物理AI不是下一个风口，而是下一轮工业革命？

作为一个完全不懂物理AI的人，我试了一下这个概念。

上周我看到黄仁勋在SIGGRAPH上说“物理AI是下一个万亿级风口”，Gartner还把它列成了2026年十大战略技术趋势之一。我第一反应是：这不就是新瓶装旧酒吗？工业自动化搞了多少年了，现在换个AI的马甲就成革命了？

但我还是决定认真看看，毕竟我参加过50多场黑客松，见过太多demo在48小时里从“改变世界”变成“改变世界麻烦”。我花了三天时间，从第一天读论文到第三天试了个开源的世界模型，想说点真实感受。

第一天，我翻了浙商证券的报告和36氪的文章。物理AI的核心定义倒是不复杂：让AI能理解物理世界的规律，比如重力、摩擦力、温度，然后能跟现实环境互动。这跟传统生成式AI不一样，生成式AI处理的是数字数据，本质上是“文本到文本”或者“文本到图像”，它不关心这个图像里的杯子掉地上会不会碎。物理AI要解决的就是这个“物理盲区”。

真正让我觉得有戏的是第三天。我找了个开源的世界模型（就是那种能从视频帧预测下一帧的模型），用我录的一段桌面视频丢进去跑。视频里我把一个水杯从桌子边缘推下去，模型预测的结果是：水杯下落、倾斜、水洒出来。虽然不是完全准确，但它确实“理解”了重力这回事。这让我挺意外，因为我之前一直觉得世界模型容易产生“物理幻觉”，比如物体凭空消失，但这次跑下来，至少基本的物理规律没出大问题。

不过，问题也很明显。我跑的这个模型是基于视频生成的，它只能从单帧画面推演后续画面，但现实世界是三维的，有空间关系、因果关系和物理属性。比如它预测水杯落地后，水会穿透桌面，这说明它还没完全理解“固体”这个概念。这就像我写过的那个“谷歌地球AI生图翻车”的帖子，技术本身没问题，但产品经理没考虑用户恶意使用。物理AI也一样，模型训练数据如果不够全面，或者场景太复杂，它就很容易翻车。

我有个朋友在制造业工厂做质检，他说他们公司已经在用视觉AI做质量检测，但那是“看得见”的，比如检测产品表面有没有划痕。物理AI要做的“能动手”的事，比如让机器人自己判断一个零件该不该用力拧，这还差得远。他给我算了一笔账：一个工厂的质检场景，从数据采集到模型训练到部署，大概要半年到一年，成本是传统方案的3-5倍。投资回报率，说实话，目前还不明确。

但反过来想，如果物理AI真能解决制造业里那些“靠人工经验”的场景，比如预测性维护、柔性装配，那回报率可能是指数级的。黄仁勋在CES 2026上说过，物理AI将开启下一轮万亿级基建与产业浪潮。我理解的意思就是：它不只是做个智能质检，而是重新定义工厂怎么建、产线怎么跑、人怎么跟机器协作。

对我来说，物理AI不是下一个风口，而是下一轮工业革命。风口是炒出来的，革命是干出来的。现在这个阶段，适合的人是有耐心的技术团队，有预算的制造业企业，愿意花五年到十年深耕的投资者。不适合的人是想赚快钱的，或者指望AI能直接解决所有物理世界问题的。