物理人工智能必须具备感知、思考、执行与优化的能力

物理人工智能系统由软件和硬件组成，利用机器学习与物理世界进行交互。简单来说，物理人工智能依赖于四个步骤：感知、思考、执行和优化。它从物理世界收集数据并进行分析，据此做出决策，在物理世界中采取行动，然后评估结果以优化未来的流程。

“物理人工智能”（Physical AI）一词在 2024 年由英伟达首席执行官黄仁勋推广开来，他将其描述为“理解物理定律的人工智能”。其前提是人工智能技术应包含身体意识，例如物体对空间、运动和相互作用的感知。

这听起来像是描述机器人的另一种方式，但两者之间存在区别。机器人的重点更多在于自动化而非增强功能。物理人工智能融合了在现实环境中的感知、反应和决策能力。如果一个物理系统缺乏这种智能，它就仅仅是一台机器。因此，一个机器人可能属于物理人工智能，也可能不属于，这取决于它的分析功能。

当今的人工智能主要惠及知识型工作者

大多数人通过 ChatGPT、微软Copilot 及类似的生成式 AI 平台接触人工智能。然而，在大多数情况下，这些系统对白领从业者的益处远大于蓝领行业。它们主要为知识型工作者带来了更轻松、更高效的生活——例如，协助撰写博客文章、生成代码或分析营销活动。

但对于硬件密集型企业而言，其益处则不那么直接

虽然工业企业一直在使用人工智能，但大部分应用都集中在数字化方面。传感器持续收集数据，例如温度，并在超过特定阈值时生成通知。传感器收集并分享数据，例如识别温度何时超限。人工智能可能会参与分析，包括将该数据与其他来源的数据进行关联。目前，分析结果显示在数字仪表板上，仍然需要人工进行监督和采取后续行动。

随着物理人工智能时代的到来，“感知-思考-执行-优化”这一流程能够实现更出色的自动化响应。例如，系统无需人工干预即可调整设备温度，并进行故障诊断以确定故障原因。借助价廉的传感器、边缘设备和工业物联网（IIoT）工具，工厂机器可以“看见”车间内发生的情况并据此采取行动。

人工智能的飞速发展扩展了该技术所能实现的成就。模型变得更小，从而具备了更好的便携性，这使得在边缘侧进行更多计算成为可能。这些进展有助于实现小型化、标准化以及海量数据、信号和电力的无缝传输。

人力要素

值得注意的是，受物理人工智能影响最大的价值池是人力劳动。鉴于人力是大多数企业最重大的支出项，公司采用该技术的财务动机十分巨大。在技术行业，我们可以说：“如果你启用了物理人工智能，你就可以实现人力劳动的自动化或优化。”对于企业经理而言，这种节省财务成本的承诺，比起“我让 ChatGPT 帮员工写了篇博客文章”这种陈述，更能打动董事会。

我们倾向于认为数字人工智能是一种思维增强和优化工具。我们坚信，ChatGPT 不会取代员工，而是会提高员工的工作效率。虽然这可能并非适用于所有员工或管理者，但在担任知识型工作者的辅助角色方面，该技术表现卓越。

现在，我们已经拥有功能强大、足够智能的机器人，能够执行实际操作。协作机器人（Cobots）是体积更小、重量更轻的工业机器人，可以与人类共享工作空间。凭借自动化和优化能力，它们可以用于提高安全性，例如将人类从危险环境中解放出来；或者它们可以提高工作效率，从而改善工作成果——例如，帮助医生在特定时间内完成更多手术。

物理人工智能将走向何方？

迈向物理人工智能的下一个逻辑步骤是，根据外部信号在物理世界中采取行动。目前，高级驾驶辅助系统（ADAS）是最普及的应用案例。我们可以结合物理人工智能的四个基本步骤来理解这一应用。

感知 (Sense)：ADAS实时捕捉外部世界的信息，并精确地感知和监测周围环境。这包括道路的物理特征和车道线，以及附近的车辆。它必须能够分辨出小轿车、卡车、自行车和行人。 

思考 (Think)：系统利用感知到的信息进行计算，从而做出智能决策。在整合所有这些输入信息，以及天气状况和其他外部因素的数据后，ADAS 必须进行快速计算——理想情况下，其速度要快于人类。

执行 (Act)：智能转化为行动。ADAS需要自动化与优化能力。它必须做出响应以驱动车辆，无论是紧急刹车、变换车道，还是执行任何必要的动作。

优化 (Optimize)：每一个人工智能系统都应该在下一次迭代中变得更加聪明。自动化固然很好，但优化则更胜一筹。物理人工智能应当评估其行动的效率与准确性，以便在车辆的整个生命周期中，每一次的表现都比上一次更好。这个过程类似于自然界中的运作方式：人体不断接收反馈并优化其反应。例如，我们会通过打冷颤来取暖，或通过流汗来降温，这些都是基于自我调节反馈来调整行为，以达到确保身体健康的体温。

汽车领域的案例绝非孤例。例如，工业机器人与车辆共享一些子系统：它们需要感知环境、识别物体与障碍物并实现自主导航；同时，它们必须持续接入更广泛的计算机生态系统。

在能源行业，物理人工智能可以实时综合气象数据、管道压力读数及其他关键信息，为操作员提供环境感知，并针对易损系统部件提供预测性警报。物理人工智能能够变革交通、医疗等行业，或任何需要物理交互的场景。将值得信赖的人工智能引入此类应用，能使机器做出更明智的决策，从而同时提升效率与安全性。

数据使 IT/OT 融合的愿景变为现实

尽管首席信息官（CIO）和工厂经理们有着迫切的愿望，但长期以来被寄予厚望的 IT（信息技术）与 OT（运营技术）融合却始终未能真正取得突破。IT/OT 融合一直难以证明其合理性，原因在于缺乏将二者连接的基础设施、始终存在的安全担忧，以及缺乏一个能让落地实施变得迫不可待的“杀手级应用”。

尽管首席信息官和工厂经理们都迫切希望实现信息技术（IT）与运营技术（OT）的融合，但这一长期以来备受期待的目标却始终未能实现。由于缺乏连接两者的基础设施、持续存在的安全隐患以及缺乏能够推动实施的“杀手级应用”，IT/OT融合一直难以落地。

有两个因素改变了这种情况。首先，边缘设备变得更小、更便宜、功能更强大，并且能够满足机器学习模型对中央处理器CPU的巨大需求。

其次，数据现在被视为一种新的竞争优势。物理人工智能收集大量数据，通过分析这些数据有助于简化制造流程或提高自动驾驶的准确性。IT/OT融合是顺理成章的下一步。通过结合 IT 数据（例如供应链系统）和 OT 数据（例如机器性能日志），企业可以在预测性维护和需求预测方面看到切实可行的收益。

此外，数据源提供了新的机遇。交互式生成式人工智能界面可以帮助分析师和工作人员优化提示语，从而获得更相关的答案。人工智能模型对世界的理解越深入，结果就越好。卓越的输入保真度——即拥有更高质量的传感器——可以改善数据质量，从而使生成式人工智能系统能够提供更好的结果。

这些自动化和优化措施为实现IT/OT融合提供了新的机遇，使其成为切实可行的方案。