2026 年物理 AI 元年：资本汹涌、路线未定，Om AI 联汇另辟蹊径能否破局？

物理 AI 元年已至过去几年AI 的战场在屏幕里。GPT 系列用参数堆出了惊人的语言能力Sora 用视频生成震撼了全世界……然而 2026 年产业界达成共识这一年是物理 AI 的元年。年初拉斯维加斯 CES 上英伟达 CEO 黄仁勋用一场演讲17 遍提及物理 AI宣布“物理 AI 的 ChatGPT 时刻已经来了”这也是他近两年一直推崇的关键词。在过去 2 年多时间里物理 AI 在“大脑”VLA 模型、“想象引擎”世界模型、训练场、本体及商业闭环五个维度取得关键进展行业已初步具备走出演示环境、向真实场景探索的技术基础。资本涌动与技术路线分化2026 年上半年全球物理 AI 领域的资本流动呈现出惊人的密度和规模。仅一季度全球物理 AI 融资就超过了 64 亿美元其中不乏 AMI Labs10.3 亿美元种子轮、World Labs10 亿美元融资国内千寻智能三月完成四轮 45 亿元融资的案例。同时物理 AI 的技术路线也呈现出清晰的产业分化。基础模型层呈现 VLM、VLA 与世界模型三条路径收敛之势。世界模型作为后台数据工厂合成训练数据VLM 承担长程规划的“慢思考”VLA 则把指令与感知直接转化为动作。技术路线似乎已然固化核心观点基本指向物理 AI 未来的核心技术架构将是“VLA 与世界模型的深度闭环”——VLA 负责“说人话、做决策”世界模型提供“内嵌物理引擎”提前模拟动作的物理后果验证计划可行性。不过这些方案已经是“物理世界需要什么样的 AI”这一核心问题的最终答案了吗物理 AI开放竞争格局未定资本汹涌、巨头入局、量产捷报频传物理 AI 被视为下一个万亿级市场。据 Future Markets 预测全球物理 AI 市场规模将从 2026 年的约 3830 亿美元增长至 2040 年的 3.26 万亿美元构成有史以来最大的科技市场扩张之一。Coatue Management 的预计则更为激进认为物理 AI 市场规模至少可达 6 万亿美元较数字 AI 高出约 50%。但是不同于数字 AI 领域竞争格局已日益明朗物理 AI 当下的特征可谓是“格局未定”决定胜负的维度——制造能力、部署数据、监管速度、供应链控制、基础模型智能——分布在不同的竞争者手中。作为物理 AI 的底层底座被寄予厚望的世界模型产业界对其定位也远未形成共识。智源研究院院长王仲远曾指出当前世界模型主流路线已有四条以语言为中心路线如 Gemini3能感知多模态数据通过语言思考并描述下一状态具备规划决策能力以像素为中心路线如 Sora适合视频生成但不懂物理因果以三维结构为中心路线如李飞飞 World Labs 的 Marble瞄准元宇宙、游戏等数字世界仿真以视觉表征为中心路线如 LeCun 的 V - JEPA 系列预测的是视觉表征的压缩但视觉嵌入演化不等于物理规律演化。四类路线各有拥趸各有短板。而主流的 VLA、世界模型的技术路线中有观点将 VLA、世界模型放在了对立面也有一部分企业选择两条技术路线并进并探索融合。有人走“VLA 为主、世界模型为辅”的嵌入路线有人走“世界模型原生、强化学习驱动”的独立路线还有人走“类脑算法 世界模型”的底层重构路线。不同技术路线在产业层面体现得更加尖锐。在“VLA 路线”阵营英伟达在 GTC 2026 展示了自研 VLA 模型 Alpamayo同时还有专为人形机器人设计的开源推理视觉语言动作VLA模型 Isaac GR00T N1.6小鹏在 CVPR 2026 推出 X - Foresight把世界模型直接嵌进 VLA 架构……在“世界模型路线”阵营吉利汽车集团在 GTC 2026 发布 WAM 世界行为模型World Labs 持续押注空间智能以三维结构为中心的世界模型路线谷歌 DeepMind 于 2025 年 8 月发布一款通用型世界模型 Genie 3……在“VLA 世界模型融合路线”阵营也不乏热门企业智元机器人、宇树科技、特斯拉 Optimus 等其中宇树科技更是表示将同时保持对 VLA 技术路线的持续跟进与对标并探索“世界建模”能力与 VLA 架构的合理化融入方式。当前物理 AI 尚无固定实现范式或许将是最生动的写照。只是在基础模型层技术路线的选择上似乎 VLM、VLA 与世界模型三条路径已经开始呈现收敛之势。VLA 与世界模型融合成主流事实上VLA 模型突破了过去将视觉、语言、动作视为独立领域的局限主流 VLA 模型成功率已趋于稳定任务执行能力快速提升。而世界模型本质是对环境动态的预测性表征可为 VLA 注入想象力提供内嵌物理引擎让 AI 能够提前模拟动作后果、验证计划可行性。而纯反应式 VLA 仅能根据当前观测映射动作缺乏对未来的推理能力长时程规划易翻车世界模型是破局的核心。这也使得 VLA 与世界模型的融合成为主流之势。但值得思考的是面向物理 AI 的模型到底应该是什么样子答案或许既不在技术路线也不在发布会的演示视频里而在真实场景的需求中。它的核心评价标准从来不是“生成的世界够不够逼真”而是“能不能帮机器更好地在物理世界里行动”能不能降低试错成本、能不能提升泛化能力、能不能嵌入真实的业务闭环……物理 AI 缺的是看懂物理世界当行业热衷于讨论 VLA 与世界模型的路线之争时一个更根本的问题被忽略了——对于绝大多数物理终端设备而言真正缺失的不是“灵巧的操作”或是“对未来的预测”而是“对空间的基本理解”。曾有机器人在厨房“翻车”的视频在社交平台引发热议。视频中一台人形机器人不仅打翻沙拉碗、酱汁飞溅甚至失控摔倒在地。然而这并非孤例从会空翻、能跳舞的炫技表演到连叠衣服、收拾桌子都做不好的真实表现“翻车”正在从个别现象变成行业普遍困境。现象背后的逻辑很简单舞台上的流畅动作都是预设编排、反复调试的结果环境绝对可控而家庭场景充满随机变数杂物摆放、突发动静等不确定因素都是机器人的技术难题。其根源在于 AI 对物理空间的理解力远远跟不上硬件的能力。物理 AI 并非与绝大多数人第一反应的人形机器人、自动驾驶等单一细分赛道而是能够全方位渗透物理世界的庞大产业生态应用领域宽广涵盖自主机器人、自动驾驶车辆、人机系统、工业自动化、可穿戴设备以及支持 AI 的医疗和农业系统。这里面还包含摄像头、无人机、机器狗、巡检设备、工业终端、AI 眼镜等大量具备视觉能力的终端。这一现状已引发全球 AI 巨头关注如 Meta 发布的 Segment Anything Model 3、Google 发布的 Gemma 4 和 Vision Banana、英伟达 Jim Fan 提出的 Vision - FIrst 模型这些模型虽然技术路线不同但都指向一个共同的愿景构建真正的通用视觉能力。实际上对于固定环境、固定坐标、标准化指令只要求上万次重复动作零偏差的工业场景而言传统物理 AI 已足以应付但无规则杂物、随机指令、上万次场景各不相同的场景而言真正缺少的不是灵巧手而是持续感知、空间理解、精准定位和自主导航能力。比如机器狗不需要灵巧手它需要的是在开放空间中自主导航无人机同样不需要“手”它需要的是在无 GPS 环境下持续视觉定位AI 眼镜不需要抓取物体它需要的是精准的空间定位和实时环境理解工业巡检终端不需要仿人形态它需要的是在复杂环境中稳定感知和自主决策……当前主流的 VLA视觉语言动作模型和世界模型技术路线恰恰在“空间理解”这个维度上存在共同的盲区。VLA 把 VLM 当主干动作仅作为“头”附加其后语言部分吃掉 90%以上算力与数据动作部分长期欠训练。世界模型试图弥补这一缺陷通过预测物理世界的下一个状态来建立对物理规律的理解。但目前的瓶颈同样尖锐高质量数据缺乏远低于大模型所需规模。翻车的本质不是机器人不够“聪明”而是它还“看不懂”它所在这个连续、复杂且充满不确定性的物理世界。 这正是 Om AI 联汇过去五年里走了一条与主流不同的路。它没有追逐当时最热门的“灵巧操作”方向而是回到了物理 AI 最基础的问题如何让 AI 先“看懂”物理世界再谈其他。其于 6 月 27 日—29 日发布的 VLX - Flow、VLX - Seek、VLX - Go 系列模型从物理 AI 最基础、最通用的视觉能力切入提出了流式多模态的新思路。具体而言VLX - Flow 解决“持续感知”问题其让 AI 像人一样持续观察而不是被动等提问。传统视频理解是“截一帧、问一次、答一次”——AI 看视频就像翻连环画每一页都要重新翻开、重新阅读。Flow 通过 Linear Attention 和双层记忆视觉缓存 文本 carryover让视频流“像水流一样持续进入模型”AI 自己一直在看、一直在记。VLX - Seek 解决“精准定位”问题让 AI 实现从“大概看到”到“精准锁定”的转变。VLX - Seek 把定位从“坐标生成”改成“区域指代”——前者是让模型“猜坐标”后者是给模型真实区域让它“选”为机器人和设备提供毫米级空间锚点。方法不同结果也天差地别VLX - Seek 能以更小的数据实现更优的效果。VLX - Go 解决“行动决策”问题让 AI 从“会理解”走向“会移动、会跟随、会导航”。它不是输出“往左走”这样的文本建议而是通过“短时航点预测 离线轨迹学习 在线 RL 优化”的逻辑直接输出可执行航点轨迹让设备自己走过去。这一范式切换的关键假设是物理世界的 AI不应该是“等用户提问才回答”的被动系统而应该是“一直看、持续记、随时动”的主动系统。前者是数字 AI 的交互逻辑——对话由人类发起后者是物理 AI 的工作逻辑——环境变化本身就是触发信号。在这个范式下视觉信息不是以“截一帧”的方式进入模型而是以“连续流”的方式持续进入。模型不是“看完再说”而是“边看边理解、必要时主动行动”。这对应的不是“更好的人机对话体验”而是“AI 自主工作能力的质变”。这一转变的意义或许不在于它让模型“更好”而在于它让 AI 在物理世界中的存在方式发生了根本变化——从“等用户来问”到“一直在线工作”。当数以亿计的摄像头、无人机、机器狗、可穿戴设备不再只是“拍摄工具”而成为持续理解物理环境的“感知终端”并自主完成感知、定位、决策的全闭环——这个转变的产业价值可能远大于机器人的惊艳演示。让物理 AI 走进产业物理 AI 从来不缺“技术高度”的叙事但产业化的真正分水岭在于技术能否在真实约束下创造可量化的业务价值——这决定了它能走多高、走多远。VLX 系列模型有着许多技术创新比如以 Linear Attention 替代标准 Attention、双层记忆机制、区域指代范式Region Token替代坐标生成、短时航点设计替代长链路规划等。这些技术创新提供了一个观察样本当一套技术架构从实验室走向真实物理世界时它到底解决了什么真实问题首先看端侧在工业巡检、应急管理等场景中网络断连是常态而非例外。一台在厂区飞行的无人机、一个在地铁工地巡逻的机器人……如果每次决策都要等云端回传任何延迟都意味着“来不及”。端侧让决策在设备本地完成延迟从秒级压缩到 0.1 秒以内——这不是体验问题而是业务能否成立的根本问题。端侧推理将决策闭环压缩到设备本地延迟从秒级降至 0.1 秒以内在产业实操中这直接将大量高危、高动态场景从“技术不可行”推进到了“商用可落地”的区间。其次看原生架构VLX - Go 的决策路径完全由其应用场景所定义——精准适配更轻量的短时航点这样可以更快地应对外界环境的变化。0.6B 的参数规模下它不做“深度推理”只做“实时响应”。这并非技术妥协而是对端侧设备“能力边界”的清醒认知——工业级无人机和巡检机器人往往搭载功耗受限的嵌入式芯片算力顶多支撑数 B 级模型的实时推理。在此约束下“更快行动”的价值远大于“更深思考”。更值得关注的是其研发范式的差异化行业普遍将端侧模型视为“云端模型的压缩版”通过蒸馏、剪枝向下移植而 VLX 的逻辑是反向的——先明确端侧硬件的算力天花板再在边界内做能力最大化的原生架构设计。这种“端侧优先”的研发理念与边缘计算走向“专用化、轻量化、硬实时”的产业趋势高度同频也更契合物理 AI 对确定性时延的刚性需求。这套模式已经在产业上得以验证。其中机器人侧云深处、宇树等具身头部企业已完成部署无人机侧公安、海事、自然资源、园区、应急、救援等低空场景已经商用落地安防摄像头侧已经完成百万级摄像头的商业化服务接入。当然目前物理 AI 仍处于起步阶段。不管是更丰富的人机环境交互、还是复杂环境的任务执行都仍是开放问题。但于物理 AI 而言VLX 带来的最大冲击并非某几项算法指标的突破而是一整套关于“智能存在方式”的思辨——在物理世界里智能的度量衡不再是参数量的堆叠而是决策时延的长短与算力利用率的极致。如果 2026 年是物理 AI 的元年那它注定不会是一场路线清晰的马拉松而更像一次迷雾中的多路攀岩。有人押注“大脑”的深度推理有人下注“想象力”的预测能力也有人如 Om AI 联汇这般选择了朴素却刚需的切入点——让机器持续看懂眼前的世界并且可以做出准确的决策。真正值得产业界思考的是当物理 AI 的终局形态尚是开放问题我们究竟是在“用技术探索场景”还是在“用场景重塑技术”答案不在论文里也不在演示中而藏在每一次现场部署后的真实反馈里。