AI最先征服的是屏幕，最难进入的是现实世界。在屏幕里，AI犯错最多是答错一道题；到了现实世界，一旦出错，就会撞上车、撞上人。2026年CES上，黄仁勋宣告机器人领域的ChatGPT时刻已经到来，"物理AI"成为行业聚光灯的中心。但一个根本问题是：物理AI的门槛不在于谁喊概念更响，而在于谁先拿到进入长赛道的门票——规模化数据、可持续现金流、真实世界的量产验证。
为什么不是机器人先跑通？
2026年前几个月，中国具身智能融资已进入百亿级密集爆发阶段。但资本只能更快地为试错扫清障碍，却买不来完整的物理世界周期。
OpenAI早年同时布局机器人和语言模型，最终阶段性选择GPT，背后正是成本结构差异。数字AI的数据来自互联网，天然大规模、低成本、易获取；物理世界的逻辑完全不同——数据采集难，测试周期长，试错代价高。
从这个角度看，自动驾驶可能是最先规模化跑通"数据闭环"和"商业闭环"的物理AI场景。
世界模型：在虚拟世界里先练车
2026年2月，Waymo发布了基于Google DeepMind Genie 3构建的Waymo World Model，用于生成高真实度、可交互的自动驾驶仿真环境。
4月25日，北京车展期间，Momenta发布了R7强化学习世界模型，实现量产首发。这不是一个简单的OTA升级，而是底层架构的一次质变。
世界模型分为三层：
预训练层——依托量产车队产生的海量真实驾驶数据，将物理规律、常识与因果关系压缩进模型，让系统拥有"物理直觉"。
仿真层——让系统理解"如果我的行为发生变化，世界将如何演变"。不再是简单的规则模拟，而是基于真实数据的概率推演。
强化学习层——最关键的一层。系统从单纯的模仿学习走向"想象与探索"，在虚拟世界里经历千万次推演，自主学会在复杂博弈中做出最优决策。
一个具体的例子：如果前车意外掉落一箱苹果，R7能预判苹果滚落的轨迹与扩散范围，提前平稳减速并规划绕行路线。只依赖已有数据和真实路测，很难穷尽这类低频风险。
量产是最大的护城河
搭载Momenta系统的量产车辆已超过80万台，覆盖超过20个品牌、60余款车型，包括梅赛德斯-奔驰、奥迪、宝马的新发布车型。
Momenta CEO曹旭东给出了一个判断："任何一个人工智能应用，一旦接近人类的水平，就会在很短的时间内大幅超过人类的水平。"
他认为智驾领域正在呈现一种"摩尔定律"式的进步节奏——过去大约是两年十倍的提升速度，行业领军企业甚至可能做到一年十倍。
时间壁垒同样真实。自动驾驶软件具备接近零边际成本的规模效应，先发优势因此格外显著。以奔驰为例，2017年投资Momenta，由奔驰董事长亲自决策，但第一个量产项目上市是2025年下半年，整整八年。
但一旦成功拿下，就有望迎来"赢者通吃"的局面。
安全标准是物理AI的终极考验
奔驰与Momenta累计测试里程达80亿公里。奔驰团队曾反复挑战一个极端场景：高速上没有灯光，一个摩托车骑手摔倒，戴着黑色头盔，头朝后方。
奥迪AUDI品牌产品研发执行副总裁Martin Kraus在北京车展上说了一句很直白的话："质量和安全标准是没得商量的。"
梅赛德斯-奔驰中国研发自动驾驶执行副总裁王忻提到一个更深层的思考：AI进入物理世界时，"这个虚拟人也需要有情感，它也要有'害怕'"。
物理AI如果只理解物理规律，还不够，它最后要理解的是坐在车里的人如何感到安全和从容。一位奥迪车主讲起京沪高速上的一次经历：前车连续追尾，系统帮他刹住并驶离超车道。他给母亲打电话："你帮我把汤热一下，我要到家了。"
这比任何参数都更能解释安全标准的意义——它最后要回答的，是一个人能不能安全回家。
自动驾驶不是物理AI的终点。但它可能是这场长赛道上，最先被真实世界验证的一张门票。Momenta已向港交所秘密递交招股书，IPO估值预期超千亿元，计划年内挂牌。
从屏幕到现实，AI的征途才刚刚开始。
你觉得物理AI会先在哪个领域真正落地？自动驾驶、机器人、还是其他？评论区聊聊你的看法。
