万亿市场格局未定：「端侧原生」，一家中国AI公司给物理AI抛了个新解法
让机器持续看懂眼前的世界，
并且可以做出准确的决策。
过去 几 年， AI的战场在屏幕里。ChatGPT系列用参数堆出了惊人的语言能力，Sora用视频生成震撼了全世界 …… 但 2026年，产业界达成了一组共识： 2026年，是物理AI的元年。
年初拉斯维加斯 CES上，英伟达CEO黄仁勋用一场演讲，17次提及物理AI，用以宣布“物理AI的ChatGPT时刻已经来了”。这也是他近两年一直推崇备至的关键词。而在过去的2年多时间里，物理AI在“大脑”（VLA模型）、“想象引擎”（世界模型）、训练场、本体及商业闭环五个维度取得关键进展，行业已初步具备走出演示环境、向真实场景探索的技术基础。
就在 2026年上半年，全球物理AI领域的资本流动呈现出惊人的密度和规模。第一季度，全球物理AI融资就 超过 了 64亿美元。 其中不乏 AMI Labs10.3亿美元种子轮 、 World Labs10亿美元融资，国内千寻智能三月完成四轮45亿元融资的案例。同时， 物理 AI的技术路线也呈现出清晰的产业分化。基础模型层呈现VLM、VLA与世界模型三条路径收敛之势。世界模型作为后台数据工厂合成训练数据，VLM承担长程规划的“慢思考”，VLA则把指令与感知直接转化为动作。
技术路线似乎已然固化，核心观点基本指向物理 AI未来的核心技术架构将是“VLA与世界模型的深度闭环”——VLA负责“说人话、做决策”，世界模型提供“内嵌物理引擎”，提前模拟动作的物理后果，验证计划可行性。
不过，这些方案已经是 “物理世界需要什么样的AI”这一核心问题的最终答案了吗？
物理AI还是一场“开放竞争”
资本汹涌、巨头入局、量产捷报频传，物理 AI被视为下一个万亿级市场。
据 Future Markets预测，全球物理AI市场规模将从2026年的约3830亿美元增长至2040年的3.26万亿美元 ， 构成有史以来最大的科技市场扩张之一 。 Coatue Management的预计则更为激进，认为物理AI市场规模至少可达6万亿美元，较数字AI高出约50%。
但是，不同于 数字 AI领域竞争格局已日益明朗 ， 物理 AI当下的特征可谓是“ 格局未定 ”， 决定胜负的维度 ——制造能力、部署数据、监管速度、供应链控制、基础模型智能——分布在不同的竞争者手中 。
作为物理 AI的底层底座，被寄予厚望的世界模型，产业界对其定位也远未形成共识。智源研究院院长王仲远曾指出，当前世界模型主流路线已有四条：以语言为中心路线（如Gemini3）：能感知多模态数据，通过语言思考并描述下一状态，具备规划决策能力；以像素为中心路线（如Sora）：适合视频生成，但不懂物理因果；以三维结构为中心路线（如李飞飞World Labs的Marble）：瞄准元宇宙、游戏等数字世界仿真；以视觉表征为中心路线（如LeCun的V-JEPA系列）：预测的是视觉表征的压缩，但视觉嵌入演化不等于物理规律演化。
四类路线，各有拥趸，各有短板。 而主流的 VLA、世界模型的技术路线中，有观点将VLA、世界模型放在了对立面，也有一部分企业选择两条技术路线并进并探索融合。有人走“VLA为主、世界模型为辅”的嵌入路线，有人走“世界模型原生、强化学习驱动”的独立路线，还有人走“类脑算法+世界模型”的底层重构路线。
不同技术路线，在产业层面体现得更加尖锐。
在 “VLA路线”阵营，英伟达在GTC 2026展示了自研VLA模型Alpamayo，同时还有专为人形 机器人 设计的开源推理视觉语言动作（VLA）模型Isaac GR00T N1.6；小鹏在CVPR 2026推出X-Foresight，把世界模型直接嵌进VLA架构……在“世界模型路线”阵营，吉利汽车集团在GTC 2026发布WAM世界行为模型；World Labs持续押注空间智能（以三维结构为中心的世界模型路线）；谷歌DeepMind于2025年8月发布一款通用型世界模型Genie 3……在“VLA+世界模型融合路线”阵营，也不乏热门企业，智元机器人、宇树科技、特斯拉Optimus等，其中，宇树科技更是表示将同时保持对VLA技术路线的持续跟进与对标，并探索“世界建模”能力与VLA架构的合理化融入方式。
当前物理 AI尚无固定实现范式，或许将是最生动的写照。只是在 基础模型 层技术路线的选择上，似乎 VLM、VLA与世界模型三条路径 已经开始呈现 收敛之势 。
事实上， VLA模型突破了过去将视觉、语言、动作视为独立领域的局限，主流VLA模型成功率已趋于稳定，任务执行能力快速提升。而世界模型本质是对环境动态的预测性表征，可为VLA注入想象力，提供内嵌物理引擎，让AI能够提前模拟动作后果、验证计划可行性。
而纯反应式 VLA仅能根据当前观测映射动作，缺乏对未来的推理能力，长时程规划易翻车，世界模型是破局的核心。 这也使得 VLA与世界模型的融合成为主流之势。
但值得思考的是， 面向 物理 AI的 模型，到底应该是什么样子？
答案或许既不在技术路线，也不在发布会的演示视频里， 而在真实场景的需求 中。它的核心评价标准，从来不是 “生成的世界够不够逼真”，而是“能不能帮机器更好地在物理世界里行动”，能不能降低试错成本、能不能提升泛化能力、能不能嵌入真实的业务闭环……
物理AI不缺“手”
缺的是看懂物理世界
当行业热衷于讨论 VLA与世界模型的路线之争时，一个更根本的问题被忽略了——对于绝大多数物理终端设备而言，真正缺失的不是“灵巧的操作”或是“对未来的预测”，而是“对空间的基本理解”。
曾有机器人在厨房 “翻车”的视频在社交平台引发热议。视频中，一台人形机器人不仅打翻沙拉碗、酱汁飞溅，甚至失控摔倒在地。然而这并非孤例，从会空翻、能跳舞的炫技表演，到连叠衣服、收拾桌子都做不好的真实表现，“翻车”正在从个别现象变成行业普遍困境。
现象背后的逻辑很简单，舞台上的流畅动作，都是预设编排、反复调试的结果，环境绝对可控；而家庭场景充满随机变数，杂物摆放、突发动静等不确定因素，都是机器人的技术难题。其根源，在于 AI对物理空间的理解力远远跟不上硬件的能力。
物理 AI并非与绝大多数人第一反应的人形机器人、自动驾驶等单一细分赛道，而是能够全方位渗透物理世界的庞大产业生态，应用领域宽广，涵盖自主机器人、自动驾驶车辆、人机系统、工业自动化、可穿戴设备以及支持AI的医疗和农业系统。这里面还包含 摄像头、无人机、机器狗、巡检设备、工业终端、 AI眼镜等大量具备视觉能力的终端。
这一现状已引发 全球 AI巨头 关注，如 Meta发布 的 Segment Anything Model 3 、 Google 发布的 Gemma 4和Vision Banana 、 英伟达 Jim Fan提出的Vision-FIrst模型 ，这些模型 虽然技术路线不同，但 都指向一个共同的愿景：构建真正的通用视觉能力。
实际上， 对于固定环境、固定坐标、标准化指令，只要求上万次重复动作零偏差 的工业场景而言，传统物理 AI已足以应付，但无规则杂物、随机指令、上万次场景各不相同的场景而言， 真正缺少的不是灵巧手，而是持续感知、空间理解、精准定位和自主导航能力。
比如，机器狗不需要灵巧手，它需要的是在开放空间中自主导航；无人机同样不需要 “手”，它需要的是在无GPS环境下持续视觉定位；AI眼镜不需要抓取物体，它需要的是精准的空间定位和实时环境理解；工业巡检终端不需要仿人形态，它需要的是在复杂环境中稳定感知和自主决策……
当前主流的 VLA（视觉—语言—动作模型）和世界模型技术路线，恰恰在“空间理解”这个维度上存在共同的盲区。VLA把VLM当主干，动作仅作为“头”附加其后，语言部分吃掉90%以上算力与数据，动作部分长期欠训练。世界模型试图弥补这一缺陷，通过预测物理世界的下一个状态来建立对物理规律的理解。但目前的瓶颈同样尖锐：高质量数据缺乏，远低于大模型所需规模。
翻车的本质，不是机器人不够 “聪明”，而是它 还 “看不懂”它所在 这个 连续、复杂且充满不确定性的 物理 世界。
这正是 Om AI联汇过去五年里走了一条与主流不同的路。它没有追逐当时最热门的“灵巧操作”方向，而是回到了物理AI最基础的问题：如何让AI先“看懂”物理世界，再谈其他。其于6月27日—29日发布的 VLX-Flow、 VLX -Seek、VLX-Go 系列模型， 从物理 AI最基础、最通用的视觉能力切入，提出了流式多模态的新思路 。
具体而言， VLX-Flow解决“持续感知”问题，其让AI像人一样持续观察，而不是被动等提问。传统视频理解是“截一帧、问一次、答一次”——AI看视频就像翻连环画，每一页都要重新翻开、重新阅读。Flow通过Linear Attention和双层记忆（视觉缓存+文本carryover），让视频流“像水流一样持续进入模型”，AI自己一直在看、一直在记。