在NVIDIA對AI技術進化路徑梳理中，AI從感知型AI演進為生成式AI，再到代理型AI，最終將實現Physical物理AI。在物理AI終局，人形機器人、移動機器人、智慧攝像頭和AI智慧體等等任何能感知並執行任務的裝置都會由AI賦能釋放應用潛力。

在物理AI最具落地前景的工業領域，雖然此前數字化轉型智慧製造升級的變革已滲透多年，但大多數工廠場景仍停留在自動化而非智慧化階段，離真正實現感知到認知到決策的閉環智慧相去甚遠。而現在，物理AI的進步，終於讓工業場景的智慧化變革迎來了轉折點。

物理AI在工業場景的落地生根催生出前所未有的智慧化躍遷。從早期以PLC為核心構建的機械自動化基石，到物聯網與雲計算掀起的資料互聯化浪潮，工業系統完成了從孤立運算到雲端協同的歷史性跨越。

現在，物理AI帶來的閉環智慧，突破了傳統規則引擎的邏輯桎梏，將工業系統的決策模式從“經驗驅動”推向“自主智慧”。這種變革不僅是效率的提升，更是工業生產力本質的重塑。

在此前物聯網智庫探討端側AI的文章中，曾表達過這樣一個觀點，“端側硬體裝置借力智慧模型透過多模態能力增強智慧理解和決策是現今產業鏈正在推進的方向，其目的是透過硬體與模型的深度融合將AI從數字世界帶入物理世界。”

物理AI裝置其實可以看作是端側AI裝置的終極形態，在基礎的算力、感知、運控硬體配置上，物理AI在模型配置上向前更進一步，即使用世界模型將人工智慧與物理世界的規律、機理深度融合，透過資料驅動與物理建模的協同，實現對物理系統的精準模擬、預測、控制與最佳化。

以最具代表性的物理AI裝置人形機器人為例，工規級機器人硬體配置雖然會有差異，但基礎能力是完備的，拉不開太大差距，機器人能否在動態且複雜的工廠環境下對空間與物理過程進行精準建模、理解與推理決策，很大程度上取決於其配置的世界模型大腦。世界模型是實現物理AI的前提，也是機器人實現具身智慧的前提。

在早些時候的CES上，NVIDIA釋出過面向物理AI開發的Cosmos。NVIDIA Cosmos是一個世界基礎模型（WFM）開發平臺，用於推動物理AI的發展。其核心是Cosmos WFM，這些開放可用的預訓練多模態模型可供開發者直接使用，用於生成影片形式的世界狀態和物理AI推理，或通過後訓練開發專門的物理AI模型。NVIDIA Cosmos還包括先進的視覺標記器（tokenizers）、護欄（guardrails）、加速影片資料處理平臺以及後訓練框架。

而後在GTC2025上，NVIDIA推出了全新NVIDIA Cosmos世界基礎模型的重大更新，在基礎模型上引入了開放式、可完全定製的物理AI開發推理模型。黃仁勳表示，“正如大語言模型改變了生成式和代理式AI，Cosmos世界基礎模型是物理AI的一項重大突破，它為物理AI帶來了一個開放式、可完全定製的推理模型，為機器人和物理工業領域的突破性發展帶來了機遇。”

據瞭解，Cosmos Predict是通用模型，用於從多模態輸入生成世界狀態和運動預測，專為後訓練開發專門的物理AI模型而設計。Cosmos Predict作為NIM提供，可以隨處部署以實現更快推理。Cosmos Reason是完全可定製的多模態模型，用於思維鏈推理以規劃最佳響應。而Cosmos Transfer基於結構輸入或來自NVIDIA Omniverse的真實資料，可根據提示，生成不同場景風格的影片。

同時NVIDIA還推出了與Cosmos世界基礎模型相連線的新NVIDIA Omniverse Blueprint，一個將全球物理資料與物理AI領域連線起來的作業系統。產業鏈可以藉助Omniverse，實現用於物理AI開發的機器人就緒設施和大規模合成數據生成，快速統一工業生態系統並構建新應用，助力AI工廠的實現。

這些世界模型為物理AI提供“認知底座”，提供對物理世界的結構化理解；物理AI則作為世界模型的“應用載體”，透過工程化設計使其適應真實場景的嚴苛要求。二者的深度整合，正從資料驅動的效率最佳化邁向認知驅動的智慧重構，這將明顯提升工業系統的自主決策能力與複雜場景適應性。

在AI工廠內，物理AI基於物理原理能夠充分理解並精準模擬工業裝置的執行狀態與未來狀態，大幅提升生產效率與裝置智慧化程度。例如基於過往執行資料和物理規律，工廠能進行更精準的預測性維護，機器人等裝置則能即時感知環境變化並基於物理規律做出精準動作調整，增強生產靈活性與協同性，全方位提升工業智慧化程度。

物理AI以世界模型為數字引擎，正在賦予工業系統完整智慧閉環，推動工業智慧化從“被動響應”向“主動進化”躍遷。

不論是基礎的生成式AI模型、VLA多模態模型還是推進物理AI實現的世界模型，都需要大量的資料進行訓練最佳化。這就涉及真實資料與合成數據，特別是在工業場景，採集大量用於訓練的真實資料存在一定難度，且場景的多模態資料很難統一在同一個標定尺度內，而這些資料不經過精確統一標定就無法被用來訓練學習。這也是為什麼來自傳統系統的海量數字和物理世界資料容易形成多個孤島，無法被充分利用起來。

對齊部分真實資料生成大量可控的符合物理規律的合成數據，在物理AI模型部署到現實世界之前進行模擬測試和除錯，成為提高開發效率的一條路徑。這也是NVIDIA推出Omniverse的原因之一，幫助開發者統一物理世界的資料和應用，實現物理AI的大規模合成數據生成。

根據不同的任務，Omniverse聚合現實世界中的感測器資料，隨後對世界模型進行調控，將原始採集資料拓展生成為大量高度逼真且多樣的資料，藉助被Cosmos與Omniverse增強後的資料集，裝置運營策略能夠在數字孿生中進行充分的模擬訓練。

Cosmos與Omniverse提供了一個在真實世界可採集的資料之外，擴充套件逼真訓練資料的機會。據瞭解，領先的工業軟體和服務提供商如Ansys、Databricks、Dematic、Omron、SAP、Schneider Electric with ETAP、西門子等正在將NVIDIA Omniverse平臺整合到他們的解決方案中，利用Omniverse加速物理AI訓練推動工業數字化。

在GTC2025的主題演講中，黃仁勳就展示瞭如何基於Omniverse Blueprint開發應用，以規劃、最佳化和模擬一座AI工廠。Omniverse使用OpenUSD庫，使來自不同來源的3D資料得以聚合在一起，為所有資料來源提供通用語言。在合成數據與部分真實資料的即時模擬下，AI工廠配置能夠即時調整，並立即看到影響，進而繼續改進。可以說Omniverse既打破了工程團隊中的設計壁壘，還加速了工廠決策制定與基礎設施建設，同時降低了在現實世界中測試所產生的成本和風險。

其實在工業製造走向物理AI的過程中，工業代理式AI與工業智慧體概念已經呼之欲出。在GTC上NVIDIA就提到過正在將AI智慧體整合到Omniverse中，並展示了工業視覺AI智慧體的應用。

在工業智慧化升級的轉折點上，AI智慧體不再是被動的演算法工具，而是被賦予了理解能力與協作能力的智慧工作節點。從單個應用節點來說，在場景感知與物理推理的基礎上，智慧體能應用到極其細分的工業應用上，如上面提到的視覺應用。從工業全域性場景來看，智慧體能夠聚合場景內IT與OT資訊並提供自主運營決策，這也是傳統工廠向AI工廠升級的可預見方向。

從代理式AI到物理AI，工業世界正在向軟硬共生軟體定義轉型，圍繞物理AI體系搭建的模型與平臺，為AI快速進入到工業應用提供了一條路徑。

隨著物理AI與世界模型技術進一步迭代，有望打破物理世界與數字世界的最後壁壘。特別是在工業領域，二者融合正在讓每一臺工業裝置都成為智慧節點，讓每一條工廠產線都成為進化單元，最終構建起自感知、自決策、自執行、自最佳化的下一代智慧工業體系。