易投投软硬协同破局物理AI：五位产业专家解码算力底座与具身终端的商业化之路

7月28日，2026第一财经科技创新产业融合发展大会在上海中心举办。在主题为"软硬协同：AI时代的算力底座与具身终端"的圆桌对话中，申万宏源研究计算机首席分析师黄忠煌担任主持人，与来自灵巧智能、松应科技、灵境智源、紫金星宇、Momenta的五位行业领军人物，围绕物理AI的定义边界、软硬协同路径与商业化落地等核心议题展开深度交锋。

与会嘉宾普遍认为，物理AI正处于从技术概念走向规模化量产的关键拐点，算力底座、仿真平台、通信网络、终端本体与算法模型的协同程度，将直接决定AI能否真正跨越"最后一厘米"、打通实体经济的商业化闭环。

重新定义物理AI：从"小脑发达"到"大脑觉醒"

物理AI并非2026年才出现的新名词，却在今年迎来了集中爆发——港股市场已有七八家企业贴上"物理AI第一股"标签。然而，究竟什么是物理AI？产业界仍在寻找共识。

上海人工智能研究院副院长、灵巧智能创始人兼董事长许春山认为，物理AI的本质是让可见的物理空间与物理载体产生智能，其核心是在理解重力、摩擦力等基本物理属性的基础上，形成感知、推理、决策、执行到反馈的完整闭环。

"灵巧操作是物理AI落地的重要载体，是'最后一厘米'的关键环节。"许春山指出，当前物理AI面临技术维度分散的痛点。懂操作的不懂本体，懂本体的不懂世界模型，"演技可以，但到了具体场景缺乏对场景的理解"。他提出，产业发展需走"由点到面、由立体到规模化"的路径，以场景为核心，从单一技能到多技能、从单智能体到多智能体逐步形成闭环。

松应科技创始人兼CEO聂凯旋则从更宏观的视角给出判断："AGI实现的前提是先有物理AI。"他说，今天的AI数据主要来自互联网，学到的多是基于图片和文字的信息，若没有掌握大量物理生产的工艺规则和数据，就不可能对物理世界进行完整建模。

"物理AI到来的时间，基本决定了AGI何时到来，这是一个重要的前置条件。"聂凯旋表示，松应科技自2021年成立起便对标英伟达Omniverse，打造国产物理AI操作系统，目前已成为国内首家能够提供全量国产替代的平台公司。在他看来，物理AI的未来不是单体智能，而是群体智能——不同形态的机器人在同一环境中为同一任务彼此协作，这需要一套面向大规模集群、多任务协同的训练基座。

灵境智源联合创始人兼副总裁须海江从算力基础设施的角度切入，将AI发展划分为三个阶段：2013年至2019年的感知类AI阶段、ChatGPT出现后的语言模型阶段，以及当前最热的世界模型阶段。他指出，VLA模型的训练数据主要来自互联网和图书馆，文字类数据渠道丰富，但物理世界的数据极其稀缺。

"现在世界模型训练数据基本靠视频，但视频缺乏声音、温度、力等多模态元素。"须海江说，灵境智源正在打造从算力芯片到操作系统再到垂类模型的一体化基础设施，核心目标是为语言模型和世界模型提供高效算力支撑，同时实现多模态多维元素的快速融合与处理。

紫金星宇董事长兼总经理吴建军则从通信视角重新审视物理AI。"6G不是简单的更快更高更强，更重要的是融合了感知、AI和卫星三大能力。"他认为，如果终端还是手机，根本不需要6G，6G一定是为无人机、机器人、新能源汽车、VR眼镜等新型终端而生。

在他看来，物理AI最大的瓶颈不是算力，而是数据。"ChatGPT时代数据是现成的，大家卷算力很正常；物理AI不能卷算力了，更重要的是怎么解决数据问题。"吴建军强调，物理AI对时延的确定性要求极高，100毫秒的时延可能带来20至30厘米的空间误差，"这在云端AI无所谓，大不了再问一下，但在物理AI里不可接受"。他期待6G通感算融合的底座能够真正降低本体的功耗、成本和体积，将算力从终端推向网络边缘。

Momenta全球商业生态负责人刘科，以自动驾驶这一最成熟的物理AI应用为参照，给出了看法："物理AI是像人类一样去理解，并且安全作用于物理世界的一种智能。"他判断，物理AI当前正处于从技术理念走向规模化量产的拐点，"GPT时刻即将到来"。刘科提出，世界模型是物理AI的核心支柱，包含三层逻辑结构：预训练建立物理世界的认知基础，仿真将认知转化为可交互的虚拟世界，强化学习在虚拟世界中反复试错迭代出最优策略。他透露，Momenta已在自动驾驶领域实现超过100万辆量产车的闭环运行，最新的R1产品已落地快递配送、夜间配送等场景，通过全天候多场景无人配送打通城市"最后一公里"。

软硬协同与商业化：跨越从Demo到量产的鸿沟

如果说英伟达是AI的全栈选手，那么中国物理AI产业该走软硬一体的耦合路线，还是走分工协作的协同路线？这成为圆桌讨论的第二个焦点。

许春山用"合而不同"概括软硬件关系。他认为，硬件追求稳定、软件追求敏捷，二者在设计维度、生命周期、经济价值上都存在客观鸿沟。破局之道有三：一是价值协同，通过"用"让软硬件在协同中一致对外；二是开源与标准先行，在设计硬件时就嵌入软件的基本要求；三是大量落地实践，在应用中形成价值互补和长期协同。

聂凯旋则从产业史的纵深感出发，给出了开放路线的判断。他回顾，PC时代微软Windows是闭环系统，移动互联网时代苹果iOS也是软硬一体，但安卓通过与多元化硬件深度协作，最终从很小的市场份额做到了八成以上。"开放的体系对行业促进更加有益，也更能支撑开发者生态和市场繁荣。"他透露，松应科技选择走开放兼容路线，已与摩尔线程、沐曦、瀚博半导体等多家芯片公司建立合作，软件也已在GitHub上开源。

须海江认为，从芯片底层到操作系统，面对的是全行业通用性应用，最好是开放解耦的，这样才能支撑更多场景、普适性更强；但一旦深入到具体行业场景，特别是具身智能这种脱离场景就无法落地的领域，就需要深度协同甚至深度绑定。

吴建军则从商业效率角度分析称："垂直整合是效率最高的，已经有很多成功案例，比如SpaceX。"但他同时认为，开源对生态非常重要，基础设施可以在二者之间找到平衡。他特别提到汽车行业的经验："华为智驾搞了五个界八个界，大家都可以赋能。软硬件解耦不是买卖关系，而是一个生态——大家坐在一起定义几个构型，集中搞场景化的数据，让大家真正用起来。"他强调，硬件不能等软件，软件也不能迁就硬件，关键是聚焦几个构型、定几个场景，把本体的关键东西定好，然后集中训练。

刘科从客户需求出发，给出了"坚持开放生态"的答案。"客户的需求是多元化的，我们不应该限制客户的选择。"他介绍，Momenta的核心算法和底层架构已在英伟达、高通等所有主流算力平台上完成适配。支撑这一能力的是"三大法宝"：MomentaFramework确保L2和L4产品在算法和底层上保持一致，MomentaAdapt面向不同车企需求设计适配工具，MomentaBox则基于量产业务积累提供开发套件。凭借这套体系，Momenta首个十万台车交付的周期已从2022年的24个月压缩至如今的不到40天。

讨论最后聚焦于商业化——"物理AI一听概念猛如虎，一看收入原地踏步"，难点究竟在算力成本、数据标准还是基础模型能力？

许春山说："光谈难点没有意义。"他认为，商业化的第一条路径就是"用起来"——在用的过程中适配，在量的积累中形成精准闭环和价值逻辑。第二条路径是解决数据痛点，包括数据采集、处理、高质量数据集形成，以及数据共享和交易机制。第三条路径是场景开放，"只有场景更多开放出来，让更多软硬件结合各种载体到空间去使用，有评估、有价值闭环、有数据闭环、有模型调优，才能不断迭代升级"。

聂凯旋认同场景和数据是当前最大稀缺资源。他介绍，松应科技的物理AI操作系统可以将真实场景转化为"数字训练场"，基于一套真实场景模拟出一百套、一千套泛化数据，帮助模型理解更多元化的场景和应对突发事件。但前提是要有真实场景愿意开放。

须海江表示，产业分工的长期主义很关键。"需要千军万马按照产业分工各自长期持之以恒地努力。"他指出，当前最大的不确定性在于世界模型本身——"什么才是真正正确的世界模型？该喂给它什么有效数据？会不会有一天发现视频类数据也不对，要推倒重来，重新灌注一个全新维度的数据？"

吴建军从6G的角度给出了降本方案。他说：“我们希望本体只做动作控制，算力相关的都放在网络边缘。端到端的确定性时延是关键——在确定的时间把确定的指令发下去，机器人本体现场执行，环境感知也放在边缘节点。”

刘科提出了物理AI跨越量产鸿沟的三大核心要素：数据获取成本、端侧算力门槛、硬件定制化成本。"汽车是轮子上的物理AI智能终端，也是当前规模化最大、商业成熟度最高的载体。"刘科表示，Momenta正致力于用同一套世界模型基座平台，支撑乘用车、Robotaxi、Robotruck等多形态终端的规模化落地，推动物理AI从汽车走向更广阔的物理世界。

举报文章作者