在CNCC 2026首日面向博士生与青年学者的Tutorial专题论坛上，上海交通大学计算机学院教授、上海人工智能实验室物理智能中心负责人张伟楠发表题为《物理智能及关键技术概述》的演讲，系统梳理了物理智能的概念边界、技术层次与推进路径。同日，上海人工智能实验室物理智能团队发布专著Physical AI: Concepts, Techniques, and Challenges，对物理智能的基本概念、关键技术与发展挑战进行系统梳理，预印本已在arXiv公开。
张伟楠指出，当前大语言模型与智能体的能力大多仍发生在屏幕之内，数字智能虽然繁荣，但与物理环境的耦合程度有限。他以“与物理世界的耦合程度”为轴线划分出发展路径：从数字AI工具，到仿真环境中的智能体，再到真实环境中的单智能体与多智能体协作，继而走向基础设施级别的物理智能，最终形成广域、泛在的物理智能服务。数字AI在这一维度上仍处于早期起点。
物理世界带来三类本质困难：一是不确定性下的后果性交互，网页操作可以刷新，机器人碰撞与无人车事故却无法一键撤销；二是对演化中物理状态的感知始终是局部的，建模需承认部分可观测性；三是学习与泛化受物理结构约束，模型需从观测与交互中将物理结构编码到内部，实现分布外泛化。
张伟楠认为，推进物理智能的五个条件正在成熟：基础模型为强化学习提供有效起点，世界模型让智能体在行动前预演后果，强化学习与高吞吐仿真支撑多轮交互与策略优化，虚实差距逐步缩小使仿真数据与真实数据更易融合，硬件与试错成本下降让本体制造和实验迭代更可行。
在定义上，物理智能指人工系统感知物理环境状态、维持任务相关的物理关系与动作后果表征、通过物理接口选择并执行干预，并在物理、运行和计算约束下利用反馈达成目标的能力。其核心含义包括物理接地、明确的干预通道、基于反馈的效果判断，以及将理解、预测、规划、执行与适应连接起来的证据支持。张伟楠表示，物理智能的研究范围广于具身智能：具身智能侧重智能体及其身体，物理智能侧重整个系统能否形成感知、决策与物理后果之间的闭环，智能制造系统、无人矿山调度系统，以及DeepMind利用深度强化学习控制托卡马克装置等离子体位形，均可视为物理智能的载体。
围绕上述问题，张伟楠梳理了从硬件与系统、数据与仿真，到感知、世界模型、操作与运动控制，再到物理智能体和行业应用的七层技术栈。他强调，各层均有已有成果，真正困难的部分在于层与层之间的衔接，以及能否将感知、决策、执行和反馈连接成可靠整体。模型训练完成后的真实世界持续学习同样关键。演讲同时提出，当AI开始参与生产、实验乃至更大尺度的物理建设，评测与安全机制需同步建立，使能力增长转化为可靠的现实价值。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
