在去年 11 月的小鹏 AI 日上，我首次展示了我們的全棧物理 AI 框架，目標是將包括 Robotaxi、人形機器人和飛行汽車在內的物理 AI 應用，在 2026 年前實現量產。
如今來到年中這個節點，我們正在審視規模化物理 AI 的真正關鍵。
什麼是物理 AI
首先，什麼是物理 AI？你也可能經常聽到它被稱為「具身 AI」。事實上，物理 AI 涵蓋的領域比具身 AI 更廣。
將數位世界的 AI 能力與物理硬體（如自動駕駛車輛和機器人）整合，就會催生出「物理 AI」。例如，機器人將逐步獲得理解、互動並重塑世界的能力，最終引發生產力與生產關係的革命性轉變。
物理 AI 包含四大核心要素
要規模化物理 AI，我們需要拆解其核心要素。在我看來，物理 AI 包含四大核心要素：模型、算力、資料，以及物理載體。
物理 AI 世界的基石是作業系統，而模型就是那套作業系統。同時，大型模型可以被視為引擎。資料是驅動其演進的燃料，而資料應用的規模與效率決定了模型的能力。
模型、算力與資料屬於數位領域的元素，它們在虛擬空間中遵循規模定律（Scaling Laws），也就是說，隨著模型參數、算力和資料集規模的擴大，模型性能會持續提升。
相比之下，物理載體屬於物理世界。它們指的是由 AI 驅動的具體系統，例如車輛和人形機器人，其能力受到製造過程中物理定律的制約。
這四個要素共同構成了自動駕駛乃至通用人工智慧（AGI）的基礎支柱。唯有同時在數位與物理元素上取得突破，才能實現物理 AI 的真實世界部署。
量產：物理 AI vs. 數位 AI
毫無疑問，量產物理 AI 比量產數位 AI 困難得多。但除了軟體限制之外，還有哪些因素在起作用？
- 資訊密度：數位 AI 處理的是低密度資訊流。物理 AI 處理的是高得多的資訊密度流。因此，從數位 AI 過渡到物理 AI，代表了從低密度資訊流向高密度資訊流的轉變，同時也是從數位領域進入物理時空的轉變。
- 能力邊界：數位 AI 的上限在於更高的資訊效率，其下限具有容錯性，且應用具有高度可遷移性。相反地，物理 AI 的上限在於其重塑物理世界的能力，而下限則要求嚴格的安全標準，零容忍錯誤，且其應用高度依賴具體場景。關鍵在於，數位 AI 具有通用性且易於遷移，但物理 AI 與特定場景深度綁定。
- 硬體門檻：雖然 CPU、GPU 和伺服器叢集構成了數位 AI 的主要硬體門檻，但物理 AI 的硬體門檻涵蓋了更廣的維度，包括邊緣端硬體的基本性能、成本、可靠性、製造能力以及可量產性。
- 法律法規：數位 AI 的監管側重間接管理，涉及資料隱私、版權與倫理。相比之下，物理 AI 面臨政策與法規直接且嚴格的運營限制。例如，Robotaxi 需要道路測試許可證和嚴格的安全認證。
- 公眾接受度：數位 AI 具有顯著的工具屬性，容易獲得公眾認可。物理 AI 則涉及安全與信任問題，需要更長的周期來建立公眾信心。
這就是為什麼規模化物理 AI 的競賽屬於那些具備跨領域整合與自主開發能力的公司，而不僅僅是那些只專注於模型或硬體的公司。
