新闻稿以及经核实的部署报告作为同行评审出版物的补充。所有引用均与原始来源进行了逐一核对；此后已在同行评审会议或期刊上正式发表的 arXiv 预印本，均以其正式发表的元数据信息进行引用。
本文遵循图1所示的整体框架。附录A对multimodal sensing and fusion领域进行了综述。第2节探讨了hardware platforms、edge accelerators，以及morphology与control的co-design。第3节涵盖了world modelling相关内容，包括SLAM、semantic mapping、intuitive physics、simulation infrastructure，以及world foundation models的新兴作用。第4节分析了VLA models及从RT-2到π0再到Gemini Robotics的generalist policies。第5节回顾了learning paradigms：reinforcement learning、imitation、self-supervised methods，以及sim-to-real transfer。第6节探讨了safety assurance、governance、fleet deployment及societal considerations。第7节呈现了具有measured outcomes的industry case studies。第8节将当前面临的open challenges系统整合，形成面向2030年的research roadmap。
2.Hardware Platforms and System Architectures
物理人工智能（Physical AI）系统依赖于紧密耦合的硬件栈，涵盖机电一体化设计、传感、计算与软件。任何单一层级的进展，唯有在能够提升整体系统性能时才具有实际意义：更轻量化的 end-effectors 可实现更高效的运动规划，更高精度的传感器可减轻感知模型的负担，而高效的 accelerators 则使在 on-device 端运行大型 policies 成为可能。本节将综述平台成本、传感、计算及仿真基础设施如何协同演进，以支持 Physical AI 在实际场景中的规模化部署。
2.1. 平台格局与成本曲线
如今的机器人平台能够可靠地执行重复性、定义明确的任务，如焊接、拆垛和单SKU拣选，但尚无法在不同环境间泛化应用、适应新型物体，或在无人干预的情况下从意外故障中恢复。正是这一能力边界（而非零部件成本），解释了为何市场仍由专用形态的机器人主导，而非通用型平台。
然而，全球出货量正在加速增长：据IFR估计，2025年工业机器人出货量将达到57.5万台，到2028年将达到70万台，增长主要由电子和汽车行业驱动。来自ABB、KUKA和Fanuc的传统工业机械臂主导着高负载应用场景，而协作机器人（如Universal Robots的UR系列和ABB的GoFa）则在装配和检测任务中实现了更安全的人机交互。
人形机器人平台的发展同样在加速：Figure于2024年与BMW宣布达成长期协议，将在装配任务中试点部署其Figure 02人形机器人；而中国制造商Unitree为其面向研究人员和服务工作的R1通用人形机器人设定了极具竞争力的起售价——$4,900。Tesla的Optimus项目则瞄准$20,000–$30,000的零售价格区间，以期最终实现制造业部署。
这些案例揭示了一条分化的硬件发展路线：一方面，细分领域的自动化方案正在持续降低成本；另一方面，通用型平台则通过定向试点应用逐步走向成熟。
2.2. 集成传感与执行堆栈
集成传感器套件现已能够充分融合视觉、深度及force-torque数据，使单台机器人无需更换工装即可从粗粒度搬运无缝切换至精密装配任务，但前提是传感装置、校准流程与任务领域需进行协同设计；若将已验证的配置迁移至新型机器人或新环境，仍需要数月的重新集成工作。仓储自动化同样受益于集成传感器套件：Zebra Technologies的视觉系统与RFID读取器，可与Fetch Robotics等公司的移动机器人底盘相结合，实现在繁忙的履约中心进行实时库存追踪与动态路径规划。数字孪生基础设施现已能够摄取异构传感器数据——包括RGB摄像头、LiDAR、雷达及force-torque信号——使工程师能够在硬件制造之前验证传感布局方案。NVIDIA的Omniverse Cloud Sensor RTX堆栈可实时渲染物理级精确的摄像头、雷达与LiDAR回波数据，使团队能够设计传感装置，并针对那些在实际生产车间难以复现的合成边缘案例来验证融合算法。相同的仿真流程还可驱动持续校准：当真实机器人出现性能漂移时，数字孪生体会精准定位需要维护的传感器或执行器，从而收紧感知–控制闭环，最大限度减少停机时间。
在这类集成堆栈中，反复出现三种架构模式。首先，传感模态组合正趋于收敛：目前大多数生产部署至少会融合camera stream、depth或range sensor，以及force-torque channel，但校准与融合pipeline仍由各integrator量身定制，导致N种sensor types与M个task domains之间形成了脆弱的N×M耦合关系。其次，simulation-in-the-loop calibration正在逐步取代周期性的offline routines，但其有效性取决于digital-twin fidelity，而很少有operator能够独立验证这一点。当前亟待突破的核心挑战在于传感器堆栈可移植性：由于perception performance是基于特定的机械安装、电缆布线和时间预算进行验证的，因此将一套经过验证的sensing configuration迁移到新的robot form factor上，仍需耗费数月时间进行re-integration——这一障碍无法通过任何单一组件的改进来克服，除非建立标准化的机电与时间接口。
2.3. 边缘计算与神经形态加速器
物理人工智能（Physical AI）的边缘计算领域存在显著的能力鸿沟：当前硬件虽能以实时速率运行经典检测算法与 SLAM，却无法以物理任务控制环路所要求的频率，执行开放域推理所必需的 vision-language models（VLMs）。在广泛部署的 Jetson Orin 平台（275 TOPS，60 W）上，YOLO 类检测器可实现约 100 FPS 的处理速度，而 VLMs 仅能达到 0.1–0.4 FPS，远低于闭环感知所需的 ≥10 FPS 阈值。因此，系统架构师通常采用工作负载拆分策略：由轻量级检测器负责快速控制循环，VLMs 则异步运行以完成场景理解；或将计算密集型推理任务卸载至云端，但需以延迟增加和可靠性降低为代价。由此可见，将模型架构与异构加速器进行匹配，本质上是一个首要的系统级设计问题，而非单纯的算法选型决策。
下一代边缘硅芯片旨在缩小这一差距。NVIDIA 的 Jetson Thor（约 2,000 TOPS，130 W）自 2025 年 8 月起开始出货，其集成的 transformer engine 具备足够规模，可在移动基座上并发运行多个 VLA 策略；包括 Boston Dynamics、Amazon Robotics、Figure 和 Agility Robotics 在内的 OEM 厂商均为早期采用者。Qualcomm 的 RB5（15 TOPS，15 W）主要面向无人机和服务机器人，借助 5G offload 来弥补设备端算力的局限。而在功耗谱系的另一端，neuromorphic accelerators 如 Intel 的 Loihi 2 可在事件驱动型工作负载上实现数量级的能耗节省（<1 W），但无法运行 dense transformers，因此其应用场景仅限于 spiking tactile controllers 和 reflexive loops。表 2 总结了当前各层级平台能够运行与无法运行的任务类型。图 2 则展示了这些平台如何与完整的 Physical AI hardware stack 进行集成。
表2. Edge AI能力差距：现有加速器在实时控制频率下能够及无法承载的工作负载。
各项规格参数已浓缩至平台列中；两个能力列则揭示了部署层面的实际状况，而这一现实往往被原始TOPS数值所掩盖。
图 2. Physical AI 硬件与计算栈。六个层级自下而上依次为：Sensing → Edge Compute → AI Models → Middleware → Actuation → Digital Twin/Cloud。左侧箭头表示快速的机载控制回路（1–200 Hz）；右侧箭头表示慢速的云端策略更新回路（每日/夜间）。颜色编码用于区分各层级的功能；各层级内部的标签列出了代表性平台。
2.4. 仿真基础设施与数字孪生
数字孪生如今已成为硬件设计与集群运营的核心要素；第3.5节将对此进行全面阐述。关键的硬件约束在于保真度与可扩展性之间的权衡：那些能够对接触动力学和传感器噪声进行建模的高物理保真度数字孪生，需要消耗大量的GPU算力，这使得大多数机构仅能对单个工作单元构建数字孪生，而非对整个设施进行孪生建模。第二个尚未得到充分重视的问题是孪生漂移：随着硬件磨损与布局变更，虚拟副本会逐渐与现实产生偏差，然而目前尚无标准化的量化指标，用于判定数字孪生的安全保证何时已退化至低于可接受的阈值。
2.5. 中间件：ROS 2 及其替代方案
ROS 2 如今已具备作为车队级中间件的可行性：其 ros2_control 框架支持超过 50 种平台，而容器化部署则实现了 cloud-native 的车队管理。然而，对于亚毫秒级控制回路（如 force-controlled insertion 等应用场景），ROS 2 尚无法取代专有的 hard-real-time 堆栈。因此，大多数量产机器人采用双栈架构：将用于感知、规划及车队调度的 ROS 2，构建在供应商锁定的、专用于执行器控制的 real-time bus 之上；这种架构在边界处存在 impedance mismatch，使得调试、认证及延迟核算等工作变得更为复杂。弥合这一差距——无论是通过将确定性保障能力融入 open stack，还是通过在 real-time 域与 best-effort 域之间标准化精简的桥接接口——仍然是中间件领域的首要挑战。
2.6. 硬件加速感知流水线
像 NVIDIA Isaac ROS这类 GPU 加速感知库，提供了与 ROS 2 深度集成的 CUDA 加速 SLAM 和姿态估计功能，借助 zero-copy 传输技术可实现高达 10 倍的吞吐量提升。与此同时，与厂商无关的替代方案——包括 Intel OpenVINO、Google Intrinsic 以及 MoveIt 等社区开源软件包——依然具有关键意义，原因在于 NVIDIA 在 Physical AI 技术栈的多个层级（simulation、edge compute、perception、world models）均占据主导地位，一旦单一供应商的技术路线图发生调整，便可能引发供应链脆弱性风险；第 8 节将对这类集中化风险进行详细探讨。
3.世界建模与推理
前文所述的传感器与计算平台能够以每秒超过数 GB 的速率，生成海量的多模态数据流——包括来自 LiDAR 的点云、RGB-D 图像、force-torque 读数以及 proprioceptive 测量数据。然而，仅凭原始数据本身并不能实现智能行为。机器人必须将这些观测信息融合为结构化的内部表征：包括编码可通行空间的地图、捕捉 affordances 与语义信息的物体模型，以及能够预测动作后果的物理模型。这种从感知到理解的转化过程，正是世界建模（world modeling）所关注的核心领域。
世界建模涵盖映射、本地化、直观物理以及语义理解，它将经典的概率方法与基础模型相结合，旨在为动态环境中的规划与决策构建可执行的表征。
3.1. 建图与定位
同步定位与建图（SLAM）算法在估计机器人自身位姿的同时构建环境地图。经典SLAM方法通过扩展卡尔曼滤波和粒子滤波等概率滤波器，融合LiDAR、相机和惯性测量数据。这些方法擅长为导航任务增量式地构建一致性地图。现代视觉SLAM系统利用深度神经网络联合估计深度与相机位姿，即使在极具挑战性的光照条件下也能实现实时性能。ORB-SLAM3 支持单目、双目、RGB-D以及视觉-惯性等多种配置，使其能够灵活应用于仓储移动机器人和配送无人机。DROID-SLAM采用学习到的光流与bundle adjustment技术，在困难序列上的表现超越了传统方法。基于Radar的SLAM在工业场景中日益受到青睐，因为无线电波能够穿透灰尘、雾气和烟雾，从而在能见度多变的工厂和仓库中实现可靠导航。
3.2. 3D Scene Understanding and Semantic Mapping
除了几何信息之外，机器人还必须识别物体、affordances 和语义，才能与环境进行智能交互。视觉 - 语言模型（VLMs），例如 CLIP，使机器人能够通过从文本监督中学习视觉概念，将自然语言指令有效映射到感知层面。GPT-4V将这种能力进一步拓展至复杂场景理解，无需针对特定任务进行训练，即可响应诸如"找到顶层货架上的红色箱子"这类查询。最近的研究工作，如 ConceptFusion，将 CLIP 特征融合到 3D 语义地图中，支持实时的开放词汇（open-vocabulary）查询。基础 VLA 模型，如 π0，通过将 VLM 感知直接与运动控制集成，进一步推进了这一领域，使得从文本提示实现跨具身（cross-embodiment）操作成为可能（第 4 节）。在仓库环境中，Fetch Robotics 采用基于 VLM 的语义建图技术，无需重新训练即可识别并抓取新型号 SKUs，并能实时适应库存变化。同样，BMW 采用了语义料箱抓取系统，将 RGB-D 深度信息与 VLM 场景理解相结合，在装配任务中实现了媲美人类水平的灵活性与适应性。
3.3. 直观物理与因果推理
物理智能需要理解力、摩擦力及动力学如何影响物体。传统机器人技术依赖于显式物理引擎（如 MuJoCo 和 PyBullet）进行仿真与控制。MuJoCo 通过凸近似方法实现高效的接触仿真，能够快速且稳定地完成计算，但其软接触模型对某些物理现象（如材料变形历史和复杂摩擦动力学）进行了简化处理。PyBullet 凭借其开源易用性，已成为研究原型开发的常用工具。
深度学习方法能够从数据中学习物理的隐式表征，而无需依赖手工设计的模型。例如，图神经网络能够仅凭视觉观测来预测物体间的相互作用及运动轨迹结果。由来自 MIT、IST Austria 和 TU Wien 的 Hasani、Lechner、Amini、Rus 和 Grosu 共同开发的 LTCs是一种时间连续的神经模型，能够根据输入自适应调整其动力学特性，从而实现对新环境和条件的泛化能力。在无人机导航实验中，基于 liquid network 的系统展现出对先前未见过的季节和地理条件的强大泛化能力，性能优于标准的图神经网络。
制造业应用则利用预测性物理模型来规划可变形物体（如线缆布设或织物处理）的操作序列，这类场景下经典的刚体假设往往失效。
3.4. 规划与决策
世界模型为规划算法提供输入，用于确定如何实现目标。经典规划方法采用离散状态空间上的图搜索；例如，A* 算法通过结合 cost-to-come 与启发式估计，在已知环境中寻找最优路径。基于采样的方法，如 Rapidly-exploring Random Trees（RRT），在高维连续空间中表现优异，使其成为机器人机械臂运动规划的理想选择。轨迹优化方法如 CHOMP通过最小化代价泛函来优化路径，该泛函在运动平滑性、避障能力与动力学约束之间取得平衡。Model-based reinforcement learning利用学习到的动力学模型在连续空间中进行规划，在执行前于内部模拟候选动作。分层方法将长时域任务分解为多个子目标；例如，高层策略可能决定将箱子从货架移动至桌面，而底层控制器则负责执行具体的抓取与运输 maneuvers。
最近关于embodied AI的综述将motion planning方法分为四类：
• Hierarchical planners将任务分解为抽象技能和低级执行，从而生成可解释的plans，并支持primitives在不同任务间的复用。然而，当subtask边界模糊时，hierarchical planners可能在持续优化方面面临挑战。
• Optimization-based planning将motion generation建模为constrained optimization problem。诸如RRT和CHOMP等方法能够在满足动力学和碰撞约束的前提下找到可行的trajectories。这类方法可生成smooth trajectories，但依赖精确的models，且计算开销较大。ABB的collaborative robots即采用基于CHOMP的planning方案，以在与人工操作员共享的工作区中实现安全导航。
• Morphology-based planning考虑机器人physical configuration的变化。某些任务可通过调整morphology获益——例如，能够在walking与rolling模式间切换，或动态调整肢体长度的机器人。目前，自适应变形机器人与多模态运动已成为形态规划的重要探索方向。
• Vision-或transformer-based planning利用大型神经网络实现端到端策略生成。CLIPort 融合CLIP的语义理解与传输网络，将视觉和语言输入直接映射为用于abletop操作的空间动作基元。Vision-language transformers基于latent representations而非explicit state spaces进行运算，并依托大规模datasets训练，从而具备跨任务、跨环境的generalization能力。
每个类别都需要在可解释性、sample efficiency与泛化能力之间进行权衡。融合不同planners的优势——例如，利用高层视觉语言规划器提出候选行为，再借助基于优化的planner对trajectories进行细化——仍是当前活跃的研究方向。在仓储场景中，Amazon采用分层规划来协调整个机器人车队的交通调度，而各个机器人则通过局部优化实现obstacle avoidance。图3展示了这些规划组件如何在完整的Physical AI pipeline中与perception、world modeling以及action execution进行集成。
表3. Physical AI系统规划方法对比。各方法在可解释性、计算成本与泛化能力方面呈现出不同的权衡取舍。
图3. Physical AI系统的世界建模流程。箭头表示数据从传感器输入端（左侧）流经四种互补的表征类型——几何表征（maps、point clouds）、语义表征（scene graphs、VLM features）、基于物理的表征（dynamics models、causal graphs）以及digital twin（virtual replicas、fleet-level simulation）——最终流向规划与动作执行模块（右侧）。齿轮图标代表基于物理的推理（dynamics engines）；云/环形图标代表digital twin层（simulation与fleet optimisation）。反馈箭头展示了执行结果如何优化每一种表征。
3.5. 仿真与数字孪生
仿真技术对于大规模验证机器人行为，以及在无需承担物理风险或成本的前提下生成合成训练数据，仍然不可或缺。现代数字孪生流程融合了照片级真实感渲染、高精度物理仿真，以及与机器人中间件的深度集成。NVIDIA Isaac Sim 5.0于 2025 年以开源形式发布，构建于 Omniverse 平台之上，是这一技术路线的典型代表：基于 USD 的场景构建使 CAD 设计师、控制工程师与 ML 从业者能够围绕单一可信数据源协同工作；PhysX提供富含接触交互的动力学仿真能力，而原生的 ROS 2 Jazzy 接口则大幅简化了部署流程。Amazon Robotics 为其履约中心构建并维护运营级数字孪生系统，用于在车队规模全面部署之前预演工作流程；相关部署效果将在第 7 节中详细讨论。
西门子的 Xcelerator 平台提供全面的数字孪生解决方案，能够将机械设计、电气系统、多物理场仿真与机器人技术进行深度集成。该平台融合了基于物理原理的人体模型以支持安全仿真，可在实际部署之前实现工厂系统的虚拟调试。2024 年，西门子进一步拓展了与 NVIDIA 的合作伙伴关系，针对从机器人控制到质量检测等各类 GPU 加速自动化任务，完成了相关工业 PC 的认证工作。
学术模拟器是对这些商业技术栈的补充：Habitat 3.0专注于带有动态人类虚拟角色的室内具身任务，MuJoCo和 CARLA分别仍是涉及丰富接触交互的操作任务与自动驾驶领域的标准基准平台，而 Gazebo和 PyBullet等开源工具则有效降低了入门门槛。在所有平台中，关键趋势包括：用于基于梯度的学习的 differentiable physics、编码物理材质的"SimReady"资产库，以及与数据集整理流程的紧密耦合，从而使真实世界日志能够持续优化数字孪生。
在这一设计空间中，浮现出三条架构层面的断层线。第一条是 fidelity–throughput trade-off：那些在 照片级真实感渲染与多物理场耦合方面深度投入的平台，虽能实现高度逼真的视觉呈现与动态仿真效果，却难以支撑 强化学习所必需的每小时数百万次 rollouts；而轻量级接触引擎则以牺牲材料精度为代价来换取运算速度。第二条是 scope–openness tension：vertically integrated commercial stacks 提供了从 CAD 从导入到合成数据导出的端到端工作流程，但其专有的场景图与资产格式引发了生态锁定的担忧；反之，开源引擎虽具备 可扩展性与可重复性优势，却导致工具链碎片化，迫使研究人员自行整合 渲染、物理与中间件之间的桥接模块。第三条是 single-agent–fleet gap：大多数 simulators 仅建模单个 robot与静态或脚本化环境之间的交互，但 real-world deployments 却需要协调数十个异质性主体在与 humans 共享的动态空间中协同运作。尤为值得注意的是，目前普遍缺失一种有原则的仿真到现实反馈循环：现有的任何模拟器都无法自动量化自身的 reality gap，无法摄取现场部署日志，更无法在无需人工干预的情况下，对其物理、渲染或交通模型进行自动 re-calibration。
可微分渲染（Differentiable rendering）开启了一类互补的逆问题求解范式：通过梯度下降（gradient descent）优化场景参数（几何结构、材质、光照），以匹配目标观测数据。以 Mitsuba 3 [73] 为代表的系统支持结合自动微分（automatic differentiation）的物理精确光传输模拟，从而实现三大关键 Physical AI 应用场景：具备精确反射特性的合成数据生成、能够恢复传统 SLAM 无法获取的材质属性的场景重建，以及通过基于梯度的方法最小化渲染图像与真实传感器观测之间的视觉差异，进而实现 sim-to-real 迁移 [74,75]。随着可微分物理（differentiable physics）与渲染技术的不断成熟，二者的深度融合有望加速整个技术流程中 sim-to-real 差距的弥合。
3.6世界基础模型
世界基础模型（WFMs）通过提供在不同动作作用下世界如何演化的预测模型，扩展了物理人工智能系统的能力。与传统方法仅依赖手工设计的物理规则或底层策略不同，WFMs 提供了一个经学习获得的"imagination"层，使机器人能够预测候选规划方案的后果、评估安全性，并仅需有限微调即可适应新环境。这些模型通过提供基于多模态数据的长时域推理信号，与 perception 和 control stacks 形成有效互补。
NVIDIA的Cosmos平台是可部署WFMs的典范，融合了动作条件视频生成、sim-to-real域适应（在混合pipeline中将导航成功率从54%提升至91%）以及基于物理的常识推理。Google的Genie 2则致力于实现类似目标，能够根据单张图像生成交互式环境。
然而，当前所有 WFMs 仍普遍存在一个关键的"Gen2Real gap"：生成式模型所产生的输出虽然在统计上合理，却在物理层面缺乏一致性——物体在遮挡下会凭空消失、重力规律遭到违背，而扩大模型规模虽能提升视觉保真度，却无法可靠地改善物理正确性。将生成式增强与基于物理的仿真相结合的混合流程，正逐渐成为一种切实可行的应对方案。
Genesis simulator 代表了一种互补性方案：这是一款开源的生成式物理引擎，融合了基于学习的生成模型与基于物理的仿真技术。这种混合神经符号方法旨在降低世界模型中的幻觉问题，同时保持生成内容的多样性，从而使预测模型能够在仓储自动化、协作机器人等安全关键型应用中实现更安全的部署。随着 WFM 技术的日益成熟，预测性世界建模与系统级数字孪生（如制造业中采用的离散事件仿真器）的深度融合，将支持机器人集群部署的端到端优化，涵盖从布局设计到故障恢复策略的全流程。
3.7. 系统级仿真与运营优化
在工厂层面，离散事件仿真平台（如 Simio）通过对全厂工作流程进行建模，与机器人专用仿真器形成互补。宝洁公司（Procter & Gamble）的"Control Tower"虚拟孪生系统将空载卡车行驶里程减少了约 15%，这一案例表明，将车队级 digital twins 与机器人级仿真相结合，能够实现从布局设计到故障恢复的端到端优化。随着 WFM 技术的不断成熟，下一个前沿方向是实时预测控制：在部署阶段以 10+ Hz 的频率运行 inference，使模型预测闭环能够在执行前毫秒级时间内预判候选动作的潜在后果。当前面临的关键瓶颈仍是 verification 问题——生成式 world models 可能会"幻觉"出物理上不可能出现的结果，因此需要采用混合架构，将用于短时限动态推演的快速基于物理的 simulation，与用于长时限语义预测的生成式模型相结合。
4.感知、VLMs/VLAs 与通用策略
世界模型为机器人提供空间布局、物体属性及物理动力学的结构化表征——即实现导航与操作所必需的几何与机械理解。然而，这种传统方法依赖于显式状态表征和手工设计的感知流程，难以应对开放式推理任务：机器人应如何响应"tidy the kitchen"这一指令？"fragile"一词对抓取策略意味着什么？当存在多个候选物体时，哪一个才是"the red one on the left"？回答此类问题不仅需要几何理解，更需依托语言与视觉上下文进行语义推理。这种能力源自 vision-language-action models，它们在单一神经架构内统一了感知、语言理解与控制功能。
大语言模型（LLM）和视觉-语言模型（VLM）正日益深度融入机器人技术栈的各个层面：它们将自然语言目标转化为符号化流程，将感知信息落地为具体行动，甚至能够生成代码来整合传统控制器。通过利用互联网规模的先验知识，这些模型推动机器人超越预设的脚本行为，迈向能够沟通、解读意图并实时适应环境的系统。然而，同样的灵活性也带来了新的风险，例如模型可能生成幻觉性计划、不安全地使用工具，或在面对从未见过的具身形态时表现出性能脆弱性。
应对上述挑战，需要与前文所述组件——世界模型、数字孪生以及安全监测器——实现紧密整合。丰富的模拟环境能够提供 微调大模型所必需的反事实体验，而 runtime guardrails 则可将模型输出的建议约束在可验证的 behaviours 范围内。本节将回顾三个相辅相成的发展趋势：面向 planning 任务的语言模型、融合 perception 与 action 能力的多模态模型，以及在多样化 robot fleets 上训练的通才政策。若需了解涵盖 视觉编码器、语言模型、动作解码器及训练方法的 VLA models 全面架构综述，我们建议读者参考 Kawaharazuka 等人的研究成果，该文献对模态集成技术与跨具身学习范式进行了系统性分析。
4.1. 感知基础
在语言能够指导行动之前，机器人必须将原始传感器数据流解析为结构化的场景表示。三项关键进展重塑了机器人感知领域。首先，开放词汇检测与分割：Segment Anything (SAM) 和 Grounding DINO等基础模型使机器人能够根据自然语言查询定位并分割任意物体，无需针对特定任务进行训练，从而取代了传统手工设计的检测流程。其次，3D 场景表示：神经辐射场 和 3D高斯散点图如今作为紧凑且可微分的世界表示，被广泛应用于操作规划；Distilled Feature Fields (F3RM) 将 CLIP 特征嵌入 NeRF 体积中，以实现 few-shot 6-DOF 抓取，而 Gaussian splatting 的变体则支持具备安全保证的实时导航。第三，点云骨干网络：PointNet++仍是操作任务中 3D 物体识别广泛采用的架构，尽管基于 transformer 的替代方案正在迅速缩小精度差距。这些感知模块为下游 VLA 模型执行开放式任务提供了所需的视觉基础。
4.2. 用于机器人规划的LLMs
机器人领域最深刻的变革之一，是将大语言模型（LLMs）融入决策循环之中。传统控制器通常采用硬编码方式，或仅在狭窄的数据集上进行训练；相比之下，基于LLM的规划器能够利用广泛的常识性先验知识，对新任务与新环境进行推理判断。早期实验如PIGLeT将文本驱动的推理与模拟家庭环境相结合，表明经过语言条件调控的智能体无需繁琐的手动编程，即可习得直观的物理认知与物体语义理解。
PaLM-SayCan推广了将预训练语言模型与接地 affordance 模型相结合的理念。LLM 负责将自然语言目标分解为候选的高层技能，而 affordance 模型则评估机器人能否基于其传感器、执行器及当前状态来执行每一项技能。通过可行性评分对提出的计划进行筛选，有助于保障系统安全——那些可能违反运动学限制或必要前置条件的指令，会在抵达底层控制器之前被过滤掉。该架构的多种变体现在已能够支持长程任务规划、分层控制，以及在环境动态变化时的交互式重规划。
交互式对话与代码即行动。
另一研究方向将 LLM 视为即时程序员。诸如 Code-as-Policies等系统会向模型输入 API 文档与文本任务描述，使其能够生成 Python 或 ROS 代码，从而将现有的基础模块拼接组合。Chain-of-thought prompting 通过强制 LLM 阐明中间推理过程与安全检查步骤，有效提升了系统可靠性。人类监督者可在代码执行前对其进行检查、修改或否决，由此形成一种协作闭环：模型负责提出新颖的行为方案，而操作员则保留最终控制权。尽管此类处理流程目前仍属半自主模式，但它们已预示着未来趋势：机器人将能够通过组合感知、规划与控制例程库，按需扩展自身的技能库。
4.3. 视觉-语言-动作模型
视觉-语言模型（VLMs）通过将视觉感知与语言理解相结合，有效解决了机器人规划中的接地（grounding）问题，从而实现更加精准且具备上下文感知能力的控制。OpenAI 的 GPT-4V在具身（embodied）场景中展现了卓越的视觉-语言能力：研究表明，GPT-4V 能够理解视觉场景，并生成可通过 code-as-policies 框架转化为机器人动作的自然语言指令。机器人视觉-语言规划（ViLa）方法 借助 GPT-4V，基于视觉观测信息与高层语言指令生成可执行的动作步骤序列，将感知信息直接融入推理与规划流程之中。PaLM-E是一种具身多模态语言模型，它将 PaLM LLM 与多种传感器编码器——包括 Vision Transformers (ViT)、Object Scene Representation Transformers (OSRT) 以及状态估计向量——进行整合，从而实现丰富的场景理解，并为下游控制器生成自然语言指令。
4.4. 通用智能体与跨具身策略
从任务专用型控制器向通用智能体的演进，标志着机器人技术领域的一次根本性转变。DeepMind 推出的 Gato为此提供了早期实证：该研究在一个涵盖文本、图像及机器人控制的 604 项任务数据集上，训练了一个参数量达 1.2B 的单一体 transformer 模型。尽管 Gato 在单一任务上的表现相对有限，但它成功证明了：只要训练数据具备足够的多样性，跨模态迁移——即通过视觉理解来增强运动控制能力——是完全可行的。
在此基础上，Physical Intelligence 推出了 π0（pi-zero），这是一个专为多形态机器人连续控制而设计的机器人基础模型。该架构采用基于 PaliGemma（30 亿参数）的 flow matching 方法，并额外增加 3 亿参数，以 50 Hz 的频率实现连续动作生成。与输出离散类别决策的动作模型不同，π0 的 flow matching 能够实现平滑、实时的轨迹生成，这对于灵巧操作至关重要。该模型在来自七个机器人平台、涵盖 68 项独特任务（包括自主折叠衣物和纸板箱组装）的数据上进行训练，展现出跨形态迁移能力：在一种机器人形态上习得的技能，无需修改架构即可迁移至不同的硬件配置。2025 年 2 月，π0 及其后续版本 π0.5 的开源发布，使业界能够普惠获取最先进的机器人智能技术；其中 π0.5 将泛化能力进一步拓展至训练分布中完全未涵盖的全新环境。
NVIDIA 的 GR00T N1专门面向人形具身智能体：这是一个 30 亿参数的模型，将冻结的 Eagle 视觉 - 语言主干网络与流匹配动作 Transformer 相结合，基于真实人形机器人演示、源自 GR00T-Dreams 仿真蓝图的合成轨迹，以及互联网规模视频的混合数据进行训练。其后续版本 GR00T N1.5 在 DreamGen 基准测试中将任务成功率提升至 N1 的三倍（在 12 项操作任务中达到 38.3%，而 N1 仅为 13.1%），这表明在 Isaac Sim 中生成并经由 Cosmos Transfer 增强的合成数据，能够大幅缩减以往长期制约人形机器人学习进展、耗时数月的数据采集工作。
Figure AI 的 Helix通过双系统架构来应对延迟与能力之间的权衡：System 2（一个运行频率为 7–9 Hz 的 7B VLM）负责场景理解与任务规划，而 System 1（一个运行频率为 200 Hz 的 visuomotor policy）则生成精确的全身运动控制指令。这种解耦设计使得机器人能够根据自然语言提示，以 zero-shot 方式操控此前未见过的物体，同时整套系统可完全运行于嵌入式 GPU 之上——这正是实现经济可行的人形机器人规模化部署的必要前提。由 Helix 驱动的机器人目前正在宝马斯巴坦堡（BMW Spartanburg）工厂试点开展物料搬运任务，充分展现了其工业级就绪能力。
Google DeepMind 的 Gemini Robotics基于 Gemini 2.0 构建，是迄今为止报道的最广泛 VLA 平台，在泛化基准测试中将此前 VLA 的性能提升了一倍。其后续版本 Gemini Robotics 1.5引入了三项核心能力：透明推理（transparent reasoning），可呈现中间决策步骤；跨具身运动迁移（，使在某一平台习得的技能能够迁移至不同硬件；以及提供 state-of-the-art 空间理解能力的 Embodied Reasoning (ER) 变体。与 Boston Dynamics、Apptronik 及 Agility Robotics 的合作伙伴关系，标志着该技术正快速从研究阶段向商业部署过渡，并覆盖各类领先的硬件平台。
这些进展表明，技术正朝着整合感知、推理与行动的统一架构方向收敛。双系统架构的成功——将快速 reactive control 与较慢的审慎推理相结合——表明这一范式可能在通用机器人技术领域占据主导地位，其意义类似于 transformer 架构统一 natural language processing 的方式。图 4 展示了 VLA 模型架构从早期 single-task systems 演进至当前 generalist agents 的发展历程，呈现了模型规模、训练数据多样性以及控制能力等方面的进步，正是这些进步使得 cross-embodiment deployment 成为可能。表 4 对这些模型进行了系统性的架构对比，揭示了区分各系统设计的关键设计选择。
图4. 2022年至2025年Vision-Language-Action模型架构的演进历程，展示了从单任务系统向具备cross-embodiment控制能力的通用智能体（generalist agents）的发展进程。该时间线呈现了模型规模的持续扩大、训练数据多样性的不断提升，以及控制精密程度的日益增强，这些进展共同推动了该模型的工业部署。
表4. 代表性VLA模型（2022–2025）架构对比，按三个发展阶段依时间顺序排列。该表突出了从离散动作、单具身系统向连续控制、跨具身通用智能体的演进历程。Freq. 表示有效控制频率；Emb. 指训练过程中所采用的不同机器人形态数量。
设计权衡分析。
从这个对比中可以归纳出三大架构趋势。首先，action decoder 经历了从离散 token 化（RT-1/2, OpenVLA）到扩散模型（Octo, RDT-1B），再到 flow matching（π0, GR00T N1）的演进：离散 token 方案能够利用预训练 language model 的权重，但将控制带宽限制在 3–6 Hz；扩散模型能够实现多模态 action 分布，但以推理延迟为代价；flow matching 则能够以 50+ Hz 的频率实现连续、低延迟的生成。其次，双系统架构在 Helix 和 GR00T N1 中独立出现，将慢速的审慎推理（VLM，7–10 Hz）与快速的反应式控制（visuomotor loop，120–200 Hz）解耦——这一设计呼应了认知科学中 System 1/System 2 的区分，对于需要毫秒级响应的 contact-rich manipulation 任务而言似乎必不可少。第三，参数效率始终优于单纯的模型规模：OpenVLA（7B）以仅 1/7 的参数量超越了 RT-2-X（55B），而 Octo（93M）仅需一小部分计算资源即可提供具有竞争力的泛化能力，这表明跨不同 embodiments 的训练数据多样性比单纯的模型规模更为重要。值得注意的是，这十款模型中有六款完全开源，这使得社区能够快速迭代，并降低了新研究团队的进入门槛。
4.5. 基准测试与评估
对 20 个 Open-X-Embodiment 数据集的系统性基准测试表明，参数效率比单纯的模型规模更为关键：OpenVLA (7B) 以仅 1/7 的参数量，性能超越 RT-2-X (55B) 达 16.5%，并超出 Diffusion Policy 20.4% 。GPT-4o 通过 prompt engineering 实现了最为稳定的跨任务表现，但所有模型在面对需要多步规划或适应重大环境变化的任务时仍面临挑战。2022 至 2025 年间，该领域已从寥寥数个 VLA 系统发展至超过 45 种专业化实现方案 ，然而，针对安全性、可解释性以及故障恢复的标准化评估指标仍显不足——这些方面对于实际部署至关重要，却在当前评估框架中未得到充分体现。
5.物理AI中的学习
上一节探讨了包括RT-2、π0和Gemini Robotics在内的前沿vision-language-action模型——这些系统能够理解并遵循自然语言指令、灵活操控各类物体，并在不同具身平台之间实现能力泛化。上述能力并非源于手工编写的规则，而是来自学习：即让机器人能够通过交互、示范与实践经验来习得技能的算法。要深入理解这些模型为何能够实现如此卓越的性能，就需要考察支撑其背后的学习范式。
学习使物理AI系统能够在无需显式重新编程的情况下，随着时间推移实现适应、泛化与持续改进。主要范式包括强化学习（RL）、模仿学习、自监督学习以及混合方法。现代实际应用越来越多地融合多种学习方法，以在样本效率、鲁棒性与泛化能力之间取得平衡。本节综述了关键算法、基准测试及实际部署案例，阐释学习如何将机器人从执行固定例程转变为具备自适应能力的智能体。
5.1. 强化学习
强化学习在Physical AI领域催生了一系列令人瞩目的成果展示——从针对新颖物体实现96%的抓取成功率，到低成本quadrupeds上完成动态parkour——然而，其在实际部署系统中的影响力，仍比这些轰动性成果所暗示的范围更为有限。该领域已从需要数百万次交互的model-free方法，逐步演进为model-based与offline方法，后者可大幅降低样本需求。表5总结了主要算法及其trade-offs；下文我们将分析推动这一演进趋势的部署模式与关键瓶颈。
表5. 用于机器人控制的深度RL算法。从model-free到model-based再到offline方法的发展路径，体现了该领域针对真实场景部署中sample-complexity瓶颈问题的应对策略。
关键分析
早期的无模型方法（PPO、SAC、TD3）证明了深度 RL 能够解决单个机器人任务，但其样本复杂度——通常每个任务需要 10⁵–10⁷ 次环境交互步——使得在缺乏仿真环境或大规模车队数据采集的情况下，多任务的真实世界训练变得不切实际。PPO 在仿真导航基准测试中实现了约 90% 的成功率，混合 IL+RL 方法在 AGV 导航任务上达到了约 95%，但这些结果若未经显著适配，很难迁移到非结构化场景中。这一瓶颈促使了三种应对方案：(i) 基于模型的方法，如 TD-MPC2，通过学习潜在动态，在仅使用一组超参数的情况下，于 10⁴ 个任务上实现了强劲性能 ；(ii) 离线 RL 方法，如 Q-Transformer，利用大规模演示数据集而无需在线交互；(iii) 基于扩散的策略，将生成模型的表达能力与价值导向优化相结合，在大多数 D4RL 任务上达到了 state-of-the-art 性能。标准化基准测试——用于操作任务的 RoboSuite和用于多任务学习的 Meta-World——加速了算法间的比较，但该领域仍缺乏被广泛采用的、能够全面反映已部署 Physical AI 复杂性的真实世界评估协议。
5.1.1. Scaling RL：Fleet Learning与闭环控制
Kalashnikov等人提出的QT-Opt表明，大规模的off-policy RL能够针对未见过的物体实现96%的抓取成功率，该成果基于由7台机器人组成的集群自主收集的超过580,000次真实世界尝试数据。与传统的pipeline式抓取系统不同，QT-Opt采用闭环控制——根据实时摄像头观测持续更新其策略——并能够在无需显式编程的情况下，自主学习出重新抓取和物体重新定位等涌现行为。其核心洞见在于，离策略回放能够从集群数据中实现持续改进，这一理念此后已被广泛应用于工业picking系统中，这些系统每天通过数百万次交互进行持续学习。
5.1.2. 多机器人协同与多智能体学习
Fleet learning 将单智能体策略扩展至共享训练目标的机器人副本集群；而多机器人协同则提出了一个本质上更为困难的问题：异构智能体必须在带宽和时延约束下进行通信，同时学习互补的行为策略。当前主流范式是集中训练分布式执行（Centralised Training with Decentralised Execution, CTDE）：训练阶段，共享的 critic 或 mixing network 可以访问联合状态，但在部署时，每个智能体仅依据自身的观测进行决策。QMIX 提出了单调值分解方法，将团队奖励分解为各智能体的个体效用，从而实现了合作任务中可处理的 off-policy 学习；MAPPO后续研究表明，一种更简单的方法——采用共享集中式 critic 的独立 PPO——在标准基准测试中表现媲美甚至优于值分解方法，从而降低了机器人应用中的实现门槛。通信引入了另一个维度：图神经网络使智能体能够有选择地共享空间特征，从而在杂乱或遮挡环境中提升协同感知能力。近期，基础模型开始被应用于多机器人任务分配。COHERENT用基于 LLM 的提案-执行-反馈循环，将长时域目标分解为适用于异构机器人集群（包括 quadrotors、legged robots 和 manipulators）的子任务，在包含 100 项任务的基准测试中，其成功率超越了此前的规划方法。关于 LLM 集成至多机器人系统的综合性综述将新兴研究按任务分配、运动规划与人机干预等方向进行分类，并指出扩展至数十个智能体以及实时 replanning 仍是待解决的挑战。这些多智能体技术与第 6 节讨论的 fleet-scale 数据流水线以及第 7 节中的仓库部署形成互补，在共享空间中协调数百个移动单元是实际运营中的必要需求。
5.1.3. 动态与高接触场景中的RL
在解析式控制器难以应对的场景中，RL展现出卓越性能：即那些模型信息不充分的高度动态或接触丰富的任务。通过大规模域随机化，一个完全在仿真环境中训练的单一神经网络策略，使得低成本四足机器人能够完成parkour动作——跳跃至高度为其两倍的障碍物上，并跨越长度为其两倍的间隙。经由RL训练的Liquid Time-Constant Networks 使无人机能够在不同季节和地形间实现泛化，而无需重新训练。在机械操作任务方面，RialTo 利用极少的真实数据构建digital twins，通过带稀疏奖励的RL对策略进行微调，并将其知识蒸馏回真实机器人，在堆叠餐具等高接触任务上将鲁棒性提升了67%以上，同时仅需极少的人工监督。
5.1.4. 足式移动与全身控制
足式移动是仿真环境中训练的RL（强化学习）如何迁移至最具动态性的物理任务的典型范例。当前的主流范式是教师-学生知识蒸馏：一个拥有真实地形地图和接触力等"特权"信息的教师策略通过RL在仿真环境中进行训练，随后被蒸馏为一个仅依赖本体感知历史、可实际部署的学生策略。Miki等人在ANYmal机器人上验证了这一方法，他们训练了一个基于注意力机制的循环编码器，该编码器融合本体感知与外感知信息，通过零样本sim-to-real迁移，使机器人能够穿越高山小径、楼梯和碎石地带。Rapid Motor Adaptation（RMA）引入了一种在线自适应模块，能够在几分之一秒内推断出潜在的环境参数，使单一策略无需显式的地形分类即可应对沙地、泥地和可变形表面。基于这些四足机器人的研究成果，Hoeller等人将该方法扩展至ANYmal机器人上的敏捷跑酷导航，速度可达2 m/s，这与Cheng等人的低成本四足机器人跑酷成果形成了互补。
人形机器人运动控制技术近年来发展迅猛：Radosavovic 等人基于本体感知历史数据，采用大规模 model-free RL 训练 causal transformer，实现了 zero-shot sim-to-real 的双足行走，使机器人能够在多样化的户外地形上稳健行进，并自发涌现出类人的摆臂动作。Cheng 等人通过引入人类 motion-capture 数据，将这一方法扩展至全身控制：上半身模仿参考动作，腿部则跟踪速度指令，从而使全尺寸人形机器人能够完成行走、跳舞和握手等动作。这些运动控制领域的进展为第 7 节所述的人形机器人部署方案提供了技术支撑，在这些方案中，Figure 02 和 Optimus 等平台需在工厂车间环境中，在执行各类操作任务的同时实现自主导航。。
5.1.5. 灵巧操作与手内技能
灵巧操作——即使用多指手进行抓取、重定向及工具使用——仍然是最具挑战性的接触密集型控制问题之一，因为它需要同时对摩擦力、重力以及高维度的手指协调进行联合推理。硬件的进步降低了入门门槛：LEAP Hand 提供了一款全驱动、拟人化的16-DoF机械手，组装成本仅为2,000美元（约为广泛使用的Allegro Hand成本的八分之一）；而Shadow Dexterous Hand则提供24-DoF，适用于需要人类级别kinematic fidelity的研究场景。在学习方法方面，AnyRotate通过将密集触觉感知与领域随机化相结合，训练出一个统一的sim-to-real策略，用于实现重力不变的多轴手内旋转，并在十种不同物体上成功实现了zero-shot迁移。
数据收集仍然是一个瓶颈：DexCap通过一款便携式motion-capture手套来解决这一问题，该手套能够记录人手运动轨迹并将其重定向映射到不同机器人形态上，从而无需依赖远程操作装置即可实现面向双手灵巧任务的diffusion-policy训练。综上所述，这些进展正在逐步缩小粗略的parallel-jaw抓取与装配、工具使用及家庭任务所需的精细操作之间的差距。
5.2. 模仿学习与从示范中学习
模仿学习（IL）通过专家示范来训练策略，无需进行复杂的 reward engineering，并能够快速启动机器人行为的学习过程。Behavioral cloning——即通过对 state-action pairs 进行监督学习——是最简单的 IL 方法，但当学习到的策略遇到训练阶段未曾见过的状态时，会面临 分布偏移的问题。DAgger（Dataset Aggregation）通过在学习者策略下迭代收集数据并结合专家修正来解决这一问题，从而有效稳定 导航与操作任务的训练过程。综合综述文献系统记录了 IL 技术的完整谱系，涵盖从动觉教学到对人类活动进行被动观察等多种方法。
现代 IL 系统通过将演示与自监督细化相结合，能够有效应对现实世界的复杂场景并实现规模化应用。Covariant 的 RFM-1 系统从人类演示出发，通过自主交互持续迭代优化，从而学会在仓库环境中抓取超过 10,000 种 SKU 类型的物品。特斯拉的擎天柱人形机器人借助穿戴动作捕捉服的人类操作员所提供的远程操作演示，学习并掌握部署于 BMW 工厂的装配任务。Figure AI 的 Figure 02 将 IL 与 在线 RL 相结合，通过演示与自主练习的混合训练方式，学习柜体装配、线束安装以及零部件搬运等任务。近期研究强调，数据的多样性比数量更为关键：基于多样化演示训练的策略，其泛化能力明显优于基于大规模但同质化数据集训练的策略。
混合式IL+RL方法兼具两种范式的优势。RialTo首先利用IL从示范数据中初始化策略，随后通过RL进行精细化调整，以有效应对边界情况并从扰动中恢复。该方法相比纯IL方案实现了67%的鲁棒性提升，同时所需交互次数远少于纯RL方法。在仓储自动化领域，Fetch Robotics 采用了类似的混合策略：人类示范提供粗略的抓取动作，而自主RL微调则负责适应部署过程中遇到的特定物体属性与光照条件。
近期，视觉运动策略学习领域取得了显著进展，展现出卓越的样本效率。Diffusion Policy将策略建模为条件去噪扩散过程，通过优雅地处理高维空间中的多模态动作分布，在 12 项操作任务上相较先前方法平均实现了 46.9% 的性能提升。Action Chunking Transformer (ACT)采用预测 k 步动作序列而非单一动作的方式，有效缩短了规划视界并缓解了误差累积问题；搭配低成本的 ALOHA 硬件（低于$20,000），仅需 10 分钟的演示数据，即可在灵巧双臂操作任务上实现 80–90% 的成功率。Mobile ALOHA 进一步将该方法扩展至全身移动操作领域，每项任务仅需 50 次演示，便能在家居任务中达到 90% 的成功率。
5.3. 自监督与无监督学习
在自监督学习中，机器人通过与环境交互自主生成训练标签，从而无需依赖人工标注。Time-Contrastive Networks（TCN）以时间对应关系作为监督信号，从多视角机器人视频中学习视觉表征：时间上接近的帧应具有相似的 embeddings。TCN 能够实现跨本体迁移——在一种机器人上训练得到的策略，可通过对齐所学视觉特征，迁移应用于其他类型的机器人。World Models则在此基础上更进一步，通过学习环境动态的紧凑预测模型，使智能体能够在所学模型的 latent space 内进行训练，而无需直接在真实世界中开展训练。这种方式显著减少了与真实环境的交互需求，对于成本高昂的机器人硬件而言，这是一项至关重要的优势。
自监督方法使机器人能够通过探索性交互自主生成训练数据。典型应用包括：预测随机动作的执行结果、重建缺失的感官模态（例如从视觉信息推断触觉反馈），或学习逆模型以推断何种动作导致了观测到的状态转移。这些技术在表征学习方面尤为关键：相较于在狭窄监督目标下训练的特征，无监督学习获得的特征往往能更有效地迁移至下游的操控与导航任务。Tesla 的 Full Self-Driving 系统是大规模自监督学习的典范，该系统从数百万英里的人类驾驶数据中提取监督信号，无需人工标注即可学习场景表征、物体恒存性（object permanence）以及轨迹预测。在仓储场景中，Amazon 机器人通过每日数千次的抓取尝试，学习哪些视觉特征能够预示抓取成功，从而利用自监督学习发现稳定的抓取示能（grasp affordances）。
从人类视频中学习.
实现数据可扩展的机器人学习的一个有前景的途径是：在大规模人类活动视频语料库上预训练视觉表征，随后以极少的领域内数据将其迁移至机器人操作任务。R3M在 Ego4D 数据集上将时间对比学习与视频-语言对齐相结合，相较于从头训练，将操作成功率提升了 20% 以上。VIP将表征学习构建为 离线目标条件强化学习，生成的 embeddings 其距离可作为稠密的视觉奖励信号——使得真实机器人仅需少至 20 条 trajectories 即可实现 few-shot 学习，且无需针对特定任务进行微调。Voltron通过语言条件化视觉重建与视觉基础的语言生成，统一了上述两种范式，同时捕捉低层空间特征与高层语义信息。除了冻结表征之外，UniSim从多样化数据集中学习交互式视频世界模型，使得 视觉语言规划器与 RL policies 可完全在所学模拟器中训练，并以 zero-shot 方式迁移至真实机器人。这些方法的重要意义在于，它们能够利用比纯机器人语料库高出数个数量级的数据，为弥合第 5 节所指出的数据差距提供了一条可行路径。
表 6. Physical AI 系统的学习范式。每种方法在数据需求、样本效率与 reward engineering 需求之间各有不同的权衡。
5.4. 仿真到现实迁移与域适应
现实差距——即仿真环境与真实世界动力学之间的差异——仍然是部署学习策略时面临的核心挑战。域随机化通过在仿真训练过程中对视觉渲染、物体属性及物理参数进行多样化设置来应对这一问题，从而生成对分布偏移具有鲁棒性的策略。OpenAI 的研究表明，在仿真环境中通过高强度随机化训练所得的策略，无需任何真实世界的 微调即可直接迁移至真实机器人。系统辨识则采用了一种互补的方法：在策略训练之前，利用少量真实世界数据对仿真参数（如摩擦系数、执行器动力学、传感器噪声等）进行校准，从而实现更精准的 sim-to-real 迁移，且所需真实数据量仅为纯真实世界训练方法的 1/10。
对抗域自适应通过对抗训练学习对齐仿真环境与真实环境中的视觉分布，使策略在保留任务相关信息的同时，对视觉外观差异具有不变性。元学习方法如MAML学习策略的初始化参数，使其仅需少量梯度步骤即可快速适应新环境，从而实现在多样化真实世界条件下的快速部署。MAML已被应用于机器人推送、抓取和移动任务，展现出对新颖物体、地形及光照条件的few-shot适应能力。
工业部署越来越依赖于第3.5节所述的数字孪生基础设施，以实现sim-to-real迁移：策略在部署至物理设备集群之前，需先在高保真仿真模型中完成验证；同时，随着运行条件发生漂移，live telemetry会持续对digital twin进行动态校准。当前的发展趋势是将仿真、部署监控与在线适配紧密集成。图5展示了这一闭环流程。
图 5. Sim-to-real transfer pipeline。实心深色箭头（沿外围顺时针方向）描绘了迭代循环流程：Simulation Training → Domain Randomisation → Policy Learning → Real-World Testing → System Identification → Refinement，随后返回仿真阶段。虚线灰色箭头（指向内部）代表弥合现实差距的三种反馈信号：(a) 在仿真中回放的失败案例，(b) 用于更新物理模型的校准参数，以及 (c) 用于重新训练已部署策略的聚合车队数据。
5.5. 泛化与迁移学习
泛化能力——即在训练阶段未曾见过的任务和环境上仍能表现出色——始终是物理人工智能所面临的终极考验。在范围受限的仿真环境中训练得到的策略，往往因分布偏移而在真实世界部署时失效，具体诱因包括：光照条件差异、新颖的物体几何结构、意外出现的遮挡，以及同事在工作空间内移动等。提升泛化能力的技术贯穿整个学习流程：数据增强与域随机化可有效拓宽训练数据的分布范围；多任务学习通过在多样化任务上同步训练单一策略，促进可复用技能的形成；而元学习则专注于优化快速适应能力，而非追求在任一单一任务上的性能表现。
数字孪生与sim-to-real迁移技术（如RialTo 中所应用）提供了一种高效的泛化策略：通过构建针对特定部署环境的物理精确仿真，经过仿真微调的策略能够以高鲁棒性迁移回现实世界。课程学习——即在训练过程中逐步增加任务难度——有助于策略发展出层次化技能，其泛化能力优于直接对困难任务进行端到端训练。基础模型提供了另一条路径：先在海量多样化数据集上进行预训练，再针对具体部署任务进行微调。以Waymo的自动驾驶系统为例，该系统将基于仿真的强化学习与数百万英里的真实驾驶数据相结合，并针对不同地理区域进行针对性微调，从而实现了在城市、天气条件和交通模式等多种场景下的稳健泛化。
持续学习与终身学习旨在应对时间维度上的泛化挑战：机器人在学习新任务的同时，如何保持对旧任务的性能表现，避免灾难性遗忘，弹性权重巩固及相关技术通过约束参数更新，以保留先前任务的关键参数。在实际应用中，工业部署通常会维护任务特定的策略快照并进行选择性 fine-tune，以接受一定的内存开销来确保系统可靠性。随着机器人从受控的工厂车间逐步走向开放世界环境——如家庭、医院、户外建筑工地等——泛化能力将成为决定性挑战，这要求 学习、世界建模与实时自适应实现紧密整合。
5.6. 跨具身学习与大规模机器人数据集
在语言模型中观察到的 scaling laws——即更大的数据集和模型能够带来更好的泛化能力——正开始体现在机器人学习领域，尽管数据稀缺仍然是一个瓶颈。Open X-Embodiment 数据集代表了这一方向上的重要里程碑：该数据集由21家机构协作构建，汇集了来自22种不同机器人具身形态（从单臂机械手、双臂机器人到四足机器人）的超过100万条真实机器人轨迹，涵盖了来自全球34个机器人实验室的60个现有数据集。该数据集展示了跨越超过150,000项任务的527种技能，为通用型跨具身策略的研究提供了支持，这类策略能够高效地适应新的机器人、任务和环境。
在此数据上训练的RT-X模型，其性能大幅超越了单一实体基线：RT-1-X在学术任务上的表现较原始RT-1提升了50%，而RT-2-X在emergent skills方面的成功率达到了RT-2的3倍。这项工作验证了一个核心假设：利用来自多样化平台的数据进行共同训练，能够赋予模型额外的技能与鲁棒性，从而推动机器人学习从"为每个应用场景单独训练模型"的模式，向通用政策转变。未来的挑战在于，如何将机器人交互episodes的规模从100万扩展到数十亿级别——逐步接近训练现代语言模型所使用的2万亿tokens量级——同时有效应对具身学习所独有的挑战：运动学多样性、传感器异构性，以及真实世界探索中物理操作的不可逆性。行业参与者正大力投入数据飞轮的建设：Tesla从Optimus的部署中收集teleoperation日志，身体智能聚合来自不同客户站点的多机器人演示数据，而Amazon则将其仓库机器人车队作为持续学习的语料库。能够率先策划并构建首个包含1亿以上episodes的机器人数据集的公司或联盟，有望在通才控制领域获得决定性优势。
数据瓶颈：数量、质量与模态
数据稀缺已成为Physical AI领域的共识性挑战。这种差距在多个维度上都十分显著。数量方面：Open X-Embodiment的100万条剧集数据，与训练现代LLMs所用的2万亿tokens相比，存在2000倍的差距，这反映了采集真实世界机器人交互数据相较于网络爬取文本所面临的成本与难度。质量方面：近期的实证研究表明，多样化的demonstrations优于大规模同质化数据集——在不同场景、物体和光照条件下，基于多样化轨迹训练的policies，其泛化能力优于在相同设置下重复任务训练所得的policies。pre-training数据中的标签噪声会显著影响下游任务的性能，同时学习框架必须能够处理各种不精确的标签配置，包括部分标签和噪声标注。这意味着数据挑战并非单纯关乎数据量，而在于精心筛选丰富且具有代表性的经验数据。模态方面：有效的机器人学习需要同步的多模态数据流——包括vision、proprioception、force-torque sensing，以及描述intent的自然语言注释——与纯文本或纯图像数据集相比，这带来了显著的curation和storage开销。仅一小时的多摄像头、力觉遥操作即可生成数百GB的数据，远超语言模型训练所需的基础设施要求。
解决这一瓶颈需要系统性的解决方案。最具前景的短期方案融合了三种方法：遥操作演示（成本高昂，约$50–200/小时，但数据质量高）、仿真生成的合成数据（可无限生成但存在 reality gap），以及保守的 on-policy 方法（效率较高但存在硬件风险）。能够处理数据采集、整理、质量评估及隐私保护聚合的自动化数据集构建流程，正成为关键的基础设施。随着该领域的不断成熟，标准化的数据格式、质量评估指标以及 federated learning 协议，对于将机器人学习扩展至互联网规模的数据范式至关重要。
6.安全、伦理与部署
随着基础模型获得物理行动能力，确保其行为安全、可预测且与人类价值观保持一致，已成为一项社会技术层面的挑战。系统故障可能源于感知缺陷、推理错误、硬件性能退化或意外的人机交互，因此安全工程必须涵盖验证、治理、部署基础设施以及社会采纳等多个维度。理解人类与 AI 在感知方面的系统性差异，有助于识别基于视觉的系统中的潜在故障模式 ，进而为互补性验证策略的设计提供指导。
6.1. 模型中介控制的安全保障
由LLM驱动的控制器需要全新的验证工具。诸如SafeMindBench之类的基准测试，将自然语言目标描述与模拟操作及导航任务相结合，对具身智能体检测并规避危险的能力进行压力测试，并为先前未被察觉的故障模式提供结构化的评估指标。补充性分析梳理了具身基础模型中新兴的风险，并主张采用defence-in-depth策略，结合仿真压力测试、可解释监控器以及保守的恢复策略。这些方法将安全保障从ad hoc测试转向部署前对安全需求可量化的覆盖。
表7对Physical AI部署中观察到的主要故障模式进行了分类，并将每种模式与其根本原因、可观察症状以及既定的缓解策略相对应。
表 7. Physical AI 失效模式的分类体系（Taxonomy）。各类别涵盖从 perception、planning、control、hardware 到 human interaction 的完整技术栈。mitigation 措施援引了本综述全文所探讨的各类技术；单一 defence 手段并不充分，这促使我们采用 layered safety architectures（分层安全架构）。
6.2. 治理、监督与透明度
监管机构正在将高风险物理性AI的相关义务纳入法规体系。《欧盟人工智能法案》（EU Artificial Intelligence Act）将于2024年8月正式生效，该法案将与人类进行交互的自主机器人归类为高风险系统，并规定风险管理、上市后监测以及事件报告是部署此类系统的前提条件。
行业框架也在同步演进：Anthropic推出了一套AI Safety Level分类体系，要求在发布更高自主性模型之前，必须开展明确的危害分析、设定能力限制并进行分阶段的部署评审，这标志着AI系统正朝着结构化安全认证的方向迈进。
Anthropic的Constitutional AI（CAI）框架通过编码明确的行为引导规则，将价值对齐直接嵌入模型训练流程中；对于具身智能体，此类"宪法"可用于编码安全约束、操作指南以及伦理边界。
项目层面的监督日益依赖宪法式提示来实施行为护栏，但这些软性约束必须与可审计的日志记录以及针对不可逆操作的人工介入审批相配合，方能确保有效管控。
随着部署规模的不断扩大，责任认定框架面临着一项全新挑战：当自主系统造成损害时，责任往往分散于部署组织、VLA model 提供商、硬件制造商、仿真供应商以及传感器供应商等多方主体之间。传统产品责任制度难以有效应对此类情形，因为自主系统所采用的是通过实际部署持续演化的学习型策略，而非预先设定的固定工程行为。《EU AI Act》所制定的分阶段合规时间表（见 Figure 6）规定，高风险应用须于2027年8月前全面履行相关义务，这为监管提供了初步框架，但各司法管辖区的监管方法仍存在碎片化问题。迈向无处不在的 Physical AI 之路，需要基于真实世界的运营经验，对治理结构进行持续迭代与完善——包括引入第三方认证机制、明确运行设计域，以及建立标准化的事件报告制度。
图6. 欧盟《AI法案》针对Physical AI系统的实施时间表。六个监管里程碑节点涵盖从2024年8月（法案正式生效）至2027年8月（高风险系统完全合规截止日期），并根据紧急程度以颜色编码，从信息级（蓝色）渐变至关键级（红色）。该紧迫性等级梯度反映了针对Physical AI系统（包括仓储机器人、人形机器人及VLA基础模型）逐步升级的合规要求。关键合规措施包括风险管理、售后市场监测基础设施建设，以及第三方符合性评估。
6.3. 运营风险管理
运行时保障融合了感知、仿真与人工监督。团队部署影子策略，使其与生产控制器并行运行，并在预测风险超过阈值时自动介入干预；这一模式已在自动驾驶车辆领域得到应用，目前正逐步扩展至仓储物流和医疗健康等场景。Digital twin 基础设施有效提升了风险检测与响应能力：高保真传感器模型使工程师能够回放事故场景、修复感知模块缺陷，并在向设备舰队推送滚动更新之前重新验证策略有效性 。由于具身系统（embodied systems）会持续采集人类所处环境的数据，隐私保护与数据安全方面的担忧依然存在。端侧处理（On-device processing）、差分隐私和安全日志记录——这些技术措施均受区域数据法规强制要求——正成为平台认证的核心要求，相关依据包括 EU AI Act 等法案。
6.4. 社会与劳动力考量
随着协作机器人、自主移动平台和仿人机器人逐步承担重复性或高危任务，Physical AI（物理人工智能）将重塑劳动力市场格局。世界经济论坛《2025年未来就业报告》预计，到2030年，自动化与技术变革将在全球范围内取代9200万个岗位，同时创造1.7亿个新岗位——净增7800万个就业机会——这将显著提升对能够管理robot fleets（机器人集群）的技术人员、数据专家及安全专业人员的需求.
为建立公众信任，相关部署必须将技能重塑计划与关于故障处理及升级路径的透明沟通相结合。以人为中心的设计理念——包括清晰的功能示能、可解释的决策机制以及便捷可用的人工接管机制——对于实现社会认可与公平受益仍至关重要。随着Physical AI系统从完全自主运行模式逐步过渡到人类与机器人在共享空间协同作业的协作场景，构建高效的人机协作框架变得尤为关键。这些框架涵盖任务分配、通信协议及信任校准等核心要素，旨在确保安全的前提下实现高效协同。
6.5. MLOps 与部署基础设施
将学习到的策略部署至机器人集群，大量借鉴了云原生软件工程的最佳实践——通过容器化构建确保可复现性、通过编排式发布实现规模化扩展、借助实验跟踪平台实现模型治理——但同时也引入了物理人工智能（Physical AI）特有的约束条件：在异构边缘硬件上实现硬实时调度、每次发布前执行 hardware-in-the-loop 验证，以及采用 federated learning 协议在不集中敏感运营数据的前提下提升整个集群的性能。这些实践是机器人量产落地的基本门槛；而真正的差异化挑战在于如何将它们与下文所述的安全保证和车队学习工作流程进行有机整合。
边缘 - 云混合架构（如 FogROS2）通过将高负载推理任务卸载至云端服务商，并配合具备延迟感知能力的 failover 机制，有效解决了机器人端计算预算与基础模型需求之间的不匹配问题。
6.6. 车队学习与持续改进
车队学习实现了部署与训练之间的闭环。Wayve 从其 L4 级车队中摄取 PB 级别的驾驶数据，甄选边缘案例并微调模型，这些模型在通过 OTA 发布前需先在仿真环境中完成验证。物流运营商采用第 3.5 节所述的数字孪生基础设施，遵循相同模式：策略先在虚拟环境中预演，经回归测试后，再通过金丝雀发布方式逐步推送至车队。当前研究原型正在探索混合现实数据与数字孪生技术如何能够显著降低车队规模化部署的开发成本。
6.7. 运维、测试与发布自动化
机器人领域的 MLOps 流水线不仅涵盖模型注册表，还延伸至硬件在环测试、telemetry 标准化以及 automated rollback。来自具身基础模型研究的 hazard analyses 建议，每个版本发布都应包含基于模拟的回归测试、分阶段推出关卡以及持续合规审计。SafeMindBench 等 benchmarks 通过量化 scenario coverage 来完善这些流程，而 runtime monitors 则会标记可能需要 retraining的分布偏移。各组织正日益借鉴 cloud software 领域的成熟实践——例如 blue/green deployments、configuration as code、automated incident playbooks——但同时也必须兼顾 人身安全、供应链限制以及监管报告时限等特殊约束。成功的项目能够统筹协调整合这些流程，确保随着新固件、传感器或模型的部署上线，安全案例、合规性工件以及绩效仪表盘均能实现自动更新。
7.应用与案例研究
Physical AI 正在重塑生产线、仓库、出行服务以及科学实验室。领先的部署方案并非追求单一的"通用"机器人，而是将专用硬件与基础模型、模拟基础设施以及人工监督相结合。在以下探讨的各个领域中都反复呈现出三种跨领域的共性模式。首先，数字孪生与模拟基础设施已成为先决条件，而非单纯的加速器：任何车队规模的部署，若未经过高保真虚拟预演阶段，均无法推进。其次，基础模型泛化（第 4 节和第 5 节）是区分可扩展系统与定制化集成方案的关键经济杠杆：依赖按 SKU 或按任务进行工程开发的部署方案往往停滞于试点阶段，而那些采用 VLA风格泛化的方案则能将边际部署成本压缩至趋近于零。第三，安全与治理栈（第 6 节）决定的是上限而非下限：各领域普遍反馈表明，阻碍从试点迈向量产的瓶颈在于监管与认证壁垒，而非算法层面的障碍。读者应通过上述三个视角来审视后续的案例研究，思考每个部署方案在"受限自动化"到"开放世界自主性"这一连续谱系中所处的位置。
7.1. 人形机器人与柔性装配
汽车制造商正在试点部署人形机器人，以接管混合车型装配线上那些需要精细操作、人体工学难度较高的任务。2024 年，Figure 宣布与 BMW 达成一项多年期协议，将在 Spartanburg 工厂部署其 Figure 02 人形机器人，该机器人能够自主执行精确的、类人化的生产任务，以提升工厂车间的效率与人体工学水平。此次部署聚焦于重复性的物料搬运与检测任务，使技术人员得以腾出手来专注于质量管控与定制化工作，同时也为 Figure 的 vision-language-action 技术栈提供了真实的测试环境。Tesla 的 最优化项目同样以制造场景部署为目标，计划在 Tesla 工厂内部署人形机器人，用于电池单元搬运、零件分拣等任务，待验证完成后最终将扩展至外部客户。在市场另一端，Unitree 售价$5,900 的 R1 人形机器人专为研究与服务应用而设计，将 全身控制、基于视觉的感知 以及 自然语言交互集成于一个紧凑平台，能够胜任矿山、管道、变电站等危险环境的巡检任务。Sanctuary AI 的 Phoenix 人形机器人在灵巧性、感知能力、效率与 学习速度等方面取得重大突破，朝着类人智能不断迈进——能够在 24 小时内实现新任务的自动化，为通用机器人技术树立了全新标杆。这些试点项目表明，通才控制模型的进展将依赖于与工业合作伙伴的共同设计，后者能够提供高质量的任务数据与安全包络线保障。
以Microsoft Azure Machine Learning为代表的云端AI平台，正通过提供可扩展的基础设施，支持制造企业在分布式设施中训练和部署模型，从而为制造业公司带来日益增强的赋能。例如，Microsoft Azure平台使Denso等汽车供应商能够实施由AI驱动的质量检测与预测性维护系统，并与工业IoT传感器及manufacturing execution systems实现深度集成。这一案例充分体现了当前Physical AI领域广泛采用的cloud-to-edge部署模式：模型在中心端基于跨设施聚合的大规模数据集进行集中训练，随后部署至本地edge devices以实现low-latency inference，同时确保在网络中断时仍能维持业务连续性。随着生产条件的动态演进，此类平台通过有效应对持续模型更新、版本控制以及合规性监控等MLOps层面的复杂挑战，加速了基础模型在制造业中的规模化落地与应用。
在这些类人机器人与装配线部署应用中，呈现出三个共通的赋能要素。首先，任何一个已超越新闻稿阶段的项目，都依托于一家工业co-design合作伙伴，由该伙伴提供通用平台自身所欠缺的受限任务范围，高质量演示数据以及安全基础设施。其次，第2节所述的cloud-to-edge模式（集中式training、本地inference）普遍存在，这反映了一个现实：当前的edge accelerators虽能运行inference，却无法以foundation models所需的规模开展training。第三，从引人注目的实验室demo到多班制工厂deployment之间的差距，其主要瓶颈仍是可靠性与认证，而非perception或control：汽车制造领域的MTBF目标以月为单位衡量，远超当前任何类人机器人公开演示所能达到的水平。推进最快的pilot项目，往往是那些从范围明确、以人体工程学为导向的任务入手的项目——在这些任务中，失败是可恢复的，且其经济案例并不依赖于完全的自主性。
7.2. 仓储、物流与零售
履约中心日益依赖数字孪生技术来协调移动机器人车队、传送带系统与人工拣货员的协同作业。亚马逊表示，将 Isaac Sim 与高保真履约中心数字孪生模型相结合，不仅缩短了验证新工作流程所需的时间，还使工程师能够在向超过 100 万台机器人车队推送更新之前，预先模拟复杂的交通调度与充电策略。亚马逊与 Covariant 于 2024 年 8 月宣布建立合作伙伴关系，此次合作包括引进联合创始人 Pieter Abbeel、Peter Chen 和 Rocky Duan 等核心人员，标志着基础模型在仓库级运营中的重大整合。Covariant 的 RFM-1（Robotics Foundation Model 1）基于全球仓库部署中数千万条轨迹数据进行训练，使拣货机器人无需针对特定物品进行训练即可操作几乎任何 SKU——能够遵循文本或图像指令、回答关于周围环境的问题，并在指令模糊时主动请求澄清。这一能力有效应对了 SKU 多样性的根本挑战：面对处理数百万种不同产品的仓库，针对每件商品单独进行视觉训练已不再经济可行，基础模型的泛化能力因此成为必然选择。DHL Supply Chain 正在全球范围内扩展其机器人与 AI 能力，试点先进的拣选解决方案，以提升混合 SKU 订单的吞吐效率，并通过多模态验证降低错误率。FedEx 正在将 AI 驱动的分拣系统与机器人技术集成到其自动化枢纽中，孟菲斯等设施每小时可处理数万件包裹，同时提升准确率并减少人工干预 。零售商也在后台补货与退货处理环节采用类似的技术栈，而这些场景中长尾物体的多样性此前曾使自动化方案在经济上难以实现。通用做法是将富含传感器数据的遥测信息（RGB-D、force torque、条码扫描）汇入共享训练语料库，从而使每次软件更新都能提升整个机器人车队的性能表现。
在这些物流部署中，一个反复出现的共性模式是 fleet-level data flywheels 的核心地位：每一个成功的系统都会将 operational telemetry 回传至共享的 training corpus，使得每个 robot 的实践经验都能惠及整个 fleet，这正是 Section 5 中所深入分析的 continual-learning loop。这一架构也解释了为何 warehouse automation 能够比其他领域更早达到 Phase 1 maturity：该环境具备 sensor-rich 的特性，task vocabulary 虽然庞大但有界，且失败成本相对较低（包裹放错位置仅会带来不便，而非安全风险），这为 Section 5 中所述的 sim-to-real transfer 与 domain-randomisation techniques 逐步缩小 reality gap 创造了理想条件。区分能够规模化扩展的部署与陷入停滞的部署的关键，在于能否实现从 per-SKU engineered solutions 向 foundation-model generalisation 的转变。当前剩余的障碍并非来自 algorithmic 层面，而是 infrastructural 层面：如何整合异构的 legacy warehouse-management systems，如何在 SKU catalogues 频繁迭代更新的过程中保持 model freshness，以及如何随着每位 human operator 的 throughput 提升，妥善管理工作团队的转型过渡。
7.3. 自主移动与野外机器人
Wayve 展示了自动驾驶技术栈如何与物理人工智能（physical AI）融合：其 RouteDrive Foundry 平台汇聚来自电动配送货车的多模态数据，用于训练端到端驾驶策略，随后在仿真环境中验证候选方案，再通过 over-the-air 方式向 Asda 和 Japan Post 等公司运营的合作伙伴车队推送更新。在海事物流领域，研究平台正利用 digital twins 与仿真技术，降低多机器人协同作业中的数据采集与集成开销，同时在确保安全裕度的前提下提升运营效率。在农业领域，John Deere 的自主拖拉机将 vision-language models 与精准农业工作流程相结合，支持通过自然语言指定任务（如"仅喷洒感染病害的作物区域"），同时在数百公顷作业范围内保持厘米级 GPS 精度在建筑机器人领域，Boston Dynamics 和 Built Robotics 等公司部署自主 quadrupeds 与挖掘机，用于现场巡检、土方作业及进度监控；通过自动化数据采集与集成，既提升了危险环境下的作业安全性，又减少了人工勘测需求 。类似理念正逐步延伸至采矿与能源行业：加固型移动机械臂用于巡检管道、风力涡轮机及海上平台，并借助 digital twins 在部件发生故障前提前规划维护干预措施。
本小节所述的各类部署应用具有一项显著特征，使其区别于仓储自动化：它们运行于开放且非结构化的环境中，其状态空间无法被穷尽枚举，这使得第 3.5 节所述的世界建模与仿真技术既变得更为关键，又显得相对不可靠。经过仿真验证的 end-to-end learned policies 构成了城市驾驶与 autonomous agriculture 的技术基石，然而，长尾分布中的罕见事件超出了当前数字孪生能够忠实复现的范围，从而暴露出第 3.6 节所指出的"Gen2Real gap"。第二个跨领域的共性特征是空中下载更新周期：与固定在生产线上的工厂机器人不同，mobile platforms 能够持续接收 policy refinements，使得每一台已部署的单元都转化为数据采集资产，从而随着时间推移不断缩小 sim-to-real gap。进展最为迅速的部署案例，往往是那些同时具备以下三个要素的：大规模已部署车队（以保障数据体量）、受限的 operational design domain（以确保安全案例的可处理性），以及愿意给予渐进式审批、而非要求一次性获得完整 autonomy certification 的监管环境。
7.4. 科学、医疗健康与危险环境
实验室正日益采用由基础模型控制的机器人，以加速实验进程，同时保障人员远离危险环境。诸如 GAMORA 之类的系统，通过 VR 引导的手势控制与数字孪生仿真技术，远程执行高危实验室任务，在确保操作精准性与安全性的同时，支持沉浸式培训与实时反馈。手术领域中的人机协作正快速推进，自主手术助手在复杂手术流程中的应用日益广泛，但在使机器人动作与外科医生操作偏好精准匹配、实现无缝人机交互方面仍面临挑战。在上述各领域中，成功的关键取决于严格的验证流程、无菌或洁净室环境兼容性，以及与既有实验室信息系统或医院 IT 基础设施的集成能力。
在这些领域，试点（pilot）与规模化（scale）之间的差距最为显著，而其背后的原因颇具启发意义。与物流或制造业不同，医疗和实验室环境对安全性和无菌性有着不可妥协的硬性约束，这些约束在学习阶段也无法放宽；第 6 节所讨论的保障框架（assurance frameworks）并非面向未来的要求，而是当下的准入门槛。因此，最成功的部署案例恰恰在于它们保留了人类在环路中（human in the loop）作为实时监督者，而非追求完全自主（full autonomy）。第二个障碍是数据稀缺：手术流程和实验室规程所产生的训练轨迹（training trajectories）数量，远低于仓库拣货或驾驶里程所产生的数据量，这使得第 4 节所述的基础模型（foundation-model）流水线因缺乏泛化所需的足够数据规模而难以为继。未来的发展路径更可能依赖于高保真仿真（high-fidelity simulation，第 3.5 节）和合成数据增强（synthetic-data augmentation），而非直接的现实世界数据采集；但生物组织、化学反应以及患者个体差异对保真度的要求，远远超过了刚体操作（rigid-body manipulation）的场景，这构成了第 3.6 节所综述的全球基础模型（world foundation models）面临的前沿挑战。
表8. 跨行业代表性Physical AI部署案例及其可衡量成果。这些示例展示了foundation models、digital twins与专用硬件如何协同融合，规模化地创造经济价值。
7.5. 部署成熟度与行业发展轨迹
Physical AI 在不同行业的采纳程度存在显著差异，这反映了各行业在 technical readiness、监管约束、经济激励以及劳动力因素等方面的不同。我们并非试图预测具体的部署时间节点，而是通过若干发展阶段来刻画成熟度，这些阶段涵盖了 operational scale、autonomy level 以及 market penetration 等核心维度。
第一阶段：规模化运营。物流与仓储领域在Physical AI的应用落地方面处于领先地位，相关系统已在全球数百处设施中完成部署。Amazon运营着超过100万台机器人；Alibaba旗下的Cainiao网络协调调度700余台自主作业单元，实现99%的分拣准确率；欧洲物流服务商报告显示，采用VLA驱动的拣选系统后，吞吐量提升了40%。这些部署实践表明，在具备明确工作流程、密集传感器覆盖以及持续基础设施支持的半结构化室内环境中，Physical AI能够创造可量化的价值。成功的关键因素包括：受控的运营场景、对偶发故障的容错能力（错放物品可被纠正），以及强劲的经济驱动力（劳动力短缺、24/7运营需求）。
第二阶段：试点部署与验证。制造业人形机器人是这一阶段的典型代表：BMW 试点部署 Figure 02 人形机器人用于物料搬运，Tesla 开发 Optimus 用于电池组装，汽车零部件供应商则在混合车型生产线上测试协作机器人。这些系统在人类监督下运行，自主性有限，主要专注于结构化环境中的重复性任务。其价值主张——解决人体工学挑战、劳动力短缺以及生产灵活性问题——颇具吸引力，但技术和安全方面的障碍仍然存在。具体挑战包括：对多样化零部件的灵巧操作、安全的人机协作、与传统制造执行系统（MES）的集成，以及达到可靠性标准（平均无故障时间需以月而非小时计）。行业观察人士指出，人形机器人在制造业的大规模部署，取决于能否证明其具备多年期的可靠性、获得协作操作的监管批准，以及与专用任务自动化方案相比具有成本效益。
第三阶段：监管验证与有限商业化运营。自动驾驶汽车是技术能力受制于监管政策与社会接受度的典型代表。Waymo 已在美国多个城市开展商业化 robotaxi 运营服务；百度的 Apollo Go 于 Q4 2024 在中国十个城市完成了 110 万次载客行程。这些系统已实现 Level 4 级别自动驾驶，并展现出优于人类驾驶员的安全表现指标，但其大规模部署仍有待责任认定框架、保险机制以及公众接受度的进一步成熟。地域监管分化——美国和中国部分地区采取相对宽松的监管政策，而 EU 和 Japan 则持更为审慎的态度——导致了区域发展差异，其中 EU AI Act 明确要求相关系统须在 2027 年 8 月前全面满足高风险应用的合规要求。
第四阶段：早期研究与细分场景应用。医疗健康、农业和建筑业属于新兴应用领域，Physical AI在这些领域虽展现出应用前景，但仍面临根本性障碍：医疗健康领域严苛的安全规范、规模化农业以外场景的经济可行性挑战，以及建筑业复杂多变的环境异质性。其落地部署路径取决于三大关键因素：非结构化环境中的鲁棒感知能力、安全可靠的人机物理交互，以及社会层面的接受度——这些挑战贯穿本文所综述的整个Physical AI技术栈。
表9总结了这些成熟度阶段、关键特征、代表性行业以及主要部署障碍。各阶段之间的演进并非纯粹的线性过程——foundation model 能力、sim-to-real 迁移或安全验证方面的突破有望加速进展，而监管层面的挫折或备受瞩目的高调失败案例则可能延缓技术采用。未来的发展路径需要在 Physical AI 技术栈的各层面实现协同推进：更先进的 sensors 与世界模型、更大规模的训练数据集、稳健可靠的安全验证，以及通过操作经验持续优化的治理结构。
表 9. 各行业 Physical AI 部署成熟度阶段。各阶段以运营规模与自主化水平为核心特征，而非对应具体的日历时间节点，因为部署时机取决于监管政策演进、技术突破以及市场动态。
8.挑战、待解问题与展望
尽管进展迅速，但在如何使物理AI系统具备可靠性、可扩展性并带来广泛益处方面，仍存在诸多待解的问题。我们总结了上述各章节中反复出现的关键技术、组织与社会层面的挑战，并勾勒了未来几年的发展路线图。
8.1. 数据、基准测试与评估
物理AI智能体在实际部署中会遭遇各类长尾现象——例如罕见的光照条件、新颖的物体、意外的人类行为等——而这些情形在现有数据语料库中往往代表性不足。新的基准测试工作，如SafeMindBench，专门为embodied agents策划涵盖多重风险的场景，并提供量化指标，用以评估语言到行动流程在预判和缓解潜在危害方面的效能。要实现fleets与评估套件之间的闭环联动，需要建立用于记录多模态数据的通用schema、支持隐私保护的数据共享机制，以及能够验证评估覆盖范围的第三方认证机构。
8.2. Sim-to-Real迁移与Gen2Real差距
尽管在领域随机化和迭代校准方面已取得进展（见第5节），但针对特定任务自动化构建接触模型与传感器噪声配置文件的工作依然耗费大量人力。生成式世界基础模型引入了一个相关的"Gen2Real gap"：规模扩展虽能提升视觉保真度，却无法可靠地改善物理正确性。用于检测生成训练数据中物理不一致性的原则性方法，仍是一个开放性问题。
8.3. Robustness and Continual Learning
物理AI平台必须能够在避免灾难性遗忘的前提下持续学习，同时还需在严格的功耗预算下运行。以Loihi 2为代表的神经形态加速器展示了稀疏的、事件驱动的计算方式如何能够在毫瓦级功耗水平下支持触觉反馈回路的在线学习，但将这类加速器与基于transformer的规划器进行集成，仍然是一个尚未解决的系统级难题[38]。目前，我们缺乏系统性的方法来解决以下问题：如何在稠密网络与脉冲神经网络之间合理划分技能、如何在异构加速器之间同步更新、以及如何在即时微调过程中确保系统稳定性。
8.4. Safety Assurance and Governance
目前，针对具身基础模型的安全案例仍多为 ad hoc 做法。对新兴危害的分析表明，有必要采取涵盖模拟压力测试、运行时监控以及人工干预通道的多层次缓解措施，但业界尚未就记录这些控件的标准化模板达成广泛共识 。以 EU AI Act 为代表的监管框架为 high-risk physical AI 设定了多项义务，包括 风险管理、上市后监测和事件报告等，然而行业目前仍缺乏成熟的 tooling 来自动生成所需的合规证据。在确保互操作性并尊重隐私的前提下，协调不同司法管辖区的监管预期，仍是当前面临的一项持续性挑战。
8.5. 硬件、能源与供应链
硬件成本和能耗仍然是制约部署广度的关键因素。Interact Analysis 估计，自 2019 年以来工业机器人的平均价格已下降 12%，但若无法缩短投资回报周期，许多 SMEs 仍难以合理化其资本支出决策。以 Jetson Thor 为代表的新兴平台能够在 130 W 功耗下提供 transformer 级别的吞吐性能，但供应依然紧张，且系统集成需要投入大量散热与电源工程设计 。边缘端正面临一个实际瓶颈：vision-language models 目前在 Jetson Orin 硬件上仅能实现 0.1–0.4 FPS 的推理帧率——远低于实时感知所需的最低 10 FPS 门槛——这迫使系统架构师采用轻量级检测流水线（例如以约 100 FPS 运行的 YOLO）来处理快速闭环感知任务，而将 VLMs 保留用于异步推理与内容摘要。机器人技术的可持续发展将取决于可回收材料的应用、能效感知规划，以及传感器、电池和高带宽执行器等关键组件的安全供应链保障。
8.6. 当前系统的局限性
尽管上述进展令人瞩目，但若干系统性弱点仍使乐观情绪有所保留。首先，评估仍依赖零散案例：大多数 VLA 结果仅在专有 benchmarks 或单一实验室环境中报告，导致跨模型比较缺乏可靠性（表 4 突显了极少有模型采用统一的评估协议）。其次，长程推理能力脆弱：当前 VLA 模型在短期、反应式行为上表现优异，但在需要多步规划、error recovery 或适应重大环境变化的任务中性能急剧下降。第三，safety assurance 滞后于能力发展：目前尚无已部署的 Physical AI 系统能够满足监管机构在欧盟《AI Act》2027 年截止日期前所要求的证据标准，且行业用于持续生成 safety-case 的工具链仍处于萌芽阶段。第四，开源生态系统虽在增长，但发展不均衡：OpenVLA 和 π0 等开放模型确实使 VLA 研究更加普惠，但开放 datasets 的规模（约 100 万条 trajectories）与支撑 language models 的 trillion-token 级语料库相比仍显不足，且鲜有开放 benchmarks 能测试 contact-rich 或户外任务。最后，供应商集中化构成系统性风险：Physical AI 技术栈的诸多环节——仿真平台（Isaac Sim、Omniverse）、边缘计算（Jetson）、世界模型（Cosmos）以及感知库（Isaac ROS）——高度依赖 NVIDIA 生态系统，这不仅造成供应链脆弱性，也限制了架构多样性。要克服这些局限，需要社区协同投入，共建共享基准、开放 datasets、vendor-agnostic 工具链，并在报告成功指标的同时透明披露 故障率。
8.7. 近期展望与整合优先事项
未来三年，决定发展的关键将不再是算法突破，而是数据、硬件与治理的整合。通用型模型（如π0）展现了跨具身的可迁移技能，但其成功依赖于精选数据集、高效 inference 硬件以及 rigorous safety certification。以人为本的设计仍将至关重要：workforce studies 预测，岗位替代与新型技术岗位需求将同时出现，这凸显了再培训计划与参与式部署规划的重要性。最后，要实现可持续的 physical AI，需要将 节能计算与生命周期感知硬件设计相结合，从而使具身智能能够在规模化应用中负责任地运行。
8.8. 未来发展方向
我们展望未来几年将在多个维度上持续取得进展。首先，相关社区应将SafeMindBench等多风险基准测试制度化，并将其与共享日志记录架构相结合，从而使车队运营商能够在大规模部署之前量化对罕见事件的覆盖范围。其次，由RialTo开创的工作流程——即迭代校准real-to-sim参数并将更新循环反馈至已部署策略——需要成为一种嵌入商业digital twin技术栈中的交钥匙能力，从而减少当前弥合sim-to-real差距所需的专业人力投入。第三，监管合规必须从周期性的文书工作转向持续的证据生成：《欧盟AI法案》下的分阶段义务将于2027年8月全面生效，这将促使机器人团队维护可审计的安全论证，采纳即将出台的通用模型实践准则，并在条件允许时参与AI Act沙盒项目。最后，可持续发展目标应指导硬件选型；鉴于Interact Analysis预测到2028年工业机器人出货量将达到71.6万台，研究人员必须将neuromorphic-transformer混合架构与高效edge平台相结合，并辅以生命周期分析，以遏制能源与材料足迹。
展望更远的未来，从这些主题中衍生出六个相互耦合的目标：
• 数据生态系统。建立隐私保护型数据信托，融合真实轨迹与合成轨迹，覆盖当今数据集仍难以捕捉的长尾边缘案例；在大规模部署之前，由审计机构对基准完整性进行认证。
• 弹性仿真到现实。提供具备自修复能力的仿真堆栈，每夜加载已部署机队的telemetry数据，自动调优接触参数与sensor参数，并将经验证的更新推送至生产机器人，同时对性能漂移提供可证明的保障。
• 终身适应。构建异构计算平面，由neuromorphic基底处理反射行为，dense transformers负责决策推理，从而在无系留平台上实现持续学习，避免灾难性遗忘或功耗尖峰。
• 安全与保障。从临时性的safety cases转向持续更新的"活体档案"，融合仿真压力测试、runtime monitoring与治理检查点；监管机构将这些档案作为依据，在《欧盟AI法案》（EU AI Act）等法规框架下接受其作为高风险认证的证据。
• 伦理与劳动力。将参与式设计与劳动力技能重塑嵌入部署路线图，使自动化能够增强而非取代一线团队，并辅以关于岗位转型及新技术角色准入的透明化报告。
• 可持续硬件。为执行器、电池和传感器构建循环供应链，将recycling与remanufacturing目标编入采购规范；将能源感知规划与可回收材料相结合，使隐含碳排放较2024年部署水平降低一半。
实现这一路线图需要跨学科联盟的协同努力：仿真团队与硬件团队共享模型与故障数据，伦理学家与政策制定者为遥测管道提供支持，人力资源专家与自动化工程师共同设计培训干预方案。通过将研究投资与这些里程碑紧密锚定，研究社区有望在2030年前将physical AI从前景广阔的原型转化为可靠的基础设施。
9.结论
物理AI弥合了从"认知"到"行动"的鸿沟，通过多模态感知、世界模型、基础政策与边缘硬件，将互联网规模的知识转化为物理能力。本综述描绘了一个正处于转折点的领域：VLA模型能够跨不同具身形态遵循自然语言指令，数字孪生支持持续的车队学习，而边缘加速器使得在移动平台上进行实时transformer推理成为可能。我们的分析提炼出三项贯穿性发现：基础模型的泛化能力是区分可扩展部署与停滞试点的关键经济杠杆；数字孪生已成为实现机队规模运营的先决条件；而当前制约从试点迈向量产的核心瓶颈在于监管壁垒，而非算法障碍。
三个瓶颈将决定机器人领域的发展速度。数据稀缺：目前最大的机器人数据集仅包含约一百万条轨迹，与语言模型语料库相比存在2,000倍的差距，这就要求我们必须发展可扩展的遥操作技术、仿真能力以及隐私保护型数据共享机制。现实差距（reality gap）：尽管在域随机化（domain randomisation）和real-to-sim校准方面已取得进展，但在仿真环境中训练的策略（policies）仍需在富含物理接触的环境中进行大量适配；跨任务、跨具身形态（embodiments）以及跨运行条件的泛化能力依然薄弱。安全保证：具身基础模型缺乏监管机构在《欧盟人工智能法案》（EU AI Act）等框架下所要求的可审计安全案例（auditable safety cases），而用于持续生成证据的工具链尚处于萌芽阶段。与此同时，据预测，到2030年将有9,200万个工作岗位被取代，同时新增1.7亿个工作岗位，这就要求部署路线图必须从一开始就将再技能培训（reskilling）纳入核心考量。
前方的发展轨迹将更少取决于单项突破，而更多由系统集成所塑造：即将数据生态系统与硬件平台、治理框架以及以人为本的设计有机耦合。诸如 OpenVLA、Open X-Embodiment 和 Genesis 等开源倡议正在推动普惠访问，但负责任的规模化发展要求将 safety 从架构层面内建于整个技术栈之中——涵盖从 传感器融合、策略推理到执行的全流程，而非在部署完成后再行追加。衡量 Physical AI 的终极标准将不再是 benchmark scores，而在于具身智能能否真正增强人类能力、公平地分配收益，并在全球尺度上实现可持续运行。
