近期围绕算力投入的讨论持续升温；2026年国际消费电子展期间，云端模型应用与高性能计算成为焦点，不少观点倾向于用算力规模衡量技术能力。但加州大学伯克利分校学者Allen Yang在对应的论坛上提出不同看法：仅关注云端与算力堆叠，可能忽视了现实世界智能系统的关键难题。面向复杂物理环境的智能仍处于积累阶段，跨越式突破还需要时间与路径。 物理世界智能与文本数据驱动的模型遵循不同规律。语言模型的进步建立在海量可获取数据与相对稳定的交互环境之上，而物理环境具有强不确定性、强时效性与强约束性。系统不仅要"会推理"，更要"能落地、可运行、守安全"。在交通、应急救援、矿山作业、航天探测等场景中，智能系统面对高速运动、突发事件与多源干扰，任何决策延迟或误判都可能带来安全后果。这使得"可用性"往往比"最优性"更重要。 此现象主要源于三上约束： 其一，极端场景数据难以穷尽。现实世界的"边缘情况"具有低频、高风险特征，如罕见恶劣天气、突发障碍物、传感器失效、机械异常等，既难以完整采集，也难以通过单一数据分布覆盖。数据缺口会直接影响模型在关键时刻的鲁棒性，使系统在常态下表现良好却在少数场景中失效。 其二，实时性对系统提出硬约束。高速行驶、紧急避障等任务对响应时间要求极高，往往以毫秒计。实验表明，决策链条过长、模型过大带来的延迟可能抵消算法精度优势。在对抗或动态任务中，更高的决策频率反而能带来更稳定的综合表现。这提示行业需要在"精度—速度—稳定性"之间做系统性权衡。 其三，云端能力并非随时可用。灾害现场、矿井深处、野外作业乃至深空探测等场景，网络不稳定甚至缺失是常态。依赖云端推理不仅存在通信时延，也存在链路中断风险。鉴于此，把智能能力部署在设备本地、实现端侧闭环成为现实选择，边缘智能的重要性随之凸显。 这些约束决定了物理智能的发展路径更接近"工程—赛场—应用"的循序推进，而非单纯依靠参数规模快速跃迁。产业评估标准需要从"算力与模型规模"拓展到"安全、可靠、实时、可维护"，以更贴近真实应用的指标衡量技术水平。同时，相关人才结构也将发生变化，懂算法、懂硬件、懂控制、懂安全的复合型队伍更受需要，推动高校与企业加强跨学科培养与协同研发。 Allen Yang以团队在高速自动驾驶赛车领域的实践说明了"以战促研"的路径。通过在高速度、高对抗、高风险约束的赛道上进行测试，系统能在短周期内暴露感知、定位、决策与控制的薄弱环节，并倒逼软硬件协同优化。在相关赛事中，自动驾驶赛车实现高速自主行驶，在超车等场景中需要同时处理安全规则与竞争目标的冲突。当车辆在弯道漂移、车距压缩等情况下触发紧急制动，也反映出物理交互环境下"安全边界"的重要性。这类实战为算法验证提供高强度样本，也为工程落地积累可复用经验。 测试场景的拓展说明了对复杂地形与非结构化环境的关注。将挑战从封闭赛道延伸至山路急弯、陡坡、多变天气等综合条件，有助于构建更贴近真实道路的验证体系。引入人形机器人在台阶攀爬等任务中的挑战，则继续指向非结构化地形的移动与决策难题。多所高校参与的联合项目表明，推动物理智能向前需要以开放协作方式共建测试平台、共享评测标准，并在安全可控前提下形成持续迭代的"数据—模型—系统"闭环。 物理智能的突破更可能来自"边缘部署、系统工程与场景牵引"的综合进展：端侧算力与能效持续提升，为本地实时推理提供基础；传感器融合、控制理论、安全验证等工程体系更成熟，提升系统稳定性；更多高质量真实场景测试与可复现评测体系建立，推动行业从演示走向可规模化应用。可以预期，未来一段时间内，物理智能的竞争焦点将从"谁的模型更大"转向"谁在关键场景更可靠、更安全、更实时"。
当虚拟世界的智能应用渐入佳境时，物理智能的发展提醒我们，技术突破不能脱离现实世界的复杂性。伯克利团队在极限环境中的实践表明，真正的创新往往诞生于理论与实践的反复碰撞。这或许预示着，下一轮人工智能革命将来自实验室外更广阔天地中的技术淬炼。