物理AI白皮书2026迈向可执行的机器智能.docx

物理 AI 白皮书：
迈向可执行的机器智能

2026 年 2 月

编委会

牵头单位

上海仪电(集团)有限公司
协作单位

瀚博半导体（上海）股份有限公司、上海埃迪希科技服务有限公司、上海松应科技有限公司、上海智能算力科技有限公司
支持单位

上海市人工智能行业协会、上海投资咨询集团有限公司
参编单位（按拼音字母排序）

瀚博半导体（上海）股份有限公司、沐曦集成电路(上海)股份有限公司、上海埃迪希科技服务有限公司、上海壁仞科技股份有限公司、上海大晓无限机器人有限公司、上海阶跃星辰智能科技有限公司、上海临港绝影智能科技有限公司、上海南洋万邦软件技术有限公司、上海苏度科技有限公司、上海商汤智能科技有限公司、上海松应科技有限公司、上海天数智芯半导体股份有限公司、上海智能算力科技有限公司、智己汽车科技有限公司、智能汽车创新发展平台(上海)有限公司
编写人员（排序不分先后）

王丽忱、高熙和、张浩、黄树福、郭城、聂凯旋、张小波、李虹、李远佳、石炜昕、田璐、江雯、孙兆群、章津楠、徐俊杰、黄青青、刘俊、王飞、黄苾菲、王旭、刘超、冯洁、关志盛、刘建志、葛晓飞、刘佳杰、伍玉晟、葛思远、王宇珩、韩铮、左芸、赵安
璞、李超、陈明铃、张宇飞、郭辉、殷玮、赵九花、阚晓天、梁健、黄佳梁、周剑鸣

前言

我们正站在人工智能发展的关键分水岭。以大模型为代表的生成式 AI 已在信息世界展现出惊人的创造力，代理式 AI 正逐步掌握复杂任务的编排能力。然而，当智能技术从虚拟的信息域迈向真实的物理世界，进入工厂车间、物流仓库、城市街道与商业空间时，面临的挑战发生了根本性转变。
物理世界不是可暂停、可回滚的代码环境。在这里，系统必须直面连续性、不确定性、部分可观测性的本质约束；必须应对传感器噪声、控制时延、环境扰动等现实干扰；必须保证决策的实时性、确定性与安全性，因为任何错误都可能引发设备停机、资产损失乃至安全事故，并带来复杂的责任界定与合规挑战。
这不是简单的 “将大模型接入设备”，而是一场从技术范式到工程方法的系统性变革。物理 AI 通过在真实物理环境中构建 “感知-决策-验证-执行-反馈” 闭环，实现了从虚拟智能向实体执行的跃迁。其核心价值在于，让智能不仅能够 “思考”，更能够 “行动”，可靠、安全、高效地在物理世界中执行任务。
本白皮书旨在为这场正在进行中的变革提供清晰的路线图。我们面向产业决策者、技术负责人、生态伙伴及政策制定者，系统阐述物理 AI 的定义体系、能力模型、工程架构与关键技术，并最终给出可落地的产业实施路径与生态趋势研判。

摘要

当前是人工智能技术演进与产业深度融合的关键历史节点。以生成式人工智能和大语言模型为代表的信息智能已取得突破性进展，而人工智能技术与物理系统相结合所催生的“物理 AI”（Physical AI） ，正在开启智能技术从数字空间走向实体世界的新篇章。这一演进不仅代表着技术能力的延伸，更标志着产业智能化进入以 “感知-决策-验证-执行-反馈” 闭环为核心的系统化实施阶段。
物理 AI 作为人工智能在实体环境中的工程化载体，其发展水平直接关系到国家在未来智能制造、智慧物流、城市治理等关键领域的核心竞争力。通过实现机器智能与物理世界的深度融合，物理 AI 有望重塑传统产业的运作范式，推动生产力水平实现阶跃式提升，并为构建安全、高效、韧性的现代化基础设施体系提供关键技术支撑。未来一至三年将成为物理 AI 从技术验证走向规模化部署的战略窗口期，把握这一机遇对于巩固和提升我国在全球科技与产业竞争中的优势地位具有重要战略意义。
然而，必须清醒认识到，物理 AI 的发展仍面临一系列严峻挑战：其在复杂动态环境下的感知鲁棒性、决策可靠性和执行精确性仍存在显著瓶颈；高质量训练数据的获取成本高昂，仿真与现实的差异导致模型迁移效率低下；系统的安全性、可解释性及合规性要求远高于纯软件系统，全生命周期的管理与治理体系尚不完善。这些挑战相互关联、彼此制约，共同构成了制约物理 AI 规模化落地的关键障碍。

为破解这一困境，本白皮书系统构建了物理 AI 的完整实施框架与产业路径。我们将明确物理 AI 的系统边界与五维能力模型，提出从多模态感知、认知决策、策略验证、动作执行到环境反馈的工程化架构；深入剖析物理 AI 的三大技术基石：支撑自适应决策的策略模型、实现环境认知跃迁的世界模型，以及作为核心基础设施的仿真与数字孪生；在此基础上，解析 “渲染+AI” 融合技术在数据生成与策略验证中的关键作用；通过典型场景分析，系统阐述物理 AI 在工业制造、移动机器人及智慧空间等领域的落地路径与演进模式，为产业实践提供清晰指引。
我们呼吁各方协同推进：政策层面应推动建立物理 AI 的安全标准与行业规范；产业层面需加强仿真平台、工具链等基础设施的开放协作；技术生态应聚焦世界模型、仿真引擎等关键技术突破；硬件层面需加速研发面向机器人的专用高性能、低功耗计算芯片，为物理 AI 系统构建坚实的核心硬件底座与边缘计算引擎。唯有凝聚共识、协同攻坚，构建开放可信的产业生态，才能在全球新一轮智能升级中占据先机，共同推动物理 AI 从愿景走向广泛的现实应用。

编委会
2026 年 2 月

目 录 Contents

第一章：范式跃迁：智能从信息域走向物理域 1
1.1 从生成到执行：AI 能力演进的三阶段 2
1.1.1 生成式 AI——在信息域 “生成结果” 3
1.1.2 代理式 AI——在数字域 “规划与执行” 3
1.1.3 物理 AI——在物理域 “安全地行动” 4
1.2 物理世界的硬约束：不确定性、连续性、安全性 5
1.2.1 不确定性与长尾：开放世界的“不可穷举” 5
1.2.2 连续性与动力学：动作正确不等于动作可用 6
1.2.3 安全性与合规：从 “可用” 跃迁到 “可信” 7
1.3 核心驱动力：技术成熟、成本下降与规模化需求的共振 7
1.3.1 国际竞争激烈：我国亟待发展自主可控物理 AI、重塑产业生态 8
1.3.2 国内政策驱动：国家“人工智能+”行动引领科研范式变革 11
1.3.3 技术成熟： 从“能学会”到“可迁移、可部署、可迭代” 12
1.3.4 数据与仿真基础设施：从现实采集走向合成 + 验证闭环 13
1.3.5 产业需求爆发：效率、成本与确定性交付的强驱动 14
第二章：定义与内核：物理 AI 及其能力体系 18
2.1 物理 AI 的工作定义 18
2.1.1 物理 AI 的提出背景： 三股核心力量的协同驱动 19
2.1.2 物理 AI 的工程原则： “闭环-安全-演进” 核心原则 20
2.2 物理智能五维能力模型：感知、决策、验证、执行、反馈 20
2.2.1 感知：物理环境的结构化建模能力 21
2.2.2 决策：从目标到动作的可解释映射 24
2.2.3 验证：动作执行前的风险过滤机制 26
2.2.4 执行：从策略到动作的精准落地 28
2.2.5 反馈：系统持续演进的核心动力 29
2.3 概念澄清：与数字 AI、具身智能、数字孪生的关系 31
2.3.1 核心概念的定位与区别 32
2.3.2 多概念耦合的技术链路 33
第三章：技术基石：物理 AI 的智能内核 34
3.1 策略模型：从规划到自适应执行的决策引擎 34

3.1.1 策略模型的范式谱系 34
3.1.2 核心能力要素的演进路径 36
3.2 世界模型：从 “看见” 到 “理解与预测” 的认知跃迁 39
3.2.1 世界模型的范式谱系 40
3.2.2 表征形式：世界模型中的“状态”如何呈现 42
3.2.3 角色分化：世界模型在产业应用中的核心形态 43
3.3 仿真与数字孪生：训练与验证的核心基础设施 44
3.3.1 仿真基础能力栈 45
3.3.2 数字孪生：跨越虚实的在线闭环 46
第四章：渲染+AI：渲染与 AI 的深度融合 48
4.1 训练阶段：基于物理仿真的数据引擎 48
4.1.1 核心价值：从“数据驱动”到“场景编程” 49
4.1.2 技术栈分层与关键突破 50
4.1.3 前沿合成数据生成技术 51
4.2 推理阶段：基于数字孪生的策略验证 52
4.2.1 核心范式：基于物理仿真的前瞻性验证 53
4.2.2 技术架构与核心能力 54
第五章：工程蓝图：分层参考架构与安全设计 58
5.1 核心分层架构（云-边-端） 58
5.1.1 云端层：全局学习与系统级编排中枢 59
5.1.2 边缘层：数字孪生验证与区域协同中枢 60
5.1.3 终端层：实时推理与物理执行的最后闭环 62
5.2 安全第一的设计原则：护栏与回退机制 63
5.2.1 物理 AI 安全治理风险与治理体系 63
5.2.2“仿真验证”前置：工程落地风险评估 65
5.2.3 多层安全护栏：从模型到执行的系统性防护 66
5.2.4 向后兼容与渐进升级：模型演进的系统性安全约束 67
5.2.5 回退与降级机制：假设系统会失败 68
第六章：产业重塑：生态分工与竞争格局 70
6.1 新兴产业链：基础设施层、技术使能层、系统集成层、行业方案层 71
6.1.1 基础设施层与技术使能层：智能的“供给端” 71
6.1.2 系统集成层与行业方案层：价值的“变现端” 73

6.2 竞争制高点：仿真平台、工具链与数据闭环 75
6.2.1 仿真平台：竞争壁垒与效率核心 75
6.2.2 工具链与数据闭环： 迭代加速与能力沉淀 77
6.2.3 竞争格局：国内外厂商布局 79
6.3 标准化展望 82
6.3.1 互联互通标准：打破“孤岛”，构建可组合的产业生态 83
6.3.2 安全分级标准：划定红线，建立可信赖的行动框架 84
第七章：价值图景：核心场景与落地路径 87
7.1 典型应用场景：工业制造、人形机器人、智慧空间 87
7.1.1 工业制造：从自动化走向自适应柔性生产 87
7.1.2 人形机器人： 从任务专用到通用智能体 90
7.1.3 智慧空间：从静态建筑到具备“物理感知”的智能环境 94
7.1.4 智慧医疗：物理 AI 服务医疗科研，普惠医疗养护 97
7.1.5 智慧金融：融合物理 AI 与智能体协同决策，实现“动态场景化风控”跃迁 97
7.1.6 城市治理：物理 AI 优化城市资源配置，提升运行效率 98
7.2 落地方法论：从单点试点到系统智能的演进路径 99
7.2.1 单点试点与技能验证：在高价值场景锻造“可靠专家” 100
7.2.2 流程融合与多机协同：从“单点专家”到“系统化军团” 100
7.2.3 系统智能与自主进化：迈向“认知－决策－优化”一体的有机系统 101
7.3 关键成功指标：效率、成本、安全、可验证性 103
7.3.1 效率提升与成本优化：超越单点回报的系统性损益分析 104
7.3.2 系统安全与可验证性：物理世界交互的绝对红线与信任凭证 104
第八章：总结与行动建议 106
8.1 核心结论 107
8.2 趋势判断 109
8.3 战略建议与行动指引 110

第一章：范式跃迁：智能从信息域走向物理域

第一章： 范式跃迁： 智能从信息域走向物理域

人工智能正经历一场深刻的范式迁移。过去十年，以深度学习为代表的 AI 技术主要在信息空间内发展。无论是图像识别、自然语言处理，还是以 ChatGPT 为代表的生成式 AI，其本质均是对符号、像素、文本等信息单元的处理与重构。随着产业智能化进程不断深入，我们清晰地认识到，真正的产业变革不仅需要 “聪明的头脑”，更需要 “灵巧的双手”。人工智能正沿着 “感知－决策－验证－执行－反馈” 的闭环路径，从纯粹的信息处理迈向与物理世界的深度融合。物理 AI 正是这一趋势的具象呈现，它标志着人工智能步入一个不仅能 “思考”，更能 “行动” 的新纪元 — 在现实环境中实现可靠、安全、高效的实体智能。
当智能技术从虚拟的信息域迈向真实的物理域，进入工厂车间、物流仓库、城市街道与商业空间时，其面临的挑战发生了根本性转变。物理世界并非一个可以暂停、回滚或重置的仿真环境，而是存在严格的物理约束、复杂的环境噪声和不可逆的执行后果。因此，物理 AI 绝非“将大模型简单接入硬件设备”，而是一场涉及技术范式、工程方法、系统架构与评估体系的深刻变革。
产业界对物理 AI 的典型描述是：以机器人等自主机器为载体的智能形态，能够在真实世界中感知、理解、推理并执行复杂动作，从而完成任务闭环（如图 1.1）。在这一范式下，智能系统的评估标准正发生深刻转移：从注重生成内容的流畅与知识广度，转向强调动作执行的有效性、稳定性与可验证性；从关注单次任务表现，转向追求长期运行的安

1
第一章：范式跃迁：智能从信息域走向物理域

全合规与工程鲁棒性；竞争焦点也从模型能力竞赛，升级为数据闭环、验证闭环与工具链闭环的系统性体系竞争。
1.1 从生成到执行：AI 能力演进的三阶段

物理 AI 并非凭空出现的新概念，而是人工智能能力沿着“生成－代理－执行”路径演进的自然延伸。近年来，其产业化进程呈现出清晰的阶段性特征：生成式 AI 实现了从内容理解到内容创造的跨越，代理式 AI 进一步在数字世界中实现了自主任务分解、流程编排、软件执行，而物理 AI 则标志着智能从数字空间走向物理执行的根本跃迁。三者在输出形态上分别对应数字内容、数字动作与物理动作，其闭环边界从信息域延伸至信息-物理融合域。这些本质差异，决定了其从研发、验证到部署的工程方法论必须进行系统性重构。

图 1.1 物理 AI的典型描述

2
第一章：范式跃迁：智能从信息域走向物理域

1.1.1 生成式AI——在信息域 “生成结果”

生成式 AI 以大规模语言模型与多模态生成模型为核心，其价值在于从海量数据中提取统计规律，将人类意图转化为文本、图像、音频等数字内容。该阶段的智能闭环主要存在于信息域：模型输出为可审阅采纳的建议内容，其错误多表现为信息偏差或流程误导，可通过人工审核、版本回退等方式进行管控。
从产业视角看，生成式 AI 的本质突破在于将知识密集型工作转化为可规模化的数字生产力，在内容创作、客服交互、研发辅助等领域已产生显著效益。然而，其输出仍受限于两大根本约束：一是决策与执行分离——系统仅提供“应做什么”的建议，不承担具体执行责任；二是风险具备可逆性——错误可通过撤回、重试等方式纠正，试错成本相对可控。
因此，生成式 AI 在信息域的成功并不直接转化为物理世界的适用性。物理 AI的核心诉求并非“生成更拟人的内容”，而是实现“可执行、可验证、可信任”的实体动作。这标志着智能系统的价值评估体系，已从内容生成的质量与多样性，转向动作执行的可靠性、安全性与系统性鲁棒性。
1.1.2 代理式AI——在数字域 “规划与执行”

代理式 AI 在生成能力的基础上，整合了工具调用、任务分解、状态维护与多轮交互能力，推动智能系统从“生成响应”演进为“完成任务”。它能够理解复杂目标、自主拆解步骤、调用相应工具并执行操作。这一阶段的产业意义重大，标志着 AI 开始承担明确的流程职能，从辅助工具演变为真正的数字生产力。

3
第一章：范式跃迁：智能从信息域走向物理域

然而，此类智能体的运行仍主要局限于可控的软件环境：即便出现决策失误或执行偏差，亦可通过权限管控、沙箱隔离、操作审计与状态回滚等机制进行约束与纠正。由此形成了一套成熟的工程治理框架，包括身份与权限管理、工具授权机制、完整操作追溯以及关键节点的人工介入审批。
代理式 AI的发展为物理 AI 奠定了重要的方法论基础：它验证了“自主智能体闭环”在工程上是可实现、可管理、可治理的。同时，它也清晰地揭示出一个关键现实：当智能体的行动闭环从数字世界延伸至物理世界，其治理逻辑必须从以“权限与流程控制为核心”，系统性升级为以“功能安全、运行可靠性与实时验证为核心”。这一认知跨越，正是物理 AI 在工程化道路上必须完成的范式转换。
1.1.3 物理AI——在物理域 “安全地行动”

物理 AI 将智能闭环从数字世界拓展至真实的物理环境：系统输出不再是文本或指令，而是通过机器人、自动驾驶车辆、工业设备和智能空间等实体，执行可直接影响物理状态的动作策略。产业界对物理 AI 的界定强调， 自主系统必须能够在真实世界中完成感知、
理解、推理并最终可靠执行复杂动作。
与前两阶段相比，物理 AI 的根本变化在于：行动不可回滚，物理世界无法像代码一样随时暂停、重置与回滚；责任边界外延，错误不再只是“输出不准确”，而可能是“造成损坏或风险”；工程闭环更重，系统必须在架构层面引入验证、护栏与回退机制。

4
第一章：范式跃迁：智能从信息域走向物理域

因此，物理 AI 的核心竞争力已超越模型算法本身，转向持续迭代、闭环可验证的工程系统能力。为应对这一挑战，产业界逐步形成了面向物理 AI 的“云－仿真－端协同架构”：云端数据中心负责模型训练与优化，仿真平台支撑合成数据生成及策略验证，端侧设备负责实时感知与决策执行，由此三者协同构成持续迭代的研发部署闭环。这一体系折射出清晰的产业逻辑：物理 AI 的研发必须兼具软件工程的“持续集成”效率与安全工程的“持续验证”要求，在敏捷迭代与可靠运行之间建立动态平衡。
1.2 物理世界的硬约束：不确定性、连续性、安全性

物理 AI 被视为一次范式跃迁，核心在于：物理世界对智能系统施加了信息域中根本不存在的硬性约束。这些约束并非优化目标，而是决定系统能否实际运行的基本前提。更深层的挑战在于，这些约束彼此交织、相互耦合：实时性限制决策复杂度，安全性约束动作空间，不确定性挑战系统鲁棒性。因此，任何单点技术能力的突破，都不足以系统性地满足所有约束。这决定了物理 AI 必须超越算法优化，转向以系统工程闭环为核心的路径，在多重约束下实现动态平衡与可靠运行。
1.2.1 不确定性与长尾：开放世界的“不可穷举”

物理环境天然具备开放性与长尾性特征：光照变化、遮挡、表面反射、材质差异、传感器噪声、机械部件磨损、地面摩擦变化、人机共存带来的行为扰动等诸多因素，都会导致输入分布持续发生不可完全预测的漂移。即便在高度结构化的工业场景中，也难以通过规则穷举或预设模板覆盖所有潜在异常。

5
第一章：范式跃迁：智能从信息域走向物理域

这一现实对智能系统提出两项根本性要求：第一，系统必须具备鲁棒感知与状态估计能力——不仅要完成对环境的“感知”，更需要在噪声干扰与信息缺失条件下，形成对物理世界可靠、一致的状态估计；第二，系统必须内嵌不确定性感知机制——能够动态评估自身认知置信度，在判断“自己不知道什么”的基础上，主动采取策略降级、请求人工介入或触发安全回退等应对措施。
这也正是本白皮书将验证作为物理 AI 五维核心能力之一的核心逻辑：面对物理世界固有的长尾不确定性与不可穷尽性，验证不应被视为系统上线后的事后补救手段，而必须成为其投入实际运行前必须通过的技术与工程关卡，是确保系统在开放环境中安全、可靠运行的先决条件。
1.2.2 连续性与动力学：动作正确不等于动作可用

物理 AI 所面对的根本约束在于其任务环境的连续性与动态性：信息域任务通常是离散的（如生成文本、调用 API），而物理域则受连续动力学规律支配。在这一体系下，动作误差会在系统演化中被累积放大，接触过程中的微小偏差就可能引发抓取失败、装配卡滞乃至碰撞风险。
在工业制造场景中，这种连续动态特性尤为突出：插接、拧紧、贴合、推拉等精细作业，不仅要求毫米级动作精度，更须具备对接触力、材料柔顺性和动态稳定的实时适应能力。因此，物理 AI 系统不能仅依赖预编程的固定动作序列，而必须具备在线闭环控制与实时纠偏能力，并能够内隐或显式地建模接触、摩擦、约束、惯性与材料形变等物理交互规律。

6
第一章：范式跃迁：智能从信息域走向物理域

世界模型技术路线正是为应对这一挑战而生：其通过构建可学习的物理动态模型，预测未来状态演变，从而赋予决策系统“先验试错”能力。这不仅有助于提升复杂物理任务中的决策质量与鲁棒性，也为后续策略验证层的工程实现提供了核心支撑，使系统能够在仿真环境下预先检验策略的可行性与安全性。
1.2.3安全性与合规：从 “可用” 跃迁到 “可信”

当物理 AI 系统进入实际生产环境，其安全要求已从用户体验问题升维至合规强制性与生命财产风险管控层面。以工业机器人为例，国际标准 ISO 10218 系列全面规范了机器人本体安全设计及风险消减要求，而中国国家标准 GB 11291.1-2011 等同采用 ISO 10218-1:2006，明确规定了工业环境中机器人系统的安全性规范。
安全的工程含义因此发生深刻转变：物理 AI 必须在系统架构层面内置“验证与护栏”的强制性层级——这不仅是一种技术路径选择，更是法律、合规与产业责任的刚性要求。典型实现机制应包括：策略下发前验证（依托数字孪生进行回归测试与约束合规性检查）、运行时动态护栏与回退（通过异常检测、运动限制、实时碰撞预测与紧急制动实现保护），以及全生命周期可审计（操作日志可追溯、系统版本可管理、行为责任可界定）。
这也正是本白皮书自始至终强调 “安全第一的设计原则：护栏与回退机制” 而非将安全视为上线后附加模块的根本原因。在物理 AI 系统中，安全不是功能选项，而是贯穿研发、验证、部署、运维全流程的基础架构属性，是系统得以在真实物理环境中负责任运行的根本前提。
1.3 核心驱动力：技术成熟、成本下降与规模化需求的共振

7
第一章：范式跃迁：智能从信息域走向物理域

物理 AI 在近年来的快速发展并非概念炒作，而是多条技术演进曲线与产业转型需求在同一时间窗口交汇所形成的必然结果。总结而言，其驱动力主要来自三个方面：关键算法的逐步成熟、数据与仿真基础设施的日益完善，以及规模化场景的迫切需求与成本结构的根本性改变。在中国市场，这一叠加效应尤为显著：政策层面的积极引导、完备的产业链生态以及超大规模的应用场景，共同构筑了物理 AI 落地的独特“加速器”。
1.3.1 国际竞争激烈：我国亟待发展自主可控物理AI、重塑产业生态

国际层面，各国均将具身智能视为人工智能下一代核心发展方向，纷纷出台战略规划、专项计划及配套政策，聚焦多模态融合、物理交互、闭环迭代与规模化部署等核心技术，
通过资金扶持、机制创新、产学研协同等方式，抢占技术与产业制高点，巩固自身在全球人工智能领域的技术优势与产业主导权。
美国将具身智能作为维持全球科技与军事优势的关键抓手，通过顶层战略牵引、专项项目落地、资源要素保障，形成覆盖基础研究、技术攻关、场景应用的全链条政策支撑，重点突破多模态融合、闭环迭代等核心技术环节。 2026 年 1 月，美国国防部发布新版《人工智能加速战略》，锚定“人工智能优先”作战力量构建目标，明确将具身智能核心技术纳入军事应用体系，其提出的“节奏设定项目”包含 7 大引领项目，聚焦具身智能核心技术突破。其中“代理网络”项目聚焦人工智能代理研发，推进视觉、语言与作战行为的多模态融合，实现从战役规划到杀伤链执行的全流程智能支撑；“终结者熔炉”项目构建“模拟—研发—作战”反馈闭环，通过人工智能驱动的模拟训练优化物理交互策略，强化多模态与物理交互的协同迭代能力。顶层战略之外，美国通过立法与行政指令完善配套机制。2025 年 1 月，特朗普总统签发第 14179 号行政令“消除美国在人工智能领域领

8
第一章：范式跃迁：智能从信息域走向物理域

导地位的障碍”，为具身智能技术研发与应用清除体制障碍；国会通过的《出口管制改革
法案》则为技术保护与产业扶持提供法律依据，形成“战略引领—项目落地—要素保障”的完整推进体系。
欧盟将具身智能作为“数字欧洲”战略核心方向，聚焦下一代 AI 代理、工业与服务机器人等具身智能关键领域，推动成员国协同创新，强化欧洲在具身智能领域的战略自主性与产业竞争力。2026 年 1 月 15 日，欧盟委员会发布 Horizon Europe 计划下“数字、
工业与空间”领域专项资助公告，总投资超 3.07 亿欧元用于人工智能及相关技术研发，
其中明确将具身智能核心方向纳入资助范围。公告指出，8550 万欧元将专项支持下一代AI 代理、工业与服务场景机器人研发及高感知功能新材料开发，该资助计划面向欧盟成员国及伙伴国的企业、高校、科研机构开放，旨在通过跨主体协同加速具身智能技术产业化。欧盟同步依托“竞争力指南针”战略，将具身智能纳入战略数字技术优先发展清单，
推动技术研发与可持续发展、人文关怀深度绑定，构建“以人为本”的具身智能发展模式。通 过 欧 洲 数 据 空 间 （GaiaX ） 整 合 跨 场 景 多 模 态 数 据 资 源 ； 依 托 欧 洲 机 器 人 协 会（euRobotics）搭建产学研协同平台，推动具身智能技术在制造、医疗、养老等领域的场景验证与规模化应用。
日本将具身智能作为应对劳动力短缺、抢占机器人产业制高点的核心路径，通过升级AI 机器人战略、构建开源生态、强化需求牵引，聚焦具身智能基础模型、硬件模块化、数据闭环等关键环节，打造“技术研发—场景应用—产业协同”的完整生态。2026 年 1月， 日本经济产业省在“AI 机器人战略审查会议”上发布专项政策文件， 明确将具身智能作为“AI×机器人”战略升级核心，提出以人形机器人为代表的多用途具身智能机器人将在 2030 年进入爆发期。政策聚焦三大方向：一是推动软硬件解耦与模块化；二是拓展

9
第一章：范式跃迁：智能从信息域走向物理域

GENIAC（生成式 AI 加速挑战）计划，新增“AI 机器人开发推进”类目，专项支持具身智能机器人基础模型（VLM/VLA）研发与实证，将机器人硬件、研发人员支出等纳入资金支持范围；三是构建开放数据基础，通过公共需求引导私营部门研发，打造具身智能领先市场。配套机制方面，日本于 2024 年 12 月成立 AI 机器人协会（AIRoA），整合日本电气、三菱电机、日立制作所等龙头企业，推动具身智能技术协同研发与标准制定。同时依托《经济安全保障促进法案》，将具身智能核心技术纳入补贴与保密体系，对享受政府资金支持的企业，强制要求建立技术防泄漏机制，技术转让、海外生产需履行严格报备审批程序；结合《外汇与外贸法》修正案，将工业机器人制造业纳入外国投资审查核心行业，保障具身智能技术自主可控。
以美国为主导的西方国家沿用技术封锁、出口管制、清单制裁等手段，多维度构建管控壁垒，持续加码打压我国具身智能发展。
2026 年 1 月美国外委会通过的“AI 监督法案”提案，将高性能 AI 半导体纳入出口管控；特朗普政府强化对华关税政策，将具身智能核心硬件纳入高额关税范围，大幅增加我国具身智能产业化成本与供应链风险。
2024 年 3 月，欧盟通过《人工智能法案》，将人形机器人、关键基础设施巡检机器人等具身智能核心应用归为高风险 AI类别， 设置 2026 年、2027 年分阶段合规时限并施加严格的第三方合格评定、技术文档备案等义务，其域外适用效力大幅增加中国企业进入欧盟市场的合规成本。
而作为《瓦森纳协定》成员国，日本将具身智能核心设备纳入两用物品管制清单，其管控参数较美国更为严格， 限制向我国出口此类设备及相关技术。 2023 年 4 月发布的

10
第一章：范式跃迁：智能从信息域走向物理域

《外汇与外贸法》修正案，将工业机器人制造业新增为外国投资审查“核心行业”，外国投资者对日本相关企业投资、持股需事先申报并接受严格审查。
1.3.2 国内政策驱动： 国家“人工智能+”行动引领科研范式变革

1、《中共中央关于制定国民经济和社会发展第十五个五年规划的建议》

“全面实施9人工智能+9 行动，以人工智能引领科研范式变革，加强人工智能同产业发展、文化建设、民生保障、社会治理相结合，抢占人工智能产业应用制高点，全方位赋能千行百业。”这是推进人工智能与经济社会各行业各领域广泛深度融合、重塑生产生活范式、促进生产力革命性跃迁和生产关系深层次变革的重大战略部署。
2、国务院《关于深入实施“人工智能+”行动的意见》

以习近平新时代中国特色社会主义思想为指导，完整准确全面贯彻新发展理念，坚持以人民为中心的发展思想，充分发挥我国数据资源丰富、产业体系完备、应用场景广阔等优势，强化前瞻谋划、系统布局、分业施策、开放共享、安全可控，以科技、产业、消费、民生、治理、全球合作等领域为重点，深入实施“人工智能+”行动，涌现一批新基础设施、新技术体系、新产业生态、新就业岗位等，加快培育发展新质生产力，使全体人民共享人工智能发展成果，更好地服务中国式现代化建设。
到 2027 年，率先实现人工智能与 6 大重点领域广泛深度融合，新一代智能终端、智能体等应用普及率超 70%，智能经济核心产业规模快速增长，人工智能在公共治理中的作用明显增强，人工智能开放合作体系不断完善。到 2030 年，我国人工智能全面赋能高质量发展，新一代智能终端、智能体等应用普及率超 90%，智能经济成为我国经济发展

11
第一章：范式跃迁：智能从信息域走向物理域

的重要增长极，推动技术普惠和成果共享。到 2035 年，我国全面步入智能经济和智能社会发展新阶段，为基本实现社会主义现代化提供有力支撑。
3、工业和信息化部等八部门关于印发《“人工智能+制造”专项行动实施意见》的通知（工信部联科〔2025〕279 号）
加速智能终端升级。支持端侧模型、开发应用工具链等技术突破，培育智能手机、电脑、平板、智能家居等人工智能终端。聚焦工业巡检、远程医疗等重点场景，加快增强现实/虚拟现实（AR/VR）可穿戴设备、脑机接口等新型终端的产业化、商业化进程。推动具身智能产品创新，建设人形机器人中试基地和训练场，打造人形机器人标杆产线，在典型制造场景率先应用。
1.3.3技术成熟：从“能学会”到“可迁移、可部署、可迭代”

长期以来，机器人智能化的核心瓶颈在于：真实世界交互数据获取成本高昂且风险较大，而通过有限数据习得的策略往往难以稳定迁移至不同场景。近年来的算法突破正在系统性改变这一局面，尤其是在策略模型与世界模型两个关键方向取得显著进展。
在策略模型领域，扩散模型被引入机器人策略学习，催生了以 Diffusion Policy 为代表的技术路线。该方法将视觉－动作映射关系建模为条件扩散过程，推动了从示教数据到机器人执行的端到端学习范式。其产业意义在于：复杂的物理操作任务开始具备“可数据化复制”的可能——企业不再完全依赖于人工调参的传统控制器工程，而能够通过规模化数据与系统化训练获得可迁移、可泛化的动作策略。

12
第一章：范式跃迁：智能从信息域走向物理域

在世界模型方向， DreamerV3 代表了以预测模型辅助决策的重要路径：通过隐式学习环境动态模型，系统可在潜空间中进行“想象推演”，并以此优化长期决策与动作规划，显著增强在复杂、稀疏奖励任务中的泛化能力。与此同时， V-JEPA 系列模型强调从无标注视频中学习物理世界的结构规律，为机器人提供更丰富的物理常识与动作直觉，降低对精确仿真或海量交互数据的依赖。
从工程实现角度看，策略模型与世界模型的逐步成熟，不仅提升了机器人“能做”复杂任务的能力，更重要的是为“先验证、后执行”的可靠决策范式提供了技术基础。世界模型能够对候选动作序列进行多步后果预测，使策略筛选、风险预判与安全过滤成为系统设计的内在环节。这将直接支撑本白皮书后续章节所提出的策略验证层与数字孪生推演闭环，为物理 AI 在不确定物理环境中的可靠、安全运行奠定算法基础。
1.3.4 数据与仿真基础设施：从现实采集走向合成 + 验证闭环

物理 AI 发展的关键瓶颈之一是高质量交互数据的稀缺性：真实机器人数据的采集不仅成本高昂、效率低下，且常伴随安全与设备损耗风险。因此，“仿真－合成－迁移”已成为业界构建数据的普遍共识。域随机化等技术路径证明：通过在仿真环境中对纹理、光照、动力学参数等维度引入系统性随机扰动，可以有效缩小“模拟－现实”差异，加速策略迁移至真实世界的进程。
产业界正进一步将这一路径工程化。合成数据生成与域随机化流程正逐步标准化、工具化，使规模化、高质量多模态感知数据的生产转变为可复用、可扩展的工程能力。更重要的是，仿真的角色正从单一的训练工具，拓展为贯穿系统全生命周期的核心验证基础设施：物理 AI 系统上线后，任何策略更新、模型迭代均需在数字孪生环境中进行全面的回

13
第一章：范式跃迁：智能从信息域走向物理域

归测试与安全验证。这一机制支撑了从“持续集成”到“持续验证”的工程体系，确保系统在迭代中始终符合安全性与可靠性要求。
这也正是本白皮书将仿真与数字孪生以及“渲染+AI” 定位为物理 AI 核心基础设施的根本原因：它们不仅是应对数据瓶颈的解决方案，更是支撑物理 AI 系统持续演进、安全可控运行的工程基座。
1.3.5产业需求爆发：效率、成本与确定性交付的强驱动

物理 AI 落地的最终驱动力源于产业需求端：制造业智能化升级、物流履约效率压力、劳动力结构转型及服务质量标准提升，共同推动企业必须持续提高自动化与智能化水平。
中国拥有全球罕见的规模化应用土壤，其特点是场景密度高、业务链条完整、对时效与成本敏感性强，这决定了物理 AI 在中国不仅是技术发展方向，更是产业竞争的必然选择。
1、中国制造业自动化进入高密度阶段
据国际机器人联合会（IFR）数据，中国工业机器人密度在 2023 年已达 470 台/万人，位居全球前列。2024 年中国新装工业机器人约 29.5 万台，国内机器人保有量突破 200 万台，本土品牌市场份额已升至 57%。这一数据表明， 中国制造业已进入以机器人为核心的高密度自动化阶段，为物理 AI的集成与应用提供了扎实的产业基础。

图 1.2 国际机器人联合会（IFR）数据：2023 年中国工业机器人密度

14
第一章：范式跃迁：智能从信息域走向物理域

2、政策推动：从技术导向转向系统牵引
中国在机器人及智能系统领域的政策规划具有明确延续性。“十五五”机器人产业发展规划聚焦形成全球创新策源地与应用高地，《“机器人+”应用行动实施方案》则围绕制造、物流、医疗等关键领域，以场景化为抓手推动规模化落地。政策重心已从单项技术突破转向系统化应用牵引与工程闭环能力建设，这与物理 AI 所强调的全链路工程化落地逻辑高度契合。
3、行业案例：物理 AI 已成为规模化生产力
以下案例表明，物理 AI 并非远景，而是正在多行业形成系统化生产力：
• 美团自动配送体系：美团自动配送车采用激光雷达、摄像头、毫米波雷达与超声波雷达组成的多传感器系统，实现障碍物识别能力。搭载高算力AI 芯片（算力达数百
TOPS），支持实时路径规划与动态避障。截至 2024 年年底，累计配送近