英伟达谷歌英特尔齐出手：物理AI基础设施争夺战开打？

物理 AI 近来成了科技圈和资本市场同时盯上的新方向。半导体、存储等板块出现波动的时候，物理 AI 相关概念反倒有一定热度。市场在期待什么？大模型从数字世界走向现实世界，能读懂物理环境、和真实设备打交道、自己把任务干完的 AI，或许能撑开新的产业空间。

2026 年 10 月下旬，物理 AI 领域接连冒出三项进展。

10 月 21 日，英伟达在 GTC 柏林大会上宣布扩展 Isaac 开放机器人开发平台。这次新增了一款人形机器人参考平台、数据集和运行时，机器人学习框架也做了更新。

10月27日，谷歌 DeepMind 公布 Genie 4 世界模型的研究成果。交互式模拟环境变得更逼真，还加入了原生音频生成能力，用户用自然语言就能实时改动模拟场景。

同样在这段时间，英特尔与 SAP 展示了物理 AI 与自主仓库概念验证（PoC）。企业仓储管理系统里的业务任务被转成机器人能执行的操作，执行状态和结果再回传到企业系统。

三项进展分别落在世界模型、机器人开发平台和产业应用上，指向的却是同一个转变：竞争焦点正从单纯把模型做得更聪明，往构建一整套技术与产业基础设施上延伸。让 AI 理解物理世界，在模拟环境里学会怎么行动，最后通过真实设备把任务完成，并带来可衡量的业务价值。

让 AI 在行动之前，先学会理解物理世界

传统生成式 AI 处理的多是数字世界里的文本、图像和视频，物理 AI 面对的现实环境要复杂得多。它得认出物体，还得弄懂物体之间的空间关系、形状与属性，判断它们怎么运动、不同动作会引出什么结果。对机器人来说，看见一个杯子只是开头：杯子的位置、形状、该怎么抓，抓的时候受力会怎么变，都得判断。

这就意味着，物理 AI 不能只看当前感知结果就直接生成动作，它还得能预测未来状态。世界模型给出的正是这样一条新技术思路：构建一个能表征环境状态、模拟环境变化的内部模型，让 AI 在真正动手之前，先在虚拟环境里推演不同动作的结果，再据此调整决策。

10 月 27 日，谷歌发布 Genie 4，并称它是目前最逼真、交互能力最强的世界模型。过去的视频生成模型大多依据提示词产出视频片段，Genie 4 走的是另一条路：按文本指令搭建可探索的虚拟环境，用户不断输入指令，场景就会实时变化。人不再只是看 AI 造出来的世界，还能进入其中与环境互动。比如让晴天转成暴雨、切换摄像机视角，或者在原有场景里加入新的角色和物体。这些指令会在模拟持续运行的过程中被执行，无需每次另起炉灶生成一段独立视频。

谷歌还在尝试把 Gemini 的推理能力和 Genie 4 的世界模拟能力捏到一起。这套架构里，Gemini 负责观察模拟环境、理解任务目标、把复杂任务拆成多个步骤，并持续检查执行进度；Genie 4 则按这些指令实时生成和调整模拟场景。谷歌展示的一项实验中，Gemini 4 Argon 把用户提出的任务拆解成一系列步骤，再把这些步骤当作实时指令交给 Genie 4，模拟 Apptronik 的 Apollo 人形机器人完成下棋任务。

世界模型能用的地方当然不止机器人。游戏开发、互动教育、影视制作等领域，都可以拿它生成可探索、可调整的虚拟环境。但对物理 AI 来说，更重要的价值在于，它有望给机器人和智能体提供更丰富的训练与测试环境，让它们在进入真实世界之前，就能对各种任务和复杂场景做模拟。

在人形机器人上，世界模型能发挥的作用格外突出。眼下常见的视觉—语言—动作模型（VLA），可以把摄像头画面和人类指令结合起来，直接产出机器人动作。遇到熟悉的任务，这条路线已经取得明显进展。但碰上抓取易碎物品这类复杂场景，机器人仍需更准确地判断接触、受力、碰撞与物体运动。世界模型能与 VLA 配合：先读懂当前环境和任务，预演不同操作会带来什么结果；再选出较合适的动作，执行后依据实际反馈做出调整。这样一来，人形机器人在陌生场景中的作业成功率和异常处理能力有望提升。

构建从数据到部署的全栈体系

世界模型管的是 AI 怎样理解、怎样模拟物理世界；机器人开发平台管的则是如何把这些智能能力训练出来，并最终部署到真实机器人身上。从数据采集、模型训练、仿真测试，到边缘计算和现场运行，机器人要想真正自主行动，离不开一整套彼此衔接的技术基础设施。

以 NVIDIA 此次扩展 Isaac 开放机器人开发平台为例，其布局已经覆盖机器人开发的多个关键环节——

数据基础设施： Human 1M包含多样化的人类活动、同步的三视角视频和 3D 手部追踪数据；SimReady Central Library 提供 2000 多个仿真就绪资产，为机器人训练提供数据和环境资源。

仿真训练： Isaac Lab 3.0是一个开源的、支持智能体的学习框架，利用多 GPU 工作流以及包括 Newton 和 NVIDIA PhysX 在内的物理引擎，支持从桌面端到数据中心训练并优化机器人策略。

运行时与部署：Isaac OS 是基于 NVIDIA Holoscan 构建的开源运行时框架，它把 AI、传感器、控制系统和机器人硬件连接起来，让从仿真环境到实体机器人的过程具备确定性实时性能。

边缘计算与安全：Jetson Thor 等计算平台赋予机器人本地推理和实时控制能力，Halos 则把目光进一步投向机器人部署过程中的安全问题。

数据资源、仿真训练框架、运行时软件、边缘计算平台、安全体系——英伟达正把机器人开发中原本各管一段的技术环节拢到一起。看得出来，它要的不只是做机器人AI芯片的供应商。靠算力、模型、数据、仿真工具和软件框架，它想搭起一套覆盖机器人开发全生命周期的技术生态。

这套打法让人想起当年NVIDIA用CUDA做GPU软件生态的路子。CUDA让开发者用GPU做并行计算更方便，后来慢慢成了AI计算领域的重要基础设施。如今NVIDIA想借Isaac把类似的生态优势搬到机器人领域：开发者用它家的工具生成数据、训练模型、做仿真，再到基于自家算力的平台上部署应用。围绕这套体系干活儿的机器人企业和开发者越多，Isaac的价值就越不止于某一款软件或硬件，而可能落在整个开发生态的集聚效应上。

让AI真正转化为现实世界的行动

机器人能感知、能推理、能动作，不等于它就能真正融进企业的生产经营。物理AI还得读懂企业的业务目标，把业务系统里的任务变成现实世界中的执行活动。英特尔与SAP展示的自主仓库概念验证（PoC），就是个不错的观察样本。

这套方案把SAP扩展仓库管理系统（SAP EWM）提供的业务场景信息和工作流编排能力，与基于英特尔技术的边缘AI及机器人软硬件拼在一起，演示了物理AI如何自动完成仓库物料搬运，把企业系统里的业务请求变成自主机器人的执行任务。具体来说，任务请求由SAP EWM发起，经英特尔的边缘AI硬件和软件派发给自主机器人。机器人负责运物料，再把任务状态和完成情况回传给SAP EWM，企业工作流与物理执行环节之间就这样连成了闭环。此次PoC展示了方案在运营效率上的改善，包括缩短物料运输距离、减少重复性人工搬运。

英特尔和SAP在SAP TechEd大会上用现场机器人演示，展示了物理人工智能的实际应用

英特尔拿出的是面向边缘AI与机器人的技术底子，其中包括可扩展的异构计算能力——CPU、GPU和NPU协同，在本地完成环境感知、推理、路径导航、检测以及实时控制。围绕物理AI，英特尔还搭了一套涵盖工业级芯片、实时计算能力和开放软件的技术体系，包括OpenVINO Physical AI、Physical AI Studio和Robotics AI Suite，目的是降低不同软硬件系统的集成复杂度，为方案从概念验证走向规模化、可重复部署提供支撑。

看到这个案例，可能有人会犯嘀咕——“这不就是普通的机器人搬物料么？”

在笔者看来，核心区别在于：传统机器人自动化往往围着预先设定的任务和相对固定的控制流程转，而这套方案想再往前一步，打通企业业务系统与物理执行系统之间的联系。SAP不只是给机器人发一条搬运指令，而是提供任务背后的业务上下文、工作流和流程规则；英特尔的边缘AI技术则给机器人在现场感知环境、判断情况、执行任务提供算力支持。更重要的是，机器人执行过程中的状态、结果和异常信息能回传到SAP EWM，企业业务系统不光能下达任务，也能掌握任务实际执行得怎么样。

这意味着，机器人不再是一台相对独立的自动化设备，而是被纳入了企业整体业务流程。企业可以从业务需求出发调度物理设备，再根据设备反馈的信息了解现场执行情况。这种IT与OT之间的双向协同，也为日后把物理AI扩展到不同厂区、机器人平台和运营场景提供了参考。

从中可以看出，物理AI要真正进入产业应用，关键不只是让机器人接上AI模型、获得更强的感知和行动能力，而是让智能能力融入企业业务流程，建立从业务决策、任务执行到结果反馈的完整闭环。只有当AI不光能理解现实世界，还能理解企业希望现实世界发生什么，并通过物理设备推动其实现，物理AI才真正开始创造可衡量的业务价值。

结语

物理AI的基础设施版图正在铺开：谷歌押注世界模型，英伟达搭建机器人开发平台，英特尔则联手SAP落地自主仓库。模型和算力只是其中一层，传感器、边缘计算、通信网络、工业软件与设备管理平台同样缺一不可。

对传统物联网产业来说，这意味着新的价值空间：传感器不再只是数据采集工具，边缘计算不再只是数据预处理节点，工业网络也不再只是设备连接通道，它们将共同支撑AI对物理环境的感知、理解和自主执行。

参考资料：

谷歌推出最强世界模型Genie 4，模拟时长翻倍至2分钟、首次实现音视频同步生成，游戏股再迎AI冲击——华尔街见闻

NVIDIA 借助全新人形机器人参考平台、框架、仿真工作流及数据，全面推进面向通用机器人的 Isaac 平台——英伟达

From Task to Fulfillment – Intel and SAP Demonstrate Physical AI and the Autonomous Warehouse in Action——英特尔