物理AI的核心是掌握物理因果规律,通过AI技术实现从输出信息、数字指令到输出实体动作的演进。目前面临Sim2Real虚实迁移的挑战,已量产应用包括AMR、工业巡检机器人等,人形机器人尚在探索阶段。
物理AI行业正迎来数据规模化放量和模型突破的拐点。数据采集方式包括遥操作、Ego、UMI、仿真数据四种,Ego数据标准化并迎来规模化放量。行业规划目标达百万-千万小时,但实际数据存量偏低,存在规划与落地缺口。人形机器人作为最合适的载体,其硬件天然适配模型和数据,训练效果较佳,灵巧手技术路线逐渐走向商用落地。
报告重点分析了物理AI的数据采集和处理、具身大脑模型迭代、终端载体选择以及产业链公司布局。数据采集方面,Ego数据已实现标准化并遵循ScalingLaw,数据规模提升可稳定提升机器人性能。具身大脑方面,VLA模型物理层面泛化能力较弱,WAM模型是世界模型的演进,可预测未来世界状态。终端载体方面,人形机器人适配性最强,灵巧手技术路线多样。产业链公司如风语筑、奥比中光、福赛科技等在仿真数据、3D视觉、机器人零部件等领域具有优势。
当前物理AI市场处于快速发展阶段,已实现部分场景的量产应用,如AMR、工业巡检机器人等。数据采集方面,Ego数据需求端迎来规模化放量拐点,但行业实际数据存量偏低,存在规划与落地缺口。模型迭代方面,物理AI模型快速演进,大语言模型如Chat-GPT6Astra可加速模型发展,但执行速度仍需提升。产业链方面,已形成涵盖数据采集、仿真训练、硬件感知、零部件供应等环节的生态布局。
研报提示了物理AI发展面临的主要风险,包括模型能力进展不及预期、机器人商业化及规模放量不及预期、公开演示代表性不足以及Sim2Real迁移效果不及预期。模型能力方面,物理AI模型需要掌握复杂的物理因果规律,进展可能不及预期。商业化方面,机器人规模化放量需要克服成本、技术等多重挑战。公开演示可能无法全面反映实际应用效果。Sim2Real迁移是物理AI发展的关键技术瓶颈,效果不及预期将影响应用落地。