在小鹏汽车去年11月的AI Day上，我首次展示了我们的全栈物理AI框架，目标是在2026年前将包括Robotaxi、人形机器人和飞行汽车在内的物理AI应用投入量产。
如今，站在年中这个节点，我们正在审视规模化物理AI的真正关键。
什么是物理AI
首先，什么是物理AI？你可能也经常听到它被称为"具身AI"。实际上，物理AI涵盖的范围比具身AI更广。
将数字世界的AI能力与物理硬件（如自动驾驶汽车和机器人）相结合，将催生"物理AI"。例如，机器人将逐步获得理解、交互和重塑世界的能力，最终引发生产力和生产关系的革命性变革。
物理AI包含四大核心要素
要规模化物理AI，我们需要分解其核心要素。在我看来，物理AI包含四大核心要素：模型、算力、数据和物理载体。
物理AI世界的基石是操作系统，而模型就是那个操作系统。同时，大模型可以看作引擎。数据是驱动其演进的燃料，而数据应用的规模与效率决定了模型的能力。
模型、算力和数据属于数字领域的要素，在虚拟空间中遵循缩放定律（Scaling Laws），即随着模型参数、算力和数据集规模的扩大，模型性能持续提升。
相比之下，物理载体属于物理世界。它们是指由AI赋能的实体系统，例如汽车和人形机器人，其能力受到制造过程中物理规律的制约。
这四个要素共同构成了自动驾驶乃至通用人工智能（AGI）的基础支柱。只有通过数字和物理要素的同时突破，才能实现物理AI在现实世界中的部署。
量产：物理AI vs. 数字AI
毫无疑问，量产物理AI比数字AI要困难得多。但除了软件限制之外，还有哪些因素在起作用？
- 信息密度：数字AI处理的是低密度信息流。物理AI处理的是高密度信息流。因此，从数字AI到物理AI的转变，代表着从低密度信息流到高密度信息流的切换，也是从数字领域跨越到物理时空。
- 能力边界：数字AI的上限在于更高的信息效率，其下限具有容错性，且适用性可高度迁移。相反，物理AI的上限是重塑物理世界的能力，而其下限则要求严格的安全标准，零容错，且适用性高度依赖具体场景。关键在于，数字AI具有通用性，易于迁移，而物理AI与特定场景深度绑定。
- 硬件壁垒：CPU、GPU和服务器集群构成了数字AI的主要硬件壁垒，但物理AI的硬件壁垒覆盖更广的维度，包括边缘侧硬件的基础性能、成本、可靠性、制造能力和可量产性。
- 法律法规：数字AI的法规侧重于间接管理，涉及数据隐私、版权和伦理。相比之下，物理AI面临政策和法规直接且严格的运营限制。例如，Robotaxi需要道路测试许可证和严格的安全认证。
- 公众接受度：数字AI具有鲜明的工具特性，容易获得公众认可。而物理AI涉及安全性和可信度问题，需要更长的周期来建立公众信任。
这就是为什么规模化物理AI的竞赛属于那些具备跨领域整合和自主研发能力的公司，而不仅仅是那些只关注模型或硬件的公司。
