今天小编分享的互联网经验：AI进化关键之年，AGI迎来“拐点时刻”？，欢迎阅读。
文 | 极智 GeeTech
特斯拉 Optimus 机器人完成工厂零件分拣、宇树机器人在春晚上精准完成舞蹈动作、比亚迪拉开智能驾驶全民普及序幕……这些标志性事件宣告了人工智能正在步入技术进化的关键之年。
近日，阿里巴巴集团 CEO 吴泳铭宣布，未来三年，阿里将投入超过 3800 亿元，用于建设云和 AI 基础设施，总额超过去十年总和。这也创下中国民营企业在云和 AI 基础设施建设领網域有史以来最大规模投资纪录。据 IDC 预测，到 2030 年，AI 将为全球经济贡献 19.9 万亿美元，推动 2030 年全球 GDP 增长 3.5%。
从工业革命到信息革命，每一次技术跃迁都伴随基础设施的颠覆。如果说 AGI 是一场星辰大海的远征，那么 AI 基础设施就是通往目的地的 " 阳关大道 "。蒸汽机车需要铁路网、电力需要电网、互联网需要光纤与基站。AI 的爆发，正在呼唤一张全新的基础设施网络——它不仅是数据传输的管道，更是连接实体与智能、协调全局与局部、平衡效率与安全的 " 神经中枢 "，是一个能让机器智能与物理世界同频共振的新型网络。
在这个网络下，机器人、自动驾驶汽车、低空飞行器等各类智能体通过自主决策与协同控制，完成了一次又一次实时对话和人机互動，通往 AGI 新世界的大门也将由此开启。
AGI 必然路径，从感知 AI 到物理 AI
语音助手能准确识别方言指令、手机摄像头能自动捕捉最灿烂的笑容，这些感知 AI 的杰作构建了现代社会的数字感官。它们如同隐形的眼睛与耳朵，将光信号、声波转化为可计算的数据流。
但当自动驾驶汽车面对突发的道路塌陷，或服务机器人在凌乱的客厅里找不到充电接口时，单纯的环境感知能力立刻暴露出致命短板。
波士顿动力的人形机器人 Atlas 在平衡木上完成空翻时展现的不仅仅是动作精准度，更揭示了物理智能的本质：重力加速度计算需要与关节扭矩控制同步，摄像头捕捉的视觉信息必须即时转化为肌肉记忆般的机械响应。这种感知与行动的毫秒级闭环，远比 AlphaGo 战胜人类冠军更能体现智能的本质特征。
大模型的持续进化，如同蝴蝶振翅般颠覆了人们对人工智能的传统理解。从初次尝试新架构到发现新的普适定律，从能力泛化到模态无缝融合，这些突破性进展正在不断刷新机器智能的边界。
大模型实现了感知与认知能力的全面更新，让机器具备了更加细腻丰富的理解能力。与此同时，人工智能正在向着另一个关键维度挺进——对真实物理世界的模拟与适应。
从感知到决策再到控制执行，端到端的智能系统正在崛起，机器的适应性和灵活性持续突破，不仅能够自主感知和推理复杂场景，更能够主动规划行动、做出决策，而具身智能、自动驾驶的加速落地，又进一步塑造了机器的物理形态。
作为人工智能发展的初级阶段，感知式 AI 关注的是机器对环境的感知能力，使机器能够通过视觉、听觉等感官获取信息，并进行基本的理解和响应。感知式 AI 使机器能够与外界进行初步互動，为更复杂的智能行为提供了可能性。这一阶段的典型应用包括语音识别、影像处理以及推荐系统。
2012 年，一个名为 AlexNet 的神经网络引爆了 AI 研究界，它的表现远远超过所有其他类型的模型，并赢得了当年的 ImageNet 竞赛。自那时起，神经网络开始腾飞。自 ImageNet 以来的 13 年里，计算机视觉研究者们掌握了物体识别，并转向影像和视频生成，为后续生成式 AI 奠定了基础。
在感知式 AI 的基础上，生成式 AI 通过进一步发展延伸，形成了机器生成内容的能力。这一阶段标志着人工智能不仅能够理解信息，还能创造文本、影像和音频等新的内容，被认为是 " 生产力放大器 "，为营销和创作领網域提供了前所未有的工具和可能性。
今年，DeepSeek 的火爆出圈将生成式 AI 再次推上了风口。不过，DeepSeek 底层逻辑依然是统计机器学习——喂数据、训练、输出结果。这意味着生成式 AI 的技术天花板已经清晰可见，甚至因为它的 " 深度思考 " 过程透明化，反而更让人看清它的本质——一个被训练出的智能模型，而非真正的智能体。
一个有趣的例子：当被问 "strawberry 有几个 r" 时，DeepSeek 需要反复思考 50 秒才能给出正确答案。它能解决复杂问题，却在简单场景中暴露局限性。这是因为其依赖统计相关性，而不是因果逻辑。就像超市发现 " 尿布和啤酒销量正相关 "，AI 能发现规律，却无法理解背后是 " 爸爸们顺手买酒 " 的因果链。" 即便强如 OpenAI，也在尝试反思式推理（如 GPT-4o 的多路径思考），但本质仍是数据驱动的优化。
近日，Meta 首席 AI 科学家杨立昆（Yann LeCun）在 2025 年人工智能行动峰会上表示，AI 需要理解物理世界，只有在这基础上，AI 才能真正接近人类智慧。
尽管当前的大模型在诸如通过律师资格考试、解决数学问题等任务上表现出色，但它们无法执行日常生活中的基本任务，如做家务。对于人工智能而言，许多看似简单的动作，如洗碗或擦桌子，依然是无法解决的复杂问题。这些模型并未真正理解物理世界，只是通过模式识别和数据生成来模拟现象。
为进一步提升 AI 理解真实世界的能力，物理 AI 被提了出来，它使人工智能系统不仅能够理解信息，还能在物理世界中进行操作，它结合了对物理现象的理解与智能决策能力，使得智能系统能够灵活应对复杂情况。
物理 AI 赋予具身智能、自动驾驶更强的环境感知、理解和互動能力，使它们能够更好地理解周围环境，并根据物理规律做出相应的反应。例如，AI 可以直接控制仓库中的机器人进行货物运输，或是优化自动驾驶汽车的行驶策略。
从感知式 AI、生成式 AI，最终迈向物理 AI，这一演变过程反映了人工智能技术不断演进的轨迹。每个阶段都承袭了前一阶段人工智能发展的技术成果，使得机器不仅能够 " 看 " 和 " 听 "，还能够 " 理解 " 和 " 行动 "。这种逐步演进为实现更高级别的通用人工智能（AGI）奠定了基础，也为各行各业带来了深远影响。
AI 与物理智能 " 双螺旋上升 "
传统人工智能如同 " 缸中之腦 "，虽能解方程、作诗词，却无法真正触碰现实。物理 AI 的颠覆性在于：它将智能注入物理实体，让机器具备 " 感知 - 决策 - 执行 " 的闭环能力。从自动驾驶车辆到智能电网，从柔性机器人到分子级制造设备，这些系统不再满足于 " 理解世界 "，而是执着于 " 改变世界 "。
相比生成式 AI 处理的是一维或二维信息的输入，如文字、图片、音频或视频，并输出相同类型的信息，物理 AI 需要从三维、甚至四维（包含时空）的角度理解信息，这与信息智能有本质的不同。
在输入层面，物理 AI 系统可以从许多工具中获取输入，比如摄像头、惯性传感器、雷达和激光雷达，处理的是感知和理解世界的数据，包括视觉和触觉等感官信息，并且能够直接从传感器数据中学习和理解环境，让人工智能从单纯的感知、生成，进阶到能够进行推理、规划与行动。
在输出层面，物理 AI 生成的是 TSD 数据，即时间（T）序列（S）数据，这种数据可以直接用于控制具身智能，赋予其一个能在现实物理规则下灵活运转的 " 大腦 "。
此外，生成式 AI 和物理 AI 在产品形态和应用场景也有所不同。生成式 AI 不受时间影响，不需要实时反馈，例如 ChatGPT 中有些信息可能只更新到去年 9 月。而物理 AI 系统必须实时处理输入信息，需要实时感知和推理环境，以确保具身智能能够及时响应。
目前，大多数物理 AI 系统还只能处理特定任务或小环境，并且效果参差不齐。落地上，一个目前很火的例子是宇树科技的四足机器狗，可以爬山涉水，还可以用一连套高难度的体操动作亮相，包括原地旋转两周接倒立旋转三周半，以及一套流畅的托马斯全旋、侧空翻和 360 度跳跃转体等。
如同大模型革新了生成式 AI 一样，物理 AI 成为具身智能、自动驾驶等领網域进入新阶段的 " 钥匙 "。
首先，大模型 " 上车 " 难题将得到很好解决。
目前，大模型在汽车领網域的应用主要体现在两个方面：一是智能座舱，二是自动驾驶。前者跟大模型技术有着天然的契合度，因为当前的智能座舱更侧重于娱乐和互動功能，这与大模型的语言处理能力非常相符，难点在于后者。
对于自动驾驶而言，如何在复杂动态的交通环境中实现高效、安全的车辆控制成为一大核心难题。现有的自动驾驶系统普遍缺乏多智能体协作能力、高效决策与解释能力，在面对复杂交通环境时，难以有效理解周围交通参与者的行为和意图。
第二是数据。在自动驾驶领網域，大模型需要 " 喂 " 大量的真实世界数据进行训练，让它更拟人。所以如何让这些数据更好地服务大模型做训练，这是目前普遍车企面临的另一个难点。
其次，人形机器人加速迈向 "ChatGPT 时刻 "。
去年，人工智能机器人初创公司 Figure AI 发布 Figure 02 时，就曾引发市场高度关注。Figure 02 在大腦上，集成了 OpenAI 的 GPT-4o 多模态大模型，使其能够更好地理解和响应复杂指令。
多模态大模型不仅是技术的简单叠加，而是推动物理 AI 向前发展的重要技术支撑。大模型能力的本质是对信息的压缩与二次处理，多模态大模型扩大了信息输入模态，提升了模型能力天花板。
多模态大模型技术路径是从影像 - 语言模态融合再到三种以上模态的融合。语言模态的训练赋予了模型逻辑思维能力与信息生成能力；视觉模态的信息流密度较高，也与现实世界更贴切，可以大幅度拓展应用场景，因此成为多模态技术的首选信息载体。在此基础上，模型可以继续发展动作、声音、触觉等不同模态，以应对更加复杂的场景。
多模态大模型的核心优势在于卓越的信息融合能力。通过对不同模态数据的同步处理与深度整合，模型能够挖掘出跨模态信息之间的内在关联，从而生成更全面、准确且富有洞察力的理解与回应。
例如，在影像描述生成任务中，模型可以结合影像中的视觉元素与相关文本描述，生成精准且流畅的自然语言描述，让机器不仅能 " 看到 " 影像内容，更能以人类可理解的语言 " 讲述 " 其中的故事，因此更能满足机器在物理世界中广泛应用的需求。
通往 AGI 的基础设施路径
物理 AI 的崛起，正在将人工智能发展推向一个临界点：我们能否构建一张足够智慧、坚韧且包容的网络，既释放技术的全部潜力，又守护技术的核心价值？这不仅是工程师的挑战，更是全社会的共同课题。
物理世界的运行法则远比数字空间残酷：决策偏差导致的不是程式报错，而是血淋淋的交通事故；模型推理需要的不是概率优化，而是毫秒级的精准控制。车路云网络作为智能体与实体世界实时互動的 AI 网络，正是打破这层玻璃的关键钥匙，其通过大规模部署路侧感知单元、每秒处理海量数据的边缘计算节点，以及覆盖城市道路的网络，将数字智能注入物理世界的毛细血管。
这个庞大网络的技术内核在于 " 通感算一体化 " 架构的突破。通信光纤如同神经系统传递着每辆汽车 0.1 秒内的加速度变化，激光雷达阵列如同视觉神经捕捉着 200 米外行人的步态特征，云端超算集群则在时空维度编织着城市交通的数字孪生。
当暴雨导致某路口能见度骤降时，路侧基站能在百毫秒内完成对车道行驶轨迹的预测，并通过车路云网络向 800 米范围内的车辆发送分级制动指令，赋予自动驾驶车辆实现超越人类反应极限的群体决策能力。
虚实融合的 AI 网络正在重构技术演进的底层逻辑。车路云架构将 70% 的感知计算任务转移至路侧设备后，车辆只需保留基础算力模块，如同普通驾驶者借助智能交通系统获得 " 上帝视角 "，相当于用市政设施的群体智能弥补了单车感知的物理局限。
更深层的变革发生在模型和算法层面。数字世界 AI 可以承受 99% 的准确率，但控制刹车系统的模型容错率必须是六个九。车路云网络通过数字孪生技术，将现实路网克隆为可无限试错的虚拟沙盘。这种虚实闭环的进化机制，让人工智能在应对电动自行车突然变道时，能像三十年驾龄的老司机般预判轨迹，却又不受人类驾驶员的情绪干扰。
站在技术演进的维度观察，车路云网络的价值远不止于交通效率的提升。它证明了一个更具普适性的范式：当 AI 突破数字世界的边界，其进化轨迹必然要与物理实体深度融合。
这种融合不是简单的控制与被控制，而是通过持续的环境互動形成自主演化能力。就像生物神经系统的进化史，从单细胞生物的应激反应到人类大腦的复杂认知，智能的跃升永远伴随着与真实世界互动维度的拓展。
在车路云网络中，车辆不仅仅是信息的接收者，它同时也是信息的生产者。每一辆车的传感器、摄像头和其他设备所收集到的数据，都会实时传输到云端。这些数据不仅帮助优化当前车辆的驾驶决策，还会反向影响整个智能交通系统的运行，通过共享信息，多个车辆和交通管理系统可以形成协同感知，从而提升整体道路的安全性和流畅度。
物理 AI 的觉醒，昭示着智能革命的拐点时刻已经到来。当城市化作流动的神经网络，每个机器人、每辆汽车都可以成为自主决策的智能体。就像 DeepSeek 创始人梁文峰所言："AI 的未来不在于取代人类，而应该像水电一样成为基础设施，让每个人都能享受到科技带来的便利。"
实验室里的机械臂正在学习预测咖啡杯滑落前的震颤频率，气象 AI 系统同步调整着风力发电机的叶片角度。这些看似碎片化的技术突破，实则在编织覆盖全球的智能协同网络。当这个网络达到临界规模时，或许我们终将理解图灵在 1950 年提出的那个终极问题：机器能否思考？答案可能藏在机器与物理世界持续对话时产生的电光石火之中。
