2025年，当很多研究者还在为“云端算力”疯狂内卷时，物理人工智能的关键窗口期已然来临。那些把大语言模型、AlphaGo当作衡量指标的做法，其实正忽视了最严峻的现实挑战。最近在2026年的CES展上，加州大学伯克利分校Vive增强现实中心的艾伦·杨博士，就给大家泼了一盆凉水。他直言，尽管那些代码生成、围棋对弈的技术在虚拟空间里取得了了不起的成绩，但能让机器直接摸得到、看得见物理世界的系统——也就是所谓的“Physical AI”，目前还没迎来决定性的时刻。 这种判断并不完全是因为觉得算力会停滞不前，而是因为物理世界实在太难了。第一个拦路虎就是“数据荒漠”。不管是做文本训练还是图像识别，互联网上的资源取之不尽，可物理AI面对的场景却完全不一样。比如极端天气、突发路况或者机器失灵这些情况，数据根本就没法系统性地采集标注。这就好比在没路的地方硬要开车，数据的匮乏成了训练可靠模型的死结。 其次，在物理世界里，“时间就是生命”这句话变得格外残忍。像自动驾驶、做手术或者救灾这种生死攸关的事儿，系统哪怕慢了那么几毫秒，都可能造成无法挽回的后果。有些研究发现，在模拟对抗的时候，那种反应快的轻量级模型虽然单次决策没那么准，但整体表现反而比笨重的大模型更好。这就告诉我们，在动态的环境里，实时性往往比绝对的完美更重要。 再者，“云端网络”在很多地方都天生缺席。你想在深空探测或者深山中救援的时候保证高速稳定的联网？这几乎是不可能的任务。所以在这些地方搞智能化，唯一的出路就是让机器自己在本地做决定——这就是“边缘AI”。 为了攻克这些难题，杨博士团队选了一个极具挑战性的实践方向：开着高速赛车去跑赛道。他们率领的伯克利AI赛车队在2025年的CES挑战赛上把速度飙到了每小时140英里。更让人惊叹的是，他们还能在高速超车时瞬间触发紧急制动，这种情况下安全距离就会变成潜在的威胁。这说明物理AI不光要会规划路线，还要在竞争效率和绝对安全之间迅速做出权衡。 为了进一步验证技术在复杂环境下的适应性，他们把战场搬到了中国张家界的天门山。那条长约11公里的山路有99个急弯，陡坡加上多变的天气简直是地狱级的测试场。清华大学和浙江大学的专家也加入进来搞协作。 据悉，2026年他们要在这基础上玩出点新花样：搞一个人形机器人挑战赛。重点是让人形机器人爬台阶、走山路这些非结构化的地形。这意味着物理AI的验证不再局限于轮子上的平台了，而是要向更通用的“腿式”平台进发。 有分析人士指出，物理AI的突破不可能靠算法变魔术或者单纯堆硬件就能搞定。它必须让机器在真正的风雨里去摔打、去学习。这需要机械工程、控制科学、计算机视觉还有材料学这些学科深度合作才行。 从极限赛车到崎岖山路，再到即将开展的人形机器人挑战，这些实践正在给物理AI指出一条清晰的路：必须让智能从云端走出来，扎根在边缘设备上。人工智能最终的价值在于能不能跟人类的物理世界无缝融合、互相赋能。当大家还在盯着云端参数的时候，另一条通向更广阔天地的路已经变得越来越清晰：那就是直面物理世界的复杂性，大力发展边缘智能。 这条路上肯定充满了挑战，但这也是通向坚实未来的唯一必经之路。物理AI的分水岭时刻正在等待全球各行各业的人携手去定义、去开启。