五家物理AI企业谈生态和场景落地：具身智能需要底层共识

7月28日，第一财经2026科技创新产业融合发展大会上，在“数智引擎｜软硬协同：AI时代的算力底座与具身终端”圆桌对话环节，来自物理AI基础设施与应用等产业链不同领域企业的嘉宾分享了实践经验与洞察。

本场圆桌对话的嘉宾包括：上海人工智能研究院副院长、灵巧智能创始人、董事长许春山，松应科技创始人、CEO聂凯旋，灵境智源联合创始人、副总裁须海江，紫金星宇董事长、总经理吴建军，以及Momenta全球商业生态负责人刘科。对话由申万宏源研究计算机首席分析师黄忠煌主持。

对话从物理AI的定义边界开始，着重讨论了软硬件协同或耦合路线之思考，以及商业化落地的难点与拐点。

以下为「明亮公司」精编的圆桌对话嘉宾分享内容：

#01 灵巧智能：补全物理AI闭环的「最后一厘米」

物理AI的本质在于让物理空间与物理载体产生智能，许春山表示，这要求机器在理解重力、摩擦力等基本属性的基础上，形成感知、推理、执行与反馈的完整闭环。要让机器真正去干活，灵巧操作正是具身智能落地的最后一厘米，是物理AI闭环中不可或缺的关键载体。

他认为，软硬件之间“和而不同”，客观上存在鸿沟。硬件追求稳定可靠、迭代周期长，软件追求敏捷快速、算法更迭频繁，两者的生命周期与经济逻辑并不相同，沟通障碍天然存在。“要让软硬件真正融合，首先需要在价值层面实现协同，让各方一致对外，找准各自的问题点与痛点；其次，开源与行业标准是有效方法，标准先行可将共性要求前置定义，开放开源则有利于产业链各方相互认知；最终还是要靠大量落地实践，在真实应用中形成清晰的价值定位与互补。”

“首先还是得用起来，没有量、没有精准的闭环，就很难形成自我定位和价值逻辑。”他表示，降低成本的路径在于构建分层次的云边端系统架构，推动模型轻量化与算法成熟；数据是当前的痛点，从产生、处理再到闭环，如何形成高质量数据集并建立交易逻辑，值得行业探索。在此基础上，场景开放至关重要。若缺乏适当的场景开放与开发，企业却自认为其产品或技术能够进入某个场景落地，实则是一个伪命题。唯有让软硬件结合各类载体进入实际空间运行，形成有效的评估机制、价值闭环、数据闭环与模型调优，物理AI才能不断迭代升级。

#02 松应科技：开放生态与实景实训的物理AI底座

聂凯旋表示，AGI的实现前提是一定要先有物理AI。“今天的AI大多学习的是互联网上的图片和文字，如果没有见过真正的物理生产、没有掌握物理工艺规则和数据，就不可能对物理世界完整建模。”

针对软硬件关系，聂凯旋表示，回顾PC与移动互联网历史，底层操作系统与芯片往往存在软硬一体耦合的厂商，PC时代微软Windows闭源，移动互联网时代苹果iOS与硬件深度耦合，但应用层开放；与之对标的是Linux和安卓等开放体系，兼容多元硬件。安卓通过与OV、小米、三星等深度合作，从早期较小份额发展到如今约八成市场。这说明开放体系对行业促进更有益，更能支撑开发者生态与市场繁荣。

他认为，软硬件并非一定要耦合或完全开放，本质上是构筑不同的生态体系，但开放体系对行业的推动作用比封闭体系大得多。松应科技在产品形态上对标英伟达Omniverse打造物理AI操作系统，但在战略上选择走开放路线，与芯片公司形成上下游协作关系，兼容摩尔线程、沐曦、瀚博半导体、天数智芯、砺算、昇腾等国产芯片。“这相当于给开发者提供了两个选项：一是英伟达式的软硬一体封闭路线，二是松应式的完全开放路线。开放路线对物理AI发展帮助更大，特别是让应用端的集成商与开发服务公司有标准可参考。”目前松应软件已开源，可在GitHub下载。

商业化层面，聂凯旋分享了松应科技的“实景实训”解法，即通过物理AI操作系统将真实场景转化为数字训练场，再共享给多家具身智能团队训练。在这一模式下，真实物理场景提供方可以为结果买单，而不是为过程买单。目前，松应已与多家央企国企落地合作，包括与一家电网公司发布全国电力具身智能场景应用大赛，让参赛团队在场景方数据中心托管平台下进行共享训练，“既保证了场景和数据的安全性，也让模型团队见识过场景到底长什么样”

#03 灵境智源：分层协同的具身原生算力设施

须海江从算力基础设施的视角，梳理了AI向物理世界演进的瓶颈。他指出，行业往往将通用算力堆叠等同于具身智能能力的提升，但通用CPU与GPU架构并非为“感知—决策—执行”的实时闭环所设计。“VLM（视觉语言模型）能精准表达物体的确定状态，但大语言模型也难以表达事物状态的变化，这里头最难的部分就是物理，它代表了我们的时间、速度、力，包括热。而当前以视频训练世界模型的路径存在多模态缺失的瓶颈，视频类训练数据缺失力、热等多模态维度，存在固有缺陷。”

基于这一判断，灵境智源首创了“德沃夏克”架构，构建覆盖芯片、操作系统、模型三层的具身原生计算体系，从芯片层面探索多模态元素的快速融合。

在软硬件的议题上，须海江提出了横向解耦、纵向协同的框架，横向通用层需解耦开放以兼容多硬件，垂直场景层需深度绑定以提效。横向来看，通用芯片和操作系统要解耦，面向全行业普世性应用；但纵向来看，一旦到了具体场景，场景会催生具体构型、特殊需求和特殊数据，这时候就要深度协同、深度绑定一颗专用芯片，为这个场景极致优化。“灵境智源的做法是在场景内深度协同，在类似场景间开放可复制性，让行业生态伙伴添砖加瓦。”他同时呼吁行业建立开放的计算底座标准，类比移动互联网时代的ARM+Android生态，具身智能同样需要底层共识。

回到商业化，须海江认为，需要物理AI产业界分工协作、长期投入。在算力层面，目前瓶颈主要包括如何为模型提供高效匹配的算力平台，大幅提升推理速度，并探索世界模型多模态下用何种方式表达每一帧变化。灵境智源致力于在这些方向上取得突破，若能打通这些环节，将对全球物理AI产业化产生巨大推动作用。

#04 紫金星宇：6G赋能物理AI基础设施

紫金星宇作为紫金山实验室的产业转化公司，核心定位是以6G通信赋能物理AI的基础设施。吴建军表示，从2G到5G的移动通信主要服务于人与人之间的数据传输，而6G除极致连接外，更融合了感知、AI与卫星三大能力，其服务对象不再是手机，而是无人机、机器人、新能源汽车及AR/VR眼镜等新型智能终端。

吴建军表示，物理AI当前面临的最大瓶颈在于数据获取，尤其是空间关系与时空逻辑类数据的低成本采集。紫金星宇正基于其6G通感算融合特性，将通信、感知、计算与AI集成于其AI Edge之中，在网络边缘实现低时延、高确定性的数据闭环。“100毫秒的时延在物理AI场景中可能导致20至30厘米的空间误差，这种不确定性在云端AI中或许可以容忍，但在物理AI的执行闭环中完全不可接受。”因此，紫金星宇正通过6G底座将算力下沉至网络边缘，使数据在本地完成闭环，无需大规模回传云端，从而保障物理AI在训练和推理过程中的确定性与安全性。

吴建军表示，物理AI的价值不应局限于替代性的简单劳动，而应致力于做人无法完成的事，实现超越时间与空间的1+1>2效应。在软硬件关系上，他认为这并非简单的买卖关系，而应参考华为智驾模式，由行业共同定义标准构型，集中采集场景化数据，避免各方空等导致年年停留在表演阶段。

他表示，紫金星宇的AI Edge通感智算一体化产品正在探索同步世界模型与VLA模型，将动作控制保留给机器人本体，而把算力相关环节全部置于网络边缘，从而有效降低本体成本，让具身智能企业无需在硬件端过度内卷，即可调用更强大的模型能力。

#05 Momenta：世界模型与量产经验，驱动物理AI规模化

自动驾驶其实是物理AI最成熟的应用，当前也是规模化最大、商业化程度最高的应用。”刘科认为，物理AI正处于从技术理念走向规模化量产的拐点，GPT时刻即将到来。Momenta将物理AI的核心支柱，即世界模型，解构为三层：预训练建立对物理世界的认知基础；仿真将其转化为可交互的虚拟世界；强化学习则在虚拟世界中反复试错、迭代最优策略。

面对多元算力平台，Momenta坚持开放生态，适配英伟达Orin/Thor、高通、国产芯片及芯驰等，并提炼出“一套算法、三大法宝”：Momenta Framework（确保L2与L4算法架构一致）、Momenta Adapt（面向不同车企需求的适配工具）、Momenta Box（基于量产业务积累的开发套件）。“2022年我们首个10万台车交付耗时24个月，时至今日，用时不到40天。”

谈及商业化，刘科认为跨越量产鸿沟需要把握三个核心要素：数据获取成本、端侧算力门槛、硬件定制化成本。Momenta已实现超100万辆量产车、交付100款车型、累计定点超210款，积累了120亿公里实际里程数据，从中提炼出1亿段黄金数据。他表示，通过让AI模型在海量数据中预训练掌握物理世界常识，再在虚拟仿真中持续强化学习试错，可以大大降低现实环境的测试验证成本和端侧无效算力消耗。