物理AI的闭环，先别急着造大脑

前几天我在家里试一套新网关，刚上手一周不到。演示很顺，人到楼下，灯打开，空调启动。第一晚就掉链子。空调执行成功了，状态没回流，App 显示失败；用户又点一次，压缩机反复启停。那一刻我想起钛媒体那篇讲千亿制造企业物理 AI 的文章。计划、执行、反馈，少一环，聪明就变成麻烦。

物理 AI 既要跑实时反馈，也要跑数据回流、模型训练、仿真验证、重新部署的更新链路。

很多产品宣传停在执行。设备动了，任务发了，机器人跑了，看起来流程走完。但做 IoT 的人都知道，执行只是开始。用户取消、环境变化、设备报错，这些反馈回不来，系统就会自信地犯错。

企业路线和家庭路线，差的不是一台服务器

千亿制造企业做物理 AI，目标很大。计划端要处理订单、产能、物料和异常，执行端要落到产线、仓储和供应商。微软讲 2026 制造业转折点时提到，Agentic AI 开始参与业务执行，比如自动与供应商沟通、触发补货与重排、优化库存、处理异常。IDC 调查里，35.2% 的受访 CEO 把物理 AI 列为未来 12 到 24 个月重点。

但我担心很多厂商会把物理 AI 做成巨大的中央大脑，试图同时求解所有变量。供应链那篇素材说，万物耦合无法绕开，多目标还会冲突。这个判断我认。可一旦产品化成「你先交数据，我再给最优解」，落地门槛就高了。IT 要改接口，产线要补标签，仓库要清数据，供应商要接协议。用户要的是少停线、少缺料、少扯皮。

智能家居也在犯同样的错。网关、OTA、聚合平台，我最近都在试。车机原生 CarPlay 那篇我写过，它像给家里换了万能网关。真正打动用户的，是上车后不用重新学一遍。设备能不能联动，主要看反馈机制有没有低门槛。发布会讲不讲生态大脑，是另一回事。

安装门槛，比模型参数更像商业价值

我这边看下来，物理 AI 能不能规模化，主要看反馈链路能不能被一线员工和普通用户接受，模型大小排后面。工厂里，计划员不会因为有大模型就愿意改工作流。家里，老人也不会因为你叫它物理 AI 就愿意多点三步。安装门槛高不高，这个场景用户需要吗，这两问过不了，技术再正确也只是样板间。

享界 G9 我用了四周，智驾满一个月。体验里最舒服的是系统状态会告诉我为什么。OTA 我刚开始试，一周不到，最怕更新完把习惯打乱。反馈如果不被用户理解，数据回流如果只会训练模型，不会解释动作，那所谓反馈链路只是厂商自己的 KPI。

物理 AI 要落地，先别急着造大脑。计划、执行、反馈要能跑通，一线员工和普通用户才愿意用。