物理智能
物理智能(physical intelligence,亦译物理人工智能、physical AI)指人工智能系统在物理世界中通过本体感知、理解、推理并执行动作的能力,强调机器与真实环境之间"感知—决策—执行—反馈"的闭环。与主要处理文本、图像等数字信息的模型不同,物理智能必须面对重力、接触、摩擦、形变与不确定性等真实约束,其能力最终体现在能否把语言指令转化为可靠的物理动作。英文语境中,该词既作为描述一类能力的通用术语使用,也因机器人公司 Physical Intelligence(常以希腊字母 π 为标识)及其通用机器人策略而受到关注。在中国的话语体系中,它常与"具身智能"并置:具身智能被视为物理智能的重要载体,物理智能则被视为落地具身智能的核心技术路径。
内涵与概念边界
物理智能关注的核心问题,是让机器像人一样"在世界中行动",而不仅是"对世界作出描述"。一套物理智能系统通常包含三个环节:以视觉、触觉、本体感觉等传感器获取环境状态;以模型理解任务意图并规划动作;以控制器驱动机械臂、底盘或人形本体执行,并根据反馈不断修正。它要求系统具备跨时间的状态记忆、对动作后果的推演能力,以及在偏离预期时自我纠错的鲁棒性。
几个相邻术语常被并列,层次却不同。具身智能强调智能体必须拥有物理本体并在与环境交互中发展能力,人形机器人是其中一种形态;物理智能强调的是"在物理世界中智能如何成立"这一问题本身,范围可涵盖机器人、自动驾驶、智能制造等。空间智能侧重于机器对三维结构与空间关系的理解,多经由三维重建、神经渲染与生成式世界模型实现;物理智能则把这些理解落实为可执行的动作闭环。世界模型可视为物理智能的"内部大脑",为环境动态建模与后果预测提供机制。辨明它们分别指向能力、方法还是载体,比争论术语归属更有意义。
视觉-语言-动作模型
视觉-语言-动作模型(vision-language-action,VLA)是当前物理智能最具代表性的模型底座。它把视觉观测、自然语言指令与机器人动作三类模态统一到一个网络中:视觉编码器理解场景,语言部分理解任务要求,动作模块直接输出关节指令或末端位姿序列,从而让机器人"看见环境、听懂指令、做出动作"。与传统的"感知—规划—控制"分层流水线相比,端到端 VLA 减少了模块间接口损耗,具有覆盖广、时延低、自主性强的潜力,被视为通向跨本体泛化的重要路径。
在架构上,一个被广泛引用的做法是以预训练视觉语言模型(VLM)为骨干,继承互联网规模的语义与视觉知识,再接一个动作生成头。物理智能公司2024年10月31日发布的 π0(读作 pi-zero)即采用这一思路:论文《π0:面向通用机器人控制的视觉-语言-动作流匹配模型》把预训练 VLM 与流匹配(flow matching)动作专家结合,以约50赫兹的频率生成平滑的动作序列,使单一策略能够控制单臂机器人、双臂机器人与移动机械臂等多种构型。据项目公布的资料,其训练数据覆盖上万小时、七种机器人构型与数十项任务,演示了叠衣服、清理餐桌、装盒与装袋等长程精细操作。2025年2月,团队通过 openpi 仓库开源了模型权重与代码,并同时发布采用更高效动作标记方法的自回归变体 π0-FAST,使这一架构成为后续研究的重要参照。同年4月推出的 π0.5 进一步提升了开放世界泛化能力,可控制移动机械臂清理此前未见过的厨房或卧室。
发展脉络与技术路线
物理智能的近期升温,与大模型提供的语义理解、规划与代码生成能力,以及机器人学习数据的积累密切相关。2024年以来,多家机构相继推出通用机器人策略:谷歌深度思维的 Gemini Robotics 采用端到端 VLA 架构,强调跨本体泛化;中国的银河通用发布面向零售场景的 GroceryVLA,可根据"帮我拿点吃的"这类模糊指令自主规划路径、识别并抓取商品;天津大学团队研发的具身基座模型采用"大脑决策、小脑控制"的分层架构,由多模态大模型负责任务理解与长时序规划,由基于强化学习的模块负责精细动作执行。这些工作的共同目标,是让机器人从"固定环境里按固定程序干活"转向在未见场景中零样本适应。
就落地路径而言,中文报道把物理智能大致归纳为三类。其一是"预训练—后训练"范式:先用互联网视频、第一视角视频与跨机器人操作数据做大规模预训练,再以遥操作数据、强化学习或真机微调完成后训练;π0 系列主要属于这条路线。其二是"现实—仿真—现实"范式:把真实世界的几何、材质与动力学重建到高保真仿真环境中,让机器人在其中大量试错,再迁移到实体设备,以仿真算力替代昂贵的真机数据采集。其三是大模型编程路线:依托语言模型根据任务生成机器人控制程序,串联感知、规划与执行模块。三条路线各有优劣,较被认可的判断是它们不会互相取代,而会在数据、仿真与大模型推理层面逐步融合。
应用与评测
物理智能的应用场景围绕"身体"展开:家庭服务中的整理、清洁与饮食准备,零售与仓储中的分拣、抓取与配送,工业制造中的精密装配与质检,以及危险环境中的巡检与作业。在2025年世界人形机器人运动会上,有团队采用端到端强化学习,把视觉信号直接映射为运动控制指令,使机器人实现无遥操作的走、跑、跳与越障,展示了物理智能在运动控制侧的能力。
评测则更强调真实物理交互。与传统模型只看静态数据集不同,机器人策略的成功率、长程任务完成度、跨本体与跨场景泛化、零样本适应、失败恢复与动作节拍,都需要在真机或高保真仿真中反复试验才能测得。2025年底出现的面向机器人的真机评测榜单,把若干 VLA 模型置于统一任务下比较,一度引发对性能标杆的讨论。不过,不同榜单的任务设置与本体平台差异较大,结果可比性有限;训练数据与测试场景若存在重叠,也可能抬高成绩。如何建立可复现、可比较且能反映真实泛化能力的基准,仍是该领域的公共难题。
局限与争议
物理智能面临的首要约束是数据。真机交互数据采集耗时耗力、难以覆盖罕见工况,而遥操作往往有人在环辅助,使"演示视频中的能力"与"全自主能力"之间存在落差——有业界人士提醒,许多看似惊人的机器人动作背后仍有工程师遥操或预置程序。仿真虽可缓解数据压力,但复杂接触、柔性形变、流体运动与非平整地面等物理过程仍难以高精度实时复刻,仿真系统往往只能作为真机数据不足时的补充。
模型层面,有研究指出当前 VLA 多为"单帧智能":主要依据当前观测独立决策,缺乏对持续变化物理过程的时间理解。针对这一瓶颈,2026年有团队提出为模型建立多模态时序上下文,通过历史信息流式缓存与随机时间间隔训练,让机器人从"识别当前状态"走向"理解一个正在发生的物理过程"。硬件层面,谐波减速器等核心零部件的加工精度、触觉传感与电子皮肤的可靠性,都会影响软硬件深度耦合后的实际表现。
争议还涉及术语与叙事本身。有观点认为,物理智能只是具身智能、机器人基础模型等议题的另一种表述;也有观点强调,把任何带机械臂的系统都冠以"物理智能",容易模糊能力边界。此外,机器人在物理世界中的误判可能直接造成人身或财产损害,数据采集涉及隐私,自主系统的责任归属与安全规范尚待建立。因此,更稳妥的态度是把物理智能视为一组正在形成的研究目标与工程能力:它已展示出处理真实任务的实际进展,但距离稳定、通用且可放心部署的智能,仍有相当距离。
参见
- 具身智能
- 机器人学
- 人形机器人
- 世界模型
- 强化学习
- 空间智能
参考资料
- Kevin Black 等. π0: A Vision-Language-Action Flow Model for General Robot Control. arXiv, 2024-10-31.
- 新华网. 物理人工智能,加速走进现实世界. 新华网, 2026-06-15.
- 新华网. 把握全球技术演进态势 抢占具身智能发展先机. 新华网, 2026-06-23.
- 瞭望周刊社. 何时摆脱遥控器. 瞭望, 2025-11-18.
- 科技日报. 大晓联合香港大学发布StreamPI 让VLA真正理解时间. 科技日报, 2026-08-28.