什么是物理 AI——它不只是人形机器人，你的楼里可能已经在跑了

物理 AI(Physical AI)是能感知、理解并作用于物理世界的人工智能系统。NVIDIA CEO 黄仁勋在 CES 上的判断是:AI 的下一波浪潮是物理 AI;IBM 给出的定义是「能在真实物理环境中感知、决策并行动的 AI 系统」。这个词现在大多和人形机器人绑在一起出现,但这是一个误解——人形机器人只是物理 AI 最抓眼球的形态,不是它的全部。一栋楼里的 4,198 个传感器、一个看得懂监控预警图片的视觉模型、一套发现异常后 3 分钟内派人到场的智能体,都是物理 AI,而且是今天就在生产环境里跑的物理 AI。这篇文章讲清楚三件事:物理 AI 到底是什么、它和 IoT 的边界在哪、以及为什么楼宇设施管理是它最先规模化落地的场景之一。

物理 AI 不是「长得像人的机器人」,而是「输入输出都发生在物理世界的 AI」。

一、先把定义说清楚:感知、理解、行动

物理 AI 的判断标准只有一条链路:感知物理世界 → 理解发生了什么 → 在物理世界里行动。三个环节缺一不可。

感知,是把物理世界的状态变成数据。载体可以是温湿度、水浸、烟感这类传感器,可以是监控摄像头和无人机的画面,可以是道闸、门禁、电梯这些本来就在联网的系统,也可以是人到没到场的位置信号。

理解,是 AI 模型看懂这些数据的含义。一张监控截图里冒的是烟还是水汽?一台水泵的振动读数是正常波动还是轴承磨损前兆?一个「巡检正常」的记录,巡检的人到底去没去现场?这一层是物理 AI 与传统自动化的分水岭——传统系统只会按阈值报警,物理 AI 会判断。

行动,是把判断变成物理世界里的动作:派一张工单、调度一个人、指挥一台机器人过去、把一台设备停下来。行动落不回物理世界的,只能叫数据分析,不能叫物理 AI。

用这个标准衡量,人形机器人当然是物理 AI——它把感知、理解、行动装进了同一个躯壳。但反过来不成立:物理 AI 不需要躯壳。一套分布在整栋楼里的传感器网络加上一个会派单的智能体,同样走完了这条链路,只是「手和脚」是穿工服的工程师和已经部署的机器人。

二、物理 AI 和 IoT 的边界:IoT 是感知底座,不是全部

这是被问得最多的问题。答案可以一句话说完:IoT 负责「采上来」,物理 AI 还要负责「看得懂」和「动得了」。

物联网这个词已经二十年了,大量楼宇早就装了 BA 楼宇自控、能耗采集、视频监控。但这些系统的典型宿命是:数据采上来了,进了各自的软件,然后停在那里。报警靠阈值,处理靠人盯,盯不过来就漏。只有感知没有理解和行动的系统,是物理 AI 的原材料,不是物理 AI。

所以从 IoT 走到物理 AI,补的是两层:一层是让 AI 模型接管「理解」——用视觉模型看监控画面、用时序模型看设备读数、用规则加模型判断该不该处理;另一层是把「行动」接进真实的作业体系——判断出异常后,自动生成工单、指定责任人、核验人是否真的到了场。我们在物理感知与 IoT 数据接入平台这个产品里,把这两层做成了标准能力:感知信号从传感器直连、系统连接器、中间数据池三条通道接进来,理解和行动交给智能体和工单体系。

只采数据不理解、不行动的,是 IoT;采完能自主看懂并处理的,才是物理 AI。

三、别等人形机器人:楼里已经在跑的物理 AI 长什么样

物理 AI 的讨论很容易滑向「等机器人成熟了再说」。不用等。下面三个都是真实项目,每天在生产环境里跑,只是它们不长得像科幻片。

第一个,把一栋楼变成一个感知体。上海一家三级综合国际医院,4,198 个传感器覆盖设备与环境,支撑每月 215,821 次服务交付的逐次核验——每一次巡检、每一次维保,系统都知道人有没有真的到场、设备读数是不是真的正常。这是物理 AI 的「感知+理解」在医疗级标准下的样子。

第二个,让 AI 看懂监控画面并直接行动。华南一个园区把监控系统的预警图片接进平台,AI 识别完直接派单:一次电动车充电冒烟,从画面预警到有人到场,3 分钟。这条链路里没有人在盯屏幕——感知是摄像头,理解是视觉模型,行动是自动派单。这就是教科书级的物理 AI,而它的载体只是已经装好的摄像头。

第三个,用感知核验人的作业。头部互联网大厂总部的 100 多个机房,设备感知加上在场核验,把巡检达标率从 35% 做到 98%。物理 AI 在这里的角色不是替代人,而是让「人有没有认真干活」第一次变得可核验。

三个案例的共同点:没有一个用到人形机器人,但每一个都完整走完了感知—理解—行动的链路。物理 AI 在楼宇设施管理里不是未来时,是现在进行时。

四、为什么楼宇设施是物理 AI 最先规模化的场景之一

三个结构性原因。

第一,感知基础是现成的。物理 AI 最贵的一步是「让 AI 看见物理世界」,而一栋商业楼宇天然就是传感器密度最高的场所之一:BA 楼宇自控、视频监控、门禁道闸、电梯、能耗采集,全都已经装好、已经联网。别的行业要从零铺感知,楼宇只需要把已有系统接进来。

第二,链路是闭合的。从感知到判断到派单到人到场,整条链路发生在同一栋楼、同一个作业体系里,结果当天就能核验。物理 AI 最怕的「行动落不了地」,在这里不存在——楼里本来就有一支随时能动的队伍。

第三,账是算得清的。巡检达标率、响应时间、能耗、人力配置,全是硬指标。35% 到 98% 是能写进合同的数字,不是 PPT 上的愿景。对企业来说,这意味着物理 AI 在楼里的投入产出,从第一个项目起就可以被验收。

所以我们的判断是:当行业还在讨论人形机器人什么时候进家庭时,物理 AI 已经先一步在楼宇里规模化了——因为这里感知现成、链路闭合、价值可算。

五、想引入物理 AI,第一步做什么

不是买机器人,是先把已有的感知信号接进来、治理成 AI 能用的数据。

大多数楼宇的问题不是没有数据,是数据锁在十几个互不相通的系统里。第一步永远是接入:自研传感器直连、官方接口的系统连接器、或者一个中间数据池,三条通道总有一条走得通(具体的接入方式,这一页有完整说明)。接进来之后,从一个数据基础好、价值可核验的小场景切入——比如先让 AI 看懂监控预警图片,或者先把一类机房的巡检核验跑通——验收通过再扩。

这个路径和我们在《什么是 FDE》里讲的逻辑完全一致:先找场景,再评估数据,治理干净,端到端跑通。物理 AI 听起来是个宏大叙事,落到执行上,依然是这套不性感但真实的工程学。