物理 AI、具身智能、世界模型有什么区别？

物理 AI（Physical AI）、具身智能（Embodied AI）和世界模型（World Model）分别回答三个问题：完整系统如何在现实世界运行；智能体如何通过身体与环境形成反馈；模型如何表征或预测环境状态。三者会重叠，但在同一系统中承担的范围不同。

本文采用可直接核对产品与投资证据的工作定义：Physical AI是完整工程和部署范围；具身智能是感知—行动—反馈的学习方式；世界模型是环境表征、预测或生成能力。NVIDIA的定义把机器人、自动驾驶、建筑和工厂纳入能感知、推理与行动的物理系统，也说明「身体」不限于人形。^[1]

---

三者有什么区别

这套划分不是要制造新的标准，而是帮助读者回答三个不同问题：

1. 系统是否真的能影响物理世界？
2. 它是否形成了「感知—行动—反馈」的闭环？
3. 世界模型究竟是独立组件、隐含能力，还是只有市场推广名称？

图：世界模型可以参与环境预测，但不是所有具身系统都必须有一个独立、显式命名的 World Model；Physical AI 的部署结果取决于整条闭环。

一套 Physical AI 系统如何运作

完整系统通常不是「一个大模型控制一切」，而是多个模型、感应器、计算平台和控制器共同工作。

1. 环境与感知

摄影机、激光雷达、深度感应器、触觉感应器、麦克风和设备状态首先把现实环境转换成机器可以处理的数据。感知模型需要识别对象、位置、速度、姿态、可通行区域和异常状态。

这一步决定系统「看见了什么」，感知、理解与安全行动是依次推进的三个能力层。感应器遮挡、光线变化、反射、噪声和设备漂移都会把错误带到后面的决策链。

2. 世界模型与记忆

世界模型尝试回答：「当前环境是什么状态，如果执行某个动作，接下来可能发生什么？」它可以学习空间关系、物体持续性、运动变化与部分因果规律，也可以在模拟环境中生成训练场景。

Google DeepMind的Genie以可互动环境模拟作为世界模型路线；Meta的V-JEPA 2则从影片学习物理表征，并测试预测与机器人规划。两者说明世界模型可以生成像素，也可以在抽象表征空间预测，不能只用画面逼真度判断能力。^[2][3]

世界模型有时是系统中清楚分开的模型，有时预测能力被包含在更大的视觉语言模型、策略模型或端到端系统中。因此，系统的环境预测能力要从实际架构和测试结果确认；「World Model」名称本身只能提供产品定位。

3. 推理、规划与 VLA

推理层把用户目标和环境状态拆成可执行步骤；策略模型决定下一步动作；VLA（Vision-Language-Action，视觉—语言—动作模型）则尝试把视觉资讯和语言指令直接连接到机器人动作。

Google DeepMind把Gemini Robotics分成具身推理与VLA能力：前者理解环境、规划和调用工具，后者把视觉与指令转换成动作。这个例子说明，具身系统可以由多个专门模型协作。^[4]

4. 身体、执行器与边缘计算

机械臂、人形机器人、自动驾驶汽车、无人机和工业设备是不同的 embodiment，也就是智能体作用于世界的具身载体。关节、马达、减速器、夹爪、制动、转向和其他执行器把模型决策变成物理动作；边缘计算平台则要在功耗、散热和即时延迟限制下运行模型。

同一个模型迁移到不同身体时，动作空间、负载、视角、感应器和安全边界都会改变。所谓「跨本体泛化」是重要目标，但不能仅由展示影片推断已经解决。

5. 反馈、评估与安全

动作完成后，系统必须重新感知环境，判断任务是否成功，并在失败或危险出现时停止、改道或交还控制权。这个环节可用来区分普通自动化脚本与较完整的具身智能闭环。

现实部署还需要传统控制、功能安全、权限管理、日志、遥距急停和人工监督。生成式模型能力提高，并不会自动消除机械、电气和运营安全要求。

世界模型、具身智能与人形机器人是什么关系

人形机器人只是具身智能的一种载体，不是 Physical AI 的全部。自动驾驶汽车、仓储机械臂、移动机器人、无人机、手术机器人甚至可自主调整的工业系统，都可能形成感知和行动闭环。

三者可以这样理解：

• 世界模型提供「环境如何变化」的表征或预测能力；
• 策略模型或 VLA 决定「下一步做什么」；
• 具身智能强调「通过这个身体行动，并从结果继续学习」；
• Physical AI 把模型、仿真、算力、感应器、执行器和安全系统整合成可部署的现实应用。

NVIDIA Cosmos提供世界基础模型、数据处理与评估工具；Isaac GR00T参考设计把数据采集、仿真、模型、中间件、机载计算与实体硬件连起来。前者位于模型与开发基础设施，后者覆盖更完整的具身部署链。^[5][6]

如果只想查看相关上市公司与业务纯度，可转到物理 AI 概念股与港美股产业链；世界模型玩家与上市敞口则见世界模型概念股。

投资产业链应该如何拆

Physical AI公司的商业模式分布在平台、模型、零件、整机和运营服务。判断投资敞口时，应先确认公司销售哪一层产品、由谁付费、收入已走到哪个阶段。

产业链会出现上下游重叠。例如，一家公司可能同时提供芯片、仿真软件和机器人模型；另一家公司则购买这些平台，专注整机或运营。研究时需要分别核对产品关系和财务口径，不能因为它位于「上游」就自动推断利润最终落在这一层。

想进一步查看人形整机，可参考人形机器人概念股；自动驾驶应用见Robotaxi 概念股；基金产品的持仓与费用差异见机器人 ETF 比较。

如何判断公司已走到哪个商业阶段

可以把证据强度分成四级：

1. 研究与叙事：管理层提到 Physical AI，发布论文、概念影片或研发计划。
2. 可用产品：存在模型、开发套件、硬件、API 或可核对的技术文件。
3. 客户与部署：出现具名客户、量产项目、付费试点、出货或真实任务数据。
4. 财务可见度：公司披露订单、收入、毛利、资本开支或独立业务指标。

第一级可以证明公司关注这个方向，却不能证明商业价值；第二、三级说明技术正在进入产品，但仍要核对客户是否付费、部署能否扩大；第四级最接近基本面，却也要避免把一个大分部的全部收入归因于 Physical AI。

截至2026年9月，NVIDIA、Google DeepMind和Meta已公开可核对的模型与开发体系；其财务披露仍把相关投入放在更大的平台或研发范围内。这类敞口应按产品采用、客户部署和后续收入口径跟踪。

哪些技术问题仍未解决

模拟到现实的差距

模拟环境无法完整复现材料摩擦、感应器噪声、设备磨损、人员行为和罕见意外。模型在虚拟环境成功，不代表真机可以用相同成功率工作。

长尾场景与安全责任

物理系统的错误会造成设备损坏、人身风险和法律责任。测试覆盖、故障保护、人工接管和监管许可，往往比单次模型展示更决定商业化速度。

数据与评估口径

机器人数据昂贵且任务差异大，不同公司的成功率、任务难度和测试环境通常不可直接比较。没有公开任务定义和失败样本的「成功率」很难用于横向判断。

硬件成本与单位经济

感应器、机载计算、执行器、维护、电力和人工监督都会进入总成本。能完成任务不等于部署后比人工或传统自动化更经济。

收入归属不清

大型科技公司的 Physical AI 能力可能分散在芯片、云、研究、汽车或机器人合作中。投资研究必须回到最新财报和公司文件，不能从技术领先直接推导短期财务贡献。

后续应该观察什么

• 世界模型是否从生成展示进入可重复的预测、规划和评估流程；
• VLA 或策略模型能否跨任务、跨环境和跨不同机器人身体迁移；
• 真实部署是否披露任务量、成功率、人工接管和安全事件口径；
• 感应器、算力与执行器成本是否随量产下降；
• 上市公司是否开始单列客户、订单、收入或资本开支；
• 监管与责任框架是否允许应用从封闭场景进入公共空间。

这些指标比单次发布会、机器人表演或「某公司进入 Physical AI」更能说明产业是否跨过商业化门槛。

常见问题

物理 AI 和具身智能是同一个概念吗？ 两者经常被交替使用，但侧重点不同。Physical AI 更常指让 AI 在物理世界运行的完整工程与应用体系；具身智能强调智能体通过具体身体与环境形成感知、行动和反馈闭环。不同机构的用词会重叠，应结合具体系统判断。

世界模型一定是具身智能的一部分吗？ 世界预测能力对复杂具身任务很重要，但不一定以独立、明确命名的 World Model 出现。部分系统把预测、记忆或环境表征包含在 VLA、策略模型或端到端架构中，因此不能只看产品名称。

大语言模型是世界模型吗？ 大语言模型主要学习语言与其他训练数据中的模式，可以包含大量关于现实世界的知识，但这不等于已经建立可用于物理控制的世界模型。世界模型通常更强调环境状态、空间关系、时间变化和行动后果。

人形机器人是具身智能唯一的落地方式吗？ 不是。机械臂、自动驾驶汽车、移动机器人、无人机和其他能感知环境并采取物理行动的设备，都可以成为具身智能载体。人形外观只是一种身体设计。

物理 AI 概念股有哪些？ 相关公司分布在算力与平台、世界模型与软件、感知、执行器、整机和运营应用等环节，但业务纯度和收入可见度差异很大。具体港美股名单与证据分级可查看物理 AI 概念股产业链。

下一步阅读

想把概念落到上市公司，可由物理AI概念股与收入证据开始；要研究模型供应商，继续看世界模型概念股和NVIDIA Physical AI产品栈；要研究付费任务，进入人形机器人或Robotaxi产业页。