AI的下一个范式：从屏幕之内走向物理世界

当大语言模型竞赛进入资本深水区

大模型能力的跃迁正迅速演变为一场超级资本密集型的军备竞赛。算力、数据、人才的投入不断刷新纪录，但越来越多从业者开始追问：在语言模型之后，AI真正的突破点在哪里？答案正在从“屏幕之内”转向“屏幕之外”——走向可感知、可交互、可作用于真实物理世界的智能。

物理AI：不是延伸，而是范式迁移

它不再满足于理解与生成文本、图像或视频，而是要建立与现实世界持续互动的能力。这种转变意味着学习方式的根本重构：从离线训练转向在线学习，从静态推理转向动态反馈，从单向输出转向闭环行动。交互不再是目的，而成为驱动能力持续进化的数据飞轮。

空间智能、具身通用与世界模型的三重锚点

群核科技将落点锚定在“空间智能”，目标是让大模型生成一个可交互的三维世界——不是渲染画面，而是建模重力、摩擦、结构约束等底层物理规律；生数科技聚焦“物理世界的通用模型”，相信物理世界终将迎来自己的Scaling Law与ChatGPT时刻，其技术路径强调多模态融合与动作-状态联合建模；银河通用则提出世界模型必须具备三项不可分割的能力：准确建模动作对环境状态的改变、以状态建模反哺策略学习、具备跨场景通用的评价能力。

分歧不在方向，而在抵达路径

关于如何构建世界模型，业界存在两条主线：一派主张回归物理仿真，认为视觉只是表象，世界由不可见的力学规律驱动；另一派相信纯视频数据+足够规模的模型，终将涌现对物理世界的隐式理解。但共识正在形成——单一路径难以突破瓶颈，真正可行的方向，是融合结构化物理先验、多源传感数据与端到端学习能力的混合架构。

落地逻辑已悄然改变

与数字AI追求通用性不同，物理AI的突破口在于“有限范围内的全面通用”。一辆车无需理解宇宙，只要在道路场景中可靠决策；一个工厂机器人无需掌握所有技能，只需在产线空间内完成高精度协同作业。这种“小世界、大能力”的思路，大幅降低了工程门槛与验证周期。数据采集的挑战依然突出，但核心矛盾已从“有没有数据”，转向“如何低成本、规模化地把物理世界的维度——尺寸、质量、材质、力反馈、时序因果——系统性地数字化”。

模型与系统的边界正在消融

当前物理AI系统中，“模型”与“Harness”（任务规划、执行监督、反馈闭环）仍呈双轨并行。但长期趋势明确：二者将逐步融合为“One Model One System”。一个物理AI模型，未来将不仅输出指令，更能自主感知、实时评估、动态纠错、持续进化——它本身就是一个最小功能完备体，可直接部署为产品、产线模块甚至服务单元。数字智能的能力，将成为物理AI系统的子集，而非平行赛道。