2025 阿里云栖大会上 阿里巴巴正式宣布与英伟达开展Physical AI 合作

阿里巴巴宣布与英伟达开展 Physical AI 合作，Physical AI，直译“物理人工智能”，听起来像又把旧概念装进新瓶子。可这一次，双方把“瓶子”也换成了实体：从数据合成、模型训练，到环境仿真、强化学习，再到最后的模型验证，整条链路不再满足于“云端跑分”，而是逼着 AI 去磕物理世界的硬核。简单说，算法不仅要看得懂图片，还要搬得动箱子、开得了卡车、应付得了真实世界的摩擦、重力、风和雨。

先把“虚”做成“实”——数据不再是美图，而是“带重力”的素材

今天的人工智能，99%时间在“P图”：把猫换成狗、把白天换成夜晚。Physical AI 的第一步，就是给数据加上重力、惯性和碰撞体积。阿里与英伟达的合作里，数据合成环节用上 Omniverse 的 RTX 实时光追，合成一张“仓库图”不再只是背景板，而是带有摩擦系数、重心坐标的 3D 场景。说得通俗点，以前的 AI 看到的是一个“平面世界”，现在它面对的是“可以绊脚的地球”。这一步，决定了算法从“识别”走向“操作”。

再把“实”搬进“虚”——仿真环境成为“无限试错场”

真实世界试错成本极高：自动驾驶撞一次就是百万损失，机器人摔一跤可能废掉一条机械臂。合作双方的做法是：把真实物理定律搬进仿真器，让 AI 先在游戏里“死个几百次”。英伟达的 Isaac Sim 提供重力、风力、甚至不同地面粗糙度，阿里在此之上开放电商物流、仓储分拣等场景数据。于是，一台虚拟机械臂可以在 24 小时内完成现实里需要 6 个月的“抓取-摆放-跌落”训练。时间是仿真最大的筹码，也是 Physical AI 最性感的部分。

把“难”变成“商品”——模型验证不再只是“论文附表”

高校里的 AI 论文，验证环节往往几张图表就结束； Physical AI 却要真刀真枪上产线。合作双方设立了一条“混合验证流水线”：仿真通过的模型，先放进无锡的菜鸟无人仓跑一晚，再搬到安吉物流的真实重卡上跑一圈，最后回到云端做版本回传。模型表现全程记录在区块链，防止“实验室冠军、现场哑巴”。这一步，是把学术指标翻译成商业 KPI：拣货成功率、卡车节油比、故障停机时长，每一项都能折算成“真金白银”。当验证结果直接挂钩采购单，算法工程师就得在键盘里“磕”出物理定律。

把“贵”打成“便宜”——训练成本不再“烧卡”到心惊

Physical AI 的绊脚石，除了“难”，还有“贵”。一颗 RTX 4090 跑 Isaac Sim，一小时电费就得上百元；上千万次强化学习，烧卡成本轻松过百万。合作方案里，阿里把自研的“神龙”架构与英伟达 GPU 直通，训练任务可以“冷热分层”：高并发物理碰撞走本地卡，低并发回传云端，整体成本砍掉 40%。通俗讲，让“烧卡”变成“烤红薯”——热一圈，焖一圈，香味一样，炭火省一半。只有当成本降到“工厂能接受”，Physical AI 才不是巨头秀肌肉，而是中小企业也能点得起的“家常菜”。

把“远景”变成“近景”——谁先落地，谁就先定义赛道

Physical AI 的最大风险，是“概念太宏大，落地太遥远”。阿里与英伟达给出的时间表很现实：一年内，菜鸟无人仓先跑通“重力学”拣货模型；两年内，接入 10 条高速干线物流，实现重卡节油 8%；三年内，把训练平台开放给 100 家硬件厂商。目标拆解到“年”，颗粒度细到“场景”，避免了“愿景一箩筐，落地 nowhere”的尴尬。谁先让物理世界尝到算法甜头，谁就拥有定义赛道的权力。毕竟，标准都是“用”出来的，不是“写”出来的。

Physical AI 不是又一个“风口名词”，而是 AI 与实体世界之间的“最后 1 厘米”。阿里负责场景、数据、商业闭环，英伟达负责算力、工具链、物理引擎，双方各取所长，试图把这 1 厘米变成“可以量产的台阶”。