导语
当AI从屏幕中“走出来”，进入真实的物理世界，便诞生了“物理AI”或“具身智能”这一新范式。它要求AI在面对重力、摩擦力等不可逆的物理定律时，从“动嘴”的生成式智能，转变为“动手”的行动能力。本期播客中，摩尔线程高级副总裁董龙飞与南方科技大学教授马兆远，共同拆解了物理AI与传统生成式AI的本质区别、技术爆发的逻辑、对底层算力的全新要求，以及其从仿真到现实的落地挑战与未来图景。
物理AI：从动嘴到动手，AI进入真实世界
本期节目探讨了物理AI（或具身智能）的概念，即AI从数字世界“动嘴”走向物理世界“动手”的范式转变。嘉宾讨论了其技术挑战、全功能GPU的核心作用、仿真的重要性、落地路径以及未来的投资逻辑。
大纲与深读 10 章
展开「深读」看每一段讨论的问题与论据。
01
开场介绍与主题引入
- 主持人顾新峰介绍节目主题：AI从屏幕走向物理世界
- 定义物理AI：AI需面对真实重力、摩擦和物理后果
- 介绍嘉宾：摩尔线程高级副总裁董龙飞、南方科技大学教授马兆远
02
物理AI的定义与核心区别
00:40- 物理AI与生成式AI的核心区别在于“动嘴”与“动手”
- 物理AI需在真实物理世界行动，受物理定律约束，容错率低
- 马教授比喻：AI从鱼缸里的金鱼，长腿走出鱼缸进入三维世界
深读这一段
讨论的问题：什么是物理AI？它与手机上的生成式AI有何本质不同？
论据 / 案例：生成式AI（如豆包、DeepSeek）是“动嘴”；物理AI/具身智能是“动手”，行动（Action）在物理世界，错误成本高。
03
物理AI的爆发时机与技术融合
03:00- 过去自动化控制笨拙，近年强化学习与深度学习提升了控制水平
- 2012年深度学习兴起解决了“大脑思考”部分
- 当前硬件与软件发展进入融合阶段，促成具身智能爆发
深读这一段
讨论的问题：为什么物理AI恰好在现在这个时间点迎来爆发？
论据 / 案例：2012年深度学习（如ImageNet）让AI学会思考；强化学习让机器人控制变流畅。硬件与软件双向奔赴，进入融合阶段。
04
GPU的挑战与产业链价值
05:20- GPU需支持图形渲染、物理仿真与AI计算三大功能
- 产业链分四层：算力、算法、数据与仿真、机器人本体
- 物理世界复杂（如光线变化），仿真需模拟视觉与物理规律
深读这一段
讨论的问题：从生成式AI到物理AI，对GPU厂商有何挑战？如何拆解产业链？
论据 / 案例：GPU需“全功能”：图形渲染（如动画毛发计算）、物理仿真（符合物理规律）、AI计算。产业链包括：底层算力、算法模型、数据与仿真、机器人硬件。
05
全功能GPU的核心能力
14:20- 全功能GPU需同时支持图形渲染、双精度计算与AI张量计算
- 双精度对科学计算与物理仿真至关重要
- 端侧与云端GPU架构需通用性以适应算法快速迭代
深读这一段
讨论的问题：全功能GPU在物理AI场景中解决了哪些结构性问题？
论据 / 案例：GPU四大能力：渲染（仿真）、双精度（FP64物理计算）、AI计算（张量核）。摩尔线程GPU为通用架构，可云端8核/端侧1核适配不同场景。
06
物理仿真的精度与取舍
16:00- 物理仿真需在精度与计算量间取舍，如流体模拟中层流可算，湍流难模拟
- 简化环境（如工厂固定工位）可降低对机器人全能性的要求
- 传感器与训练数据做加法，任务要求做减法
深读这一段
讨论的问题：当前GPU物理仿真平台精度如何？核心取舍是什么？
论据 / 案例：为波音做发动机仿真，湍流无法完全模拟。混沌系统中，省略高位信息会导致预测失败。实践中需简化环境（如自动驾驶限定道路）。
07
仿真到现实的迁移与算力需求
24:00- 仿真到现实的迁移（Sim2Real）是物理AI核心挑战
- 需在算法与数据间做取舍，如描述一沙需无限数据
- 专用机器人在特定场景已产生价值，无需追求通用全能
深读这一段
讨论的问题：如何解决从仿真到现实的迁移问题？底层算力平台需要什么能力？
论据 / 案例：马教授：“一沙一世界”，数据需取舍。工厂专用机器人已大量使用。自动驾驶因环境简化（平面运动）率先落地。
08
软硬结合平台与开发者体验
29:40- 摩尔线程Lambda平台集成物理引擎、渲染引擎与AI引擎
- 开发者可构建数字孪生环境，进行合成数据生成与模型训练评测
- 支持多机器人并行仿真，形成数据闭环
深读这一段
讨论的问题：摩尔线程的巨身智能平台如何提升开发者体验？
论据 / 案例：Lambda平台：仿真构建（渲染引擎）+ 物理规律模拟（物理引擎）+ 模型训练（AI引擎）。可合成数据、做强化学习、评测操作（如1万机器人同时捡笔）。
09
AI四阶段演进与商业化节奏
32:00- AI从感知、生成、代理到物理，是能力半径不断扩大的过程
- 模型公司需持续投入研发，利润被研发侵蚀，用户缺乏粘性
- 资本市场短期可能过热，但长期技术迭代价值巨大
深读这一段
讨论的问题：如何看AI四阶段演进？物理AI商业化需多久？
论据 / 案例：Anthropic毛利率70%，但研发支出侵蚀利润。用户会迁移到更好模型（如从ChatGPT到DeepSeek）。比尔·盖茨：人们高估短期，低估长期。
10
总结展望与长期价值
48:00- 物理AI不是生成式AI升级版，而是需要新能力框架的范式
- 全功能GPU满足物理世界多样实时计算需求
- 投资上，方向明确但商业化节奏需时间，关注技术壁垒
深读这一段
论据 / 案例：技术迭代压缩Gartner曲线周期（如摩尔线程5-6年做5-6颗芯片）。长期看，AI对世界的改变才刚开始。
金句
- "生成式AI本质是动嘴，物理AI是要动手。动嘴错了没有伤害，动手错了本质（后果）比较大。"
- "之前把AI比作鱼缸里的金鱼，你可以观察它。但现在是鱼缸可以破掉了，金鱼可以长腿从鱼缸里出来。"
- "全功能GPU能画、能算、能做物理仿真、能理解世界。做这个行业的GPU公司，和能做传统语言模型训练的不是一个级别。"
- "我们并不需要机器人在每个点上都超过人，它只需要在某几个点上超过我们，它就是用来干这个事儿的。"
- "人们总是高估一个技术短期的变化，但又会低估一个技术以十年为维度的长期变化。"
原文链接
↗完整内容见原文：华夏基金官方账号 · 物理AI：从动嘴到动手，AI进入真实世界
