在NVIDIA对AI技术进化路径梳理中，AI从感知型AI演进为生成式AI，再到代理型AI，最终将实现Physical物理AI。在物理AI终局，人形机器人、移动机器人、智能摄像头和AI智能体等等任何能感知并执行任务的设备都会由AI赋能释放应用潜力。

在物理AI最具落地前景的工业领域，虽然此前数字化转型智能制造升级的变革已渗透多年，但大多数工厂场景仍停留在自动化而非智能化阶段，离真正实现感知到认知到决策的闭环智能相去甚远。而现在，物理AI的进步，终于让工业场景的智能化变革迎来了转折点。

物理AI在工业场景的落地生根催生出前所未有的智能化跃迁。从早期以PLC为核心构建的机械自动化基石，到物联网与云计算掀起的数据互联化浪潮，工业系统完成了从孤立运算到云端协同的历史性跨越。

现在，物理AI带来的闭环智能，突破了传统规则引擎的逻辑桎梏，将工业系统的决策模式从“经验驱动”推向“自主智能”。这种变革不仅是效率的提升，更是工业生产力本质的重塑。

以世界模型为引擎，释放物理AI工业应用潜力

在此前物联网智库探讨端侧AI的文章中，曾表达过这样一个观点，“端侧硬件设备借力智能模型通过多模态能力增强智能理解和决策是现今产业链正在推进的方向，其目的是通过硬件与模型的深度融合将AI从数字世界带入物理世界。”

物理AI设备其实可以看作是端侧AI设备的终极形态，在基础的算力、感知、运控硬件配置上，物理AI在模型配置上向前更进一步，即使用世界模型将人工智能与物理世界的规律、机理深度融合，通过数据驱动与物理建模的协同，实现对物理系统的精准模拟、预测、控制与优化。

以最具代表性的物理AI设备人形机器人为例，工规级机器人硬件配置虽然会有差异，但基础能力是完备的，拉不开太大差距，机器人能否在动态且复杂的工厂环境下对空间与物理过程进行精准建模、理解与推理决策，很大程度上取决于其配置的世界模型大脑。世界模型是实现物理AI的前提，也是机器人实现具身智能的前提。

在早些时候的CES上，NVIDIA发布过面向物理AI开发的Cosmos。NVIDIA Cosmos是一个世界基础模型（WFM）开发平台，用于推动物理AI的发展。其核心是Cosmos WFM，这些开放可用的预训练多模态模型可供开发者直接使用，用于生成视频形式的世界状态和物理AI推理，或通过后训练开发专门的物理AI模型。NVIDIA Cosmos还包括先进的视觉标记器（tokenizers）、护栏（guardrails）、加速视频数据处理平台以及后训练框架。

而后在GTC2025上，NVIDIA推出了全新NVIDIA Cosmos世界基础模型的重大更新，在基础模型上引入了开放式、可完全定制的物理AI开发推理模型。黄仁勋表示，“正如大语言模型改变了生成式和代理式AI，Cosmos世界基础模型是物理AI的一项重大突破，它为物理AI带来了一个开放式、可完全定制的推理模型，为机器人和物理工业领域的突破性发展带来了机遇。”

据了解，Cosmos Predict是通用模型，用于从多模态输入生成世界状态和运动预测，专为后训练开发专门的物理AI模型而设计。Cosmos Predict作为NIM提供，可以随处部署以实现更快推理。Cosmos Reason是完全可定制的多模态模型，用于思维链推理以规划最佳响应。而Cosmos Transfer基于结构输入或来自NVIDIA Omniverse的真实数据，可根据提示，生成不同场景风格的视频。

同时NVIDIA还推出了与Cosmos世界基础模型相连接的新NVIDIA Omniverse Blueprint，一个将全球物理数据与物理AI领域连接起来的操作系统。产业链可以借助Omniverse，实现用于物理AI开发的机器人就绪设施和大规模合成数据生成，快速统一工业生态系统并构建新应用，助力AI工厂的实现。

这些世界模型为物理AI提供“认知底座”，提供对物理世界的结构化理解；物理AI则作为世界模型的“应用载体”，通过工程化设计使其适应真实场景的严苛要求。二者的深度整合，正从数据驱动的效率优化迈向认知驱动的智能重构，这将明显提升工业系统的自主决策能力与复杂场景适应性。

在AI工厂内，物理AI基于物理原理能够充分理解并精准模拟工业设备的运行状态与未来状态，大幅提升生产效率与设备智能化程度。例如基于过往运行数据和物理规律，工厂能进行更精准的预测性维护，机器人等设备则能实时感知环境变化并基于物理规律做出精准动作调整，增强生产灵活性与协同性，全方位提升工业智能化程度。

物理AI以世界模型为数字引擎，正在赋予工业系统完整智能闭环，推动工业智能化从“被动响应”向“主动进化”跃迁。

Omniverse加速物理AI训练，推进AI工厂制造升级

不论是基础的生成式AI模型、VLA多模态模型还是推进物理AI实现的世界模型，都需要大量的数据进行训练优化。这就涉及真实数据与合成数据，特别是在工业场景，采集大量用于训练的真实数据存在一定难度，且场景的多模态数据很难统一在同一个标定尺度内，而这些数据不经过精确统一标定就无法被用来训练学习。这也是为什么来自传统系统的海量数字和物理世界数据容易形成多个孤岛，无法被充分利用起来。

对齐部分真实数据生成大量可控的符合物理规律的合成数据，在物理AI模型部署到现实世界之前进行仿真测试和调试，成为提高开发效率的一条路径。这也是NVIDIA推出Omniverse的原因之一，帮助开发者统一物理世界的数据和应用，实现物理AI的大规模合成数据生成。

根据不同的任务，Omniverse聚合现实世界中的传感器数据，随后对世界模型进行调控，将原始采集数据拓展生成为大量高度逼真且多样的数据，借助被Cosmos与Omniverse增强后的数据集，设备运营策略能够在数字孪生中进行充分的模拟训练。

Cosmos与Omniverse提供了一个在真实世界可采集的数据之外，扩展逼真训练数据的机会。据了解，领先的工业软件和服务提供商如Ansys、Databricks、Dematic、Omron、SAP、Schneider Electric with ETAP、西门子等正在将NVIDIA Omniverse平台集成到他们的解决方案中，利用Omniverse加速物理AI训练推动工业数字化。

在GTC2025的主题演讲中，黄仁勋就展示了如何基于Omniverse Blueprint开发应用，以规划、优化和模拟一座AI工厂。Omniverse使用OpenUSD库，使来自不同来源的3D数据得以聚合在一起，为所有数据源提供通用语言。在合成数据与部分真实数据的实时仿真下，AI工厂配置能够实时调整，并立即看到影响，进而继续改进。可以说Omniverse既打破了工程团队中的设计壁垒，还加速了工厂决策制定与基础设施建设，同时降低了在现实世界中测试所产生的成本和风险。

其实在工业制造走向物理AI的过程中，工业代理式AI与工业智能体概念已经呼之欲出。在GTC上NVIDIA就提到过正在将AI智能体集成到Omniverse中，并展示了工业视觉AI智能体的应用。

在工业智能化升级的转折点上，AI智能体不再是被动的算法工具，而是被赋予了理解能力与协作能力的智能工作节点。从单个应用节点来说，在场景感知与物理推理的基础上，智能体能应用到极其细分的工业应用上，如上面提到的视觉应用。从工业全局场景来看，智能体能够聚合场景内IT与OT信息并提供自主运营决策，这也是传统工厂向AI工厂升级的可预见方向。

从代理式AI到物理AI，工业世界正在向软硬共生软件定义转型，围绕物理AI体系搭建的模型与平台，为AI快速进入到工业应用提供了一条路径。

写在最后

随着物理AI与世界模型技术进一步迭代，有望打破物理世界与数字世界的最后壁垒。特别是在工业领域，二者融合正在让每一台工业设备都成为智能节点，让每一条工厂产线都成为进化单元，最终构建起自感知、自决策、自执行、自优化的下一代智能工业体系。