物理 AI
将人工智能应用于机器人、自动驾驶等物理系统的技术领域，要求模型理解重力、摩擦、碰撞等真实世界物理规律，并能在边缘设备上高效推理。
核心事实
时间轴 (近 90 天)
物理 AI 的数据来自摄像头、激光雷达、毫米波雷达、IMU 等多种传感器，格式各异、规模庞大。
开放模型在物理 AI 领域可以让中小型研究团队和初创公司基于已有权重和架构做微调，而不必从零搭建基础模型。
物理 AI 的训练需要大量传感器数据、仿真环境和硬件在环测试，资源门槛高于云端 AI。
当前物理 AI 的瓶颈集中在数据而非算力：带物理标注的交互数据极其稀缺。
物理系统对延迟极其敏感，推理必须能在边缘设备上高效运行，对模型压缩和硬件协同设计提出不同于云端 AI 的要求。
物理 AI 的碎片化程度远高于语言，可能不会出现少数几个大一统的基础模型，而是若干针对特定领域的开放模型并存。
物理AI指让AI走出屏幕、进入现实世界并与物理环境交互的技术方向，典型落地场景包括机器人、自动化设备和边缘传感系统
具身推理是指AI模型在具备物理身体的前提下，对环境进行感知、理解、规划并执行动作的能力
物理AI实验的复现难度包括环境不可控性，如温度、光照、地面摩擦系数等物理变量难以在不同实验室间精确复制
物理 AI（机器人操控、具身智能等）的实验复现往往需要昂贵的硬件设备甚至配备高速摄像机的实验室环境
全部知识事实 (10)
物理AI指让AI走出屏幕、进入现实世界并与物理环境交互的技术方向，典型落地场景包括机器人、自动化设备和边缘传感系统
65%已验证具身推理是指AI模型在具备物理身体的前提下，对环境进行感知、理解、规划并执行动作的能力
65%待验证物理 AI 的数据来自摄像头、激光雷达、毫米波雷达、IMU 等多种传感器，格式各异、规模庞大。
50%待验证开放模型在物理 AI 领域可以让中小型研究团队和初创公司基于已有权重和架构做微调，而不必从零搭建基础模型。
50%待验证物理 AI 的训练需要大量传感器数据、仿真环境和硬件在环测试，资源门槛高于云端 AI。
50%待验证当前物理 AI 的瓶颈集中在数据而非算力：带物理标注的交互数据极其稀缺。
50%待验证物理系统对延迟极其敏感，推理必须能在边缘设备上高效运行，对模型压缩和硬件协同设计提出不同于云端 AI 的要求。
50%待验证物理AI实验的复现难度包括环境不可控性，如温度、光照、地面摩擦系数等物理变量难以在不同实验室间精确复制
50%待验证物理 AI（机器人操控、具身智能等）的实验复现往往需要昂贵的硬件设备甚至配备高速摄像机的实验室环境
50%待验证物理 AI 的碎片化程度远高于语言，可能不会出现少数几个大一统的基础模型，而是若干针对特定领域的开放模型并存。
50%