2026 年 5 月 9 日，英伟达机器人研究负责人 Jim Fan 在 Sequoia AI Ascent 会议上发表重磅预判：机器人物理 AI（Physical AI）将很快迎来类似大语言模型（LLM）的突破性进展，其核心驱动力来自视频模型的快速演进。Jim Fan 预计，到 2040 年前，机器人技术将解锁全部主要技术成就，实现从 "视觉认知" 到 "物理交互" 的历史性跨越。
物理 AI：机器人理解的下一个前沿
Jim Fan 所说的 "物理 AI"，是指让机器人不仅 "看懂" 世界，更能 "理解" 物理规律并与物理世界进行精准交互的能力。这与当前主流的 "视觉 AI"（让机器识别图像中的物体）有着本质区别。
举例来说，一个具备物理 AI 能力的机器人，看到一杯水被碰倒时，不仅能识别出 "杯子倒了" 这一事实，还能预判水会流向哪个方向、流速有多快、是否会溅到桌上的文件中——并据此做出 "用抹布接住水流" 的实时决策。这种对物理规律的深度理解和运用，正是当前 AI 机器人最缺失的能力。
Jim Fan 指出，物理 AI 的关键突破口在于 世界动作模型（World Action Model）——一种能够同时建模 "环境状态" 和 "自身动作后果" 的 AI 模型。这与大语言模型的 "下一个词预测" 有异曲同工之妙：LLM 通过预测下一个词来掌握语言规律，物理 AI 模型则通过预测 "下一个物理状态" 来掌握物理规律。
视频模型：物理 AI 的 "预训练金矿"
Jim Fan 特别强调，海量互联网视频将成为物理 AI 的 "预训练金矿"。他指出，互联网上已有数万亿帧涵盖各种物理场景的视频数据——从烹饪视频中食材的状态变化，到体育视频中人体运动的物理规律，再到自然视频中风雨水流的物理行为——这些数据为物理 AI 提供了前所未有的预训练资源。
英伟达已经在这一方向上展开了实质性布局。2026 年初，英伟达发布了 Cosmos-2 世界模型平台，专门用于生成高质量的物理 AI 训练数据。Cosmos- 2 能够模拟各种物理场景（如不同材质物体的碰撞、液体流动、柔软物体的形变等），为机器人提供低成本、可扩展的训练数据。
AI 资源之家了解到，Cosmos- 2 生成的合成数据已经在一些机器人训练场景中取代了部分真实数据，训练效率提升了 3 - 5 倍，同时大幅降低了数据采集成本。
复制 LLM 成功路径：物理 AI 的三阶段演进
Jim Fan 将物理 AI 的发展路径与 LLM 进行了系统对比，认为物理 AI 将经历三个类比于 LLM 发展的阶段：
第一阶段：基础模型阶段（2026-2028 年）——类似于 GPT-2/GPT- 3 时期，物理 AI 模型将具备基本的物理理解能力，能够完成简单的物理推理任务，但在复杂场景中的表现仍然有限。
第二阶段：能力涌现阶段（2028-2032 年）——类比于 GPT- 4 的 "智能涌现"，物理 AI 将在这一阶段实现质的飞跃，机器人将能够理解复杂的物理场景并执行多步骤的物理交互任务。
第三阶段：通用物理智能阶段（2032-2040 年）——类比于 AGI（通用人工智能）愿景，物理 AI 将具备类似人类的物理世界理解和交互能力，能够在任意未知物理场景中自主完成任务。
AI 资源之家观察：物理 AI 的商业前景
AI 资源之家分析认为，Jim Fan 的预判具有重要的产业指导意义。物理 AI 的突破将直接推动以下应用场景的商业化进程：
——家庭服务机器人：具备物理 AI 能力的机器人能够安全地在家庭环境中执行叠衣服、收拾餐具、整理物品等精细操作；
——工业精密装配：物理 AI 使机器人能够应对柔性零件装配、缆线连接等需要精细物理感知的任务；
——自动驾驶进阶：物理 AI 使自动驾驶系统能够更好地理解其他道路参与者的物理行为意图，提升复杂场景下的决策能力；
——医疗手术辅助：物理 AI 使手术机器人能够更精准地感知组织特性，实现更安全的微创手术操作。
值得注意的是，Jim Fan 的预判也面临着现实挑战。物理 AI 的训练不仅需要海量数据，更需要强大的仿真环境和高效的 Sim2Real（仿真到现实）迁移能力。英伟达在其中正是看准了自己在 GPU 算力和物理仿真软件（Omniverse）方面的双重优势，力图将物理 AI 的生态主导权握在手中。
对于中国 AI 机器人企业而言，物理 AI 既是一个赶超机会，也是一个不小的挑战。在 LLM 领域，中国企业通过开源模型和本土化应用实现了快速追赶；在物理 AI 领域，能否复制这一成功路径，将在很大程度上决定中国机器人产业的未来竞争力。AI 资源之家将持续跟踪物理 AI 领域的最新进展。
