在刚刚过去的 2025 年，全球 AI 巨头们似乎集体觉醒了追寻物理 AI 的热情及路径，而此前对 AI 涉足尚浅的另一类玩家，也闻风而动地走上 AI 牌桌。
在刚刚过去的 2025 年，全球 AI 巨头们似乎集体觉醒了追寻物理 AI 的热情及路径，而此前对 AI 涉足尚浅的另一类玩家，也闻风而动地走上 AI 牌桌。
自从「ChatGPT 时刻」倏然而至，全人类围绕 AI 的狂欢已经持续了三年多。不可否认，AI 在这 1000 多天里确实不断展现出超出预期的成长。然而，在对 AI 此起彼伏的「朝拜」声中，那个至为朴素，却也至为尖锐的问题，还没有得到确切答案：
「AI 什么时候能帮我做家务？」
这一极具共鸣的「美好愿景」，本质上指向了物理 AI（Physical AI）——能够理解物理定律并与现实世界交互的智能实体系统。好消息是，物理 AI 本就处于我们已达成共识的 AI 技术发展路径上：从感知式 AI、生成式 AI、到智能体（Agent AI），逐步迈向物理 AI——它肯定会来，悬念只在于时间和方法。
而更好的消息则是在刚刚过去的 2025 年，全球 AI 巨头们似乎集体觉醒了追寻物理 AI 的热情及路径，而此前对 AI 涉足尚浅的另一类玩家，也闻风而动地走上 AI 牌桌。
一、物理 AI，迎来「跨界」玩家
只要稍稍关注 AI 巨头们的动向，就很难忽视物理 AI 在 2025 年的强劲风头。英伟达从去年 1 月就展露出对于物理 AI 的野心，陆续推出的 Cosmos 和 Omniverse 平台都在指向模拟真实物理世界的 AI 训练场。前亚马逊创始人及首席执行官杰夫·贝索斯创立了「普罗米修斯项目」，明确指向让 AI 影响物理世界。至于其他参与者，包括谷歌的 Project Aura、DeepMind 的 Gemini Robotics，以及特斯拉的 Optimus 机器人，都在试图解决 AI 与物理世界交互的难题。
问题不在于 Do or Don』t，而在于 How。几乎每位投身于物理 AI 的玩家，都提出了类似「虚拟训练场」的概念，其含义指向在虚拟数字空间中构建一个能还原物理世界规则的数字孪生。其中，黄仁勋提出的「三台计算机架构」则对这个「训练场」给予了更确切的定义：仿真。
并非只有 AI 玩家意识到仿真之于物理 AI 的关键意义。云道智造，中国资深的 CAE 仿真根技术研发企业之一，在 2025 年的最后一天刚刚将公司名称改为「云道智能」，并将其作为全面投入物理 AI 的宣言。
深耕了十几年 CAE，突然踌躇满志地要坐上 AI 的牌桌，云道智能的心思其实也不难理解——他们秉持了两个极为笃定的观点：第一，物理 AI 是 AI 的必然未来；第二，物理 AI 不能没有仿真。
二、教 AI 学物理有多难
让 AI 打破次元壁到底有多难？不妨想想近来大放异彩的拟人机器人。他们不仅能行走奔跑，甚至可以身形灵活地表演舞蹈和武术。你很容易就能猜到这些成果背后消耗的海量人力物力。但问题在于，付出巨大代价之后，机器人到底掌握了多少物理规律呢？
说得刻薄一点吧：这些机器人真正掌握的物理知识，可能仅仅限于「对抗及利用重力」，仅此而已。而这可能还需要严格的限定条件——一个机器人在实验室的地板上做出了后空翻，它能在沙滩上直接复现这个动作吗？
云道智能在不久前提出了一句非常贴切的「暴论」：「多数机器仍停留在被动执行指令的『有形无神』阶段。」这一论断直指物理 AI 训练的局限性：在真实世界中采集物理数据的成本和周期太过高昂，且不可能穷尽所有现实情况；虚拟世界中的模拟学习则往往脱离真实物理规律，导致 AI 并没有真的学会物理。
从可行性上来说，物理 AI 的成长还是更多依赖于在虚拟世界中的训练和模拟应用。虚拟世界中的数字孪生能在多大程度真实反映实体物理属性，决定了物理 AI 的成长边界。
问题也恰恰出现在这里：理想的数字孪生，绝不仅仅是对现实世界「形象」的复刻——它要呈现的并非现实世界的「当下」，而是现实世界在物理规律之下的一切变化可能。打个比方：一个健身爱好者对着镜子训练，来观察自己动作是否到位。如果把镜子里的那个人比作他在虚拟世界的数字孪生，那么训练物理 AI 所需要的，就是在他离开镜子去睡觉的时候，镜子里的他仍在训练，并且让现实中的他增长肌肉。
这听起来非常天方夜谭。但在数字世界，通过仿真，我们就可以得到这样的数字孪生。
三、仿真驱动的「真孪生」
近年来，「数字孪生」几乎成了工业智能化的标配词汇。几乎一切从现实世界中采集数据并在数字世界中进行数字化呈现的解决方案，都可冠以「数字孪生」之名，例如城市交通热力图、或是楼宇供电系统运行状况的可视化。这类数字孪生的内核，其实只是对现实世界的实时镜像。
而当仿真计算取代了传感器读数，成为驱动数字孪生的底层引擎，此时的数字孪生就可以从「实时映射现实」升级为「预测现实」：即使现实中并未发生，但数字孪生可以预测发生之后的物理变化——以前它只能告诉你「现在机器温度是 85℃」，现在它则可以预测温度到达多少时轴承会失效。
可以说，在仿真的驱动下，数字孪生真正有了「预测」的能力，而这正是训练物理 AI 的核心诉求：在虚拟世界中穷尽各种行动结果，让 AI 掌握物理世界的客观规律。
以仿真为驱动的数字孪生，在实际应用中，能够为物理 AI 解决一些固有挑战：
仿真给物理 AI 提供了最稀缺的资源：高质量的物理规律数据。相比于大语言模型，物理 AI 所需的能反映真实物理规律的数据相对稀缺，从现实中获取数据的成本极高，一些极端情况甚至难以施行。而高保真的仿真却可以在虚拟环境中生成无限量、全维度、物理自洽的数据，为物理 AI 提供一个安全、低成本，可穷尽各种可能的训练场。
此外，得益于真实物理数据，仿真能够极大限度消除 AI 幻觉。仿真提供的是因果性和确定性，是对「真理」的模拟，为物理 AI 提供了不可动摇的学习基础。这使 AI 的每一步思考都符合真实世界的物理约束，从而消除 AI 预测失真。考虑到物理 AI 在应用时可能有着远低于数字 AI 的容错空间，消除其幻觉与黑箱，就显得尤为重要。
由仿真驱动的数字孪生，将给物理 AI 带来一套「场景搭建-智能训练-现实应用」的虚拟训练闭环，成为物理 AI 可无限学习、无限试错的训练场。这样我们才有可能得到能够真正掌握物理规律并加以应用的智能体，而非被动执行指令的遥控机器。
四、仿真玩家备战物理 AI
从目前的迹象看，国外 AI 巨头大多通过自研世界模型的方式来备战物理 AI 竞赛，例如英伟达凭借 Omniverse 和 Newton 构建强大仿真生态。而在国内，仿真玩家的加入，可能带来另一种路径：从仿真根技术出发，向上赋能物理 AI。
对于穷举真实世界物理法则这件事，那些长年深耕仿真的企业显然比 AI 玩家要开始得早得多。云道智能从 2014 年成立开始，就一直致力于仿真根技术的研发，已经能够提供覆盖固体力学、流体力学、电动力学、热力学的通用求解器，为众多实体产业提供 CAE 设计研发工具。
因此，当仿真驱动的数字孪生，成为物理 AI 成长所必须的基础设施和原材料，那么云道智能这类仿真玩家的角色也将发生独属于 AI 时代的变化：从工程软件的提供者，转变为物理 AI 的原材料及引擎供应商。
当然，让仿真赋能于数字孪生，并非是将仿真算法嵌入 AI 模型那么简单。一个显而易见的挑战在于，仿真的效率能否达到 AI 模型训练的要求。
为此，云道智能在整个 2025 年都在忙于仿真的「效率革命」，力求通过技术创新让仿真更快、更准，实现物理 AI 运行效率与计算精度的双重突破。具体到成果上，包括：引入 AI 代理模型和仿真智能体，提供自然人机交互方式的同时可进行多参数、多场景的秒级预测；引入 GPU 并行计算架构，实现仿真算力飞跃；自研混合网格剖分技术，在保证效率与精度的同时，展现出优越的鲁棒性。
以上创新已被应用于云道智能的电子散热模块 Simdroid-EC，并正在拓展至固体力学、流体力学和电动力学等领域。
目前，云道智能正在打造通用物理 AI 引擎 Sim-PI，可以用于打造具备真实物理属性的多元场景，并预测智能体数字孪生与场景环境之间符合物理规律的复杂交互。据此看来，这将是一个专门针对物理 AI 在应用训练端的数字孪生方案。
物理 AI 这局牌，仿真玩家虽不是最早上桌的，但云道智能来得也算是恰逢其时。更重要的是他带来了除「自建世界模型」之外的另一种数字孪生解法。
五、写在最后
真正的物理 AI，必须建立在可计算、可验证、可工程化的物理基础之上。其决胜点并非仅仅依赖算法的优化或算力的堆砌，更在于谁能为 AI 构建最逼近真实、最高效的「数字训练环境」。而 CAE 所构建的仿真世界，恰是眼下最接近「成品」的答案。
如今，仿真玩家躬身入局，是否会引发物理 AI 的「ChatGPT」时刻？不出意外的话，2026 年之内我们就会看到答案。
来源：互联网
