物理AI的竞争,正在从本体转向计算系统

过去一年,人形机器人、四足机器狗频繁出现在工厂、仓库和门店,产业界的关注点也从“机器人能完成什么动作”转向“如何让它越做越准”。这个问题的答案,不只在机器人本体,更在其背后的计算系统:数据从哪里来,仿真在哪里运行,模型多久迭代,算力如何匹配研发节奏。

英伟达提出的“三台计算机”概念,恰好勾勒出这一链条的轮廓:一台训练模型,一台在数字孪生与仿真环境中训练、验证技能,第三台部署在机器人本体上执行。Omniverse、Isaac、Cosmos等平台的目标,是打通训练、仿真与终端计算,使其成为一条链。最新一季财报显示,其数据中心业务收入同比增长117%,物理AI正成为计算平台新的增长市场。

但这条链的构建,远不是多买几台服务器能解决的。对工业互联网与数字化转型的从业者而言,更值得关注的是:算力如何与设备数据、仿真环境、现场验证形成闭环,而不是孤立地堆叠算力。

仿真与真机之间,缺的是数据闭环

仿真无法完全替代真实世界。Neura Robotics创始人兼CEO David Reger在接受麦肯锡采访时谈到,数字孪生与真实环境之间仍有差距,机器人需要在真实物理环境中训练,并采集动作、触觉、声音等多模态数据。这些反馈又将进入下一轮训练与仿真。

由此,物理AI研发形成了持续迭代的闭环:数据采集、仿真、模型训练、强化学习、推理和真机验证。各环节对算力的需求不同,且往往分布在不同的物理位置——训练可能在云端,仿真可能在数据中心,推理和验证则在设备边缘。

这正是设备上云与工业互联网平台的价值所在。设备上云不是简单地把数据传到云端,而是建立一条从现场到云端、再从云端回到现场的双向通道。现场的多模态数据需要被低延迟、高可靠地采集和上传;云端的训练与仿真结果需要以模型或策略的形式下发到边缘,驱动设备行为优化。没有这条通道,物理AI的闭环就缺了一环。

算力匹配研发节奏,比算力规模更重要

物理AI的研发节奏与传统软件不同。模型训练、仿真验证、真机测试往往交替进行,对算力的需求呈现波峰波谷。如果算力基础设施按照峰值配置,利用率低下;如果按照均值配置,又可能拖慢迭代速度。

因此,算力基础设施的弹性与调度能力,比单纯的规模更重要。工业互联网平台在这一点上有天然优势:通过统一管理多云、边缘和本地的算力资源,根据研发任务动态分配,让训练、仿真、推理各得其所。同时,设备上云积累的运行数据,可以反哺仿真环境的保真度,减少“仿真到现实”的落差。

对于主营工业物联网与数字化转型解决方案的企业而言,这意味着服务边界需要延伸:从设备连接、数据采集,走向算力调度与模型迭代支撑。客户需要的不是一台孤立的服务器,而是一套能够随研发节奏伸缩、与设备数据打通的算力底座。

务实推进:从单点闭环到体系化能力

物理AI的热度会持续,但落地需要务实。对制造企业来说,不必一开始就追求全链条的算力自建,而应从单点闭环做起:选择一个典型场景,打通数据采集、仿真验证和边缘推理的最小闭环,验证算力投入与业务收益的关系。

对解决方案提供商而言,重点在于把设备上云、数字孪生和算力调度整合为可复用的能力模块,降低客户构建物理AI闭环的门槛。工业互联网的价值,最终体现在能否让数据、算力和模型在真实生产环境中持续循环,而不是停留在概念演示。

物理AI的下一个风口,不在于谁拥有最多的机器人,而在于谁能让计算基础设施与物理世界形成高效、持续的反馈回路。这既是技术问题,也是数字化转型的体系化命题。