过去几年，大语言模型和生成式AI率先改变知识处理、内容生产和软件流程。随着多模态模型、世界模型、VLA模型和边缘AI持续发展，AI正在进入车辆、机器人、无人机、工业设备和城市设施，能力范围也从生成内容、调用软件，扩展到感知环境、规划任务和控制设备。
物理AI面对持续变化的真实环境，需要处理设备状态、空间关系、环境变化、物理规律和安全要求。系统既要形成“感知—决策—执行—反馈”的实时运行闭环，也要形成“真实运行—数据回流—模型训练—仿真验证—重新部署”的研发迭代闭环。前一类闭环影响任务能否稳定完成，后一类闭环影响产品能否持续改进并扩大应用范围。
IDC 2026年全球CEO调查显示，35.2%的受访CEO将物理AI列为未来12—24个月重点关注的新技术投资方向。资源行业的比例达到50%，制造和零售均为46%，医疗为38%。当前市场已经进入投入和生产验证并行阶段，企业普遍从任务清晰、数据可获得、收益可衡量的场景切入。
IDC认为，硬件决定系统能否稳定进入现场，软件影响学习速度、验证效率和复制能力，数据闭环负责把应用需求、软件工具和硬件执行连接起来。物理AI未来的差距，会越来越多地体现在运行数据能否沉淀为场景资产、验证用例和模型更新。
数据闭环贯穿三层产业架构
为了更系统地拆解数据闭环如何落地，IDC将中国物理AI产业划分为三层相互咬合的结构。 应用和业务层定义真实任务、运行流程和商业价值；软件基础设施层组织模型与策略、仿真验证和场景数据；硬件基础设施层提供计算、连接、供能、感知和物理执行条件。
三层围绕真实运行形成循环：应用产生任务和现场问题，硬件完成感知与执行，软件把运行数据转化为训练数据、仿真场景和验证用例，更新后的模型再进入设备和业务系统。下面逐层展开，看每一层在闭环中具体承担什么角色、当前进展到哪一步。
应用和业务层：闭环质量影响商业化节奏
任务边界、数据反馈、安全责任和投入产出，是判断场景成熟度的四项重要条件。运行问题能够被记录、复现和验证的场景，更容易进入规模部署。
智能驾驶已经形成较完整的数据采集、场景挖掘、仿真测试和版本回归流程，是当前数据闭环较成熟的物理AI场景。
具身智能终端正在从动作演示进入连续任务执行阶段。任务成功率、人工接管频率、异常恢复能力和跨环境适应能力，将逐步成为主要评价指标。
无人机和空天系统需要把飞行状态、空间环境、通信链路、任务调度、运行监管和异常处置纳入统一的运行与验证体系。
工业现场与工程装备拥有清晰的工艺、安全和成本目标。质量检测、预测维护、物料搬运、巡检、精密操作和无人作业等任务，已经开始产生可量化的效率、质量和安全收益。制造业具备流程明确、数据基础较好和指标体系成熟等条件，将继续成为物理AI的重要验证场。
智慧城市相关应用需要打通感知、分析、调度和执行。AI进入交通、设施、低空和应急等物理系统的实际运行后，才会形成更完整的物理AI能力。
无论哪个场景，应用层产生的海量运行反馈，都需要经由软件层转化为可复用的能力——这正是下一层的核心使命。
软件基础设施层：把运行反馈转化为可复用能力
软件基础设施层包括模型与策略、仿真与验证、场景数据与合成数据。三类能力通过数据闭环持续协同，决定物理AI的进化速度和规模复制能力。
模型与策略方面，世界模型仍处于多条技术路线并行发展阶段，可用于交互环境生成、状态变化预测和行动结果推演；VLA模型连接视觉、语言和动作，为机器人及自主设备生成任务策略。未来系统将更多采用分层架构，由高层模型理解任务与环境，中间层完成预测和规划，底层控制系统负责实时、稳定和安全执行。
仿真与验证方面，数字孪生、空间智能和仿真平台之间的协同正在加强。数字孪生提供设备结构、空间关系、物理参数、工艺规则和实时状态；空间智能帮助模型理解三维环境和对象关系；世界模型扩展场景生成、状态预测和策略探索；仿真平台承担测试、回归和安全验证。虚拟环境由此可以覆盖训练、方案推演、系统测试和运行优化。
场景数据与合成数据方面，物理AI需要的数据已经从单帧图像和单点记录，扩展到包含时间、空间、设备状态、动作过程和执行结果的连续场景数据。真实运行中的故障、接管、任务失败和高风险事件，需要经过筛选、标注和结构化处理，沉淀为可检索、可复现和可重复使用的场景资产。
数据闭环将分散的模型、数据和仿真工具连接成持续研发体系。任务覆盖度、异常覆盖度、问题复现率、回归关闭率和跨版本一致性，将逐渐成为物理AI软件平台的重要评价指标。物理AI软件平台商业模式也会从单次工具采购，延伸到场景资产管理、模型生命周期管理、持续验证和安全证据链服务。
软件层的一切优化最终都要回到物理世界中验证，而硬件层正是这个闭环的起止点。
硬件基础设施层：连接真实数据与物理执行
硬件层包括能源电力、算力和IoT/OT连接基础设施。云端承担模型训练、批量仿真和数据处理，边缘节点负责现场协同与模型管理，设备端完成实时感知、推理和控制。
传感器、摄像头、雷达和设备运行系统提供真实环境数据，控制器和执行器负责把模型判断转化为物理动作。硬件层既是数据闭环的起点，也是系统执行结果的出口。
涉及车辆制动、机器人避碰和工业安全的关键任务，还需要保留本地执行、故障降级、冗余控制和人工接管能力。
中国在设备制造、通信网络、能源系统和工程实施方面具备较好基础，高端AI芯片、工业级传感器、核心零部件和复杂环境可靠性仍需持续提升。
三层架构完整就位之后，真正的挑战不在于单点突破，而在于如何让闭环从技术层面延伸到行业应用层面。
展望：从技术闭环走向行业闭环
未来几年，世界模型仍将保持多条技术路线并行，数字孪生、空间智能、仿真平台、合成数据和真实运行数据之间的连接会继续加强。模型能力的提升将扩大系统可以完成的任务范围，验证体系则负责控制进入真实环境的速度和风险。
中国拥有丰富的制造、城市运行和机器人应用场景。下一阶段需要提高软件平台的产品化水平，推动场景数据跨项目复用，加强设备接口协同，并建立覆盖模型、硬件和运行过程的评测与验证体系。
物理AI的市场差距将更多体现在系统学习效率、验证可信度、长期运行能力和跨场景复制能力。企业能否把现场问题快速转化为场景资产、验证用例和模型更新，将影响其产品迭代速度和规模化能力。
IDC将持续跟踪物理AI技术、市场和生态变化，并通过“物理AI+行业场景”的研究方式，重点关注制造业、城市物理系统和具身智能等方向，进一步分析技术架构、市场机会、厂商格局和产业化路径，为技术供应商和行业用户提供持续参考。
进一步交流
如需了解物理AI架构评估、场景落地路径或数据闭环能力诊断等研究方向，欢迎联系IDC中国物理AI与行业智能化研究团队。我们将安排对应行业分析师与您深入沟通，提供定制化决策参考。
