物理AI新范式：当大模型开始“理解”世界运行规律
2026年3月，人工智能领域迎来了一次重要的范式转移讨论。在近日举行的一场前沿技术论坛上，理想汽车基座模型负责人詹锟深入剖析了“物理AI”这一新兴概念，为业界描绘了一幅大模型从“文本生成”迈向“物理世界认知”的宏伟蓝图。这一观点不仅揭示了下一代人工智能的核心演进方向，更为自动驾驶、具身智能等关键领域的突破提供了全新的理论支撑。
长期以来，以大语言模型为代表的人工智能技术在处理文本、图像等非结构化数据方面展现了惊人的能力。然而，詹锟指出，传统的数据驱动范式在面对真实物理世界时，往往显得力不从心。现有的模型大多基于统计相关性进行预测，缺乏对物理定律、因果逻辑以及时空连续性的深刻理解。这就导致了一个现象：模型可以写出完美的物理公式，却难以在复杂的动态环境中做出符合物理常识的决策。例如，在极端天气或罕见路况下，纯数据驱动的自动驾驶系统可能会因为训练数据的缺失而产生误判。
针对这一痛点，詹锟提出了“物理AI范式”的核心主张：将物理世界的先验知识与大模型的泛化能力深度融合。这并非简单的知识叠加，而是一场底层逻辑的重构。在这一新范式中，人工智能不再仅仅是数据的“搬运工”和“模仿者”，而是进化为物理规律的“学习者”和“推理者”。
据詹锟介绍，物理AI的关键在于构建一种能够感知并遵循物理约束的基座模型。这种模型在训练过程中，不仅摄入海量的视频、传感器数据，更将牛顿力学、流体力学、材料属性等物理法则作为“硬约束”嵌入到神经网络的架构之中。这意味着，模型在学习如何驾驶车辆时，不仅仅是记忆千万种驾驶场景，更是从根本上理解了惯性、摩擦力、重心变化等物理机制。当面对从未见过的场景时，模型能够依据物理定律进行逻辑推演，从而给出安全、合理的解决方案，极大地提升了系统的鲁棒性和泛化能力。
这一范式的转变，对于具身智能的发展具有里程碑式的意义。詹锟强调，未来的智能体必须具备“身体感”，即对自身形态与环境交互的物理反馈有清晰的认知。通过物理AI范式，机器人可以更精准地预测动作后果，比如抓取易碎物品时的力度控制，或在崎岖路面上保持平衡的姿态调整。这种基于物理理解的智能，使得机器人在非结构化环境中的适应能力得到了质的飞跃，为未来智能服务进入千家万户奠定了坚实的技术基础。
在谈及实现路径时，詹锟展示了理想汽车在基座模型研发上的最新进展。通过构建大规模的世界模型，研发团队成功让AI在虚拟环境中进行了数以亿计的物理交互模拟。这些模拟不仅涵盖了常规驾驶场景，更包含了大量长尾的极端工况。在这种“虚实结合”的训练体系下，模型逐渐习得了对物理世界的直觉。詹锟表示，这种技术路线的优势在于，它减少了对海量真实事故数据的依赖，转而通过物理仿真生成无限多样的训练样本，既保证了安全性，又加速了模型的迭代进化。
物理AI范式的提出，标志着人工智能正在从“感知智能”向“认知智能”跨越。它不再满足于识别物体是什么，而是致力于理解物体为什么会这样运动，以及未来将会发生什么。詹锟认为，这是通往通用人工智能（AGI）的必经之路。只有当机器真正理解了构成我们世界的物理基石，它们才能像人类一样，灵活、安全且高效地服务于社会生产的方方面面。
