高管简报 — Physical AI，做什么与等什么¶
最终更新: 2026-07 · owner: Youngjin · volatility: 中 ← 返回 index
L0 TL;DR：机器人遇上基础模型，产业正处于拐点。但是，现在该投资的与该观望的并不相同。本页不加渲染地给出这一区分 —— 5 分钟。
① 为什么是现在¶
已经积累了三个验证信号。第一，Agility Digit 在 GXO 物流现场以多年 RaaS 合同付费运行，截至 2025-11 累计运行超过 6.5 万小时并经客户交叉确认 —— 是迄今验证最充分的付费人形机器人作业。第二，Figure 02 在 BMW 产线跑了验证试点（而 Figure 03 的"8 小时自主轮班"只是 CEO 的推文，没有独立验证）。第三，Physical Intelligence π0 等开放基础模型以 Apache-2.0 发布，可用于商业微调。不过，人形机器人的独立第三方自主性审计目前尚无先例（pillar-4），因此大规模部署的前景仍是观察对象，仅以厂商与客户 PR 为依据。
② 对我们产业意味着什么¶
制造：把开放 VLA 模型针对自家任务微调的路径已经打开。现实的做法不是从零训练，而是用少量真实演示学习特定工序（pillar-2）。 物流：以移动（步行）为基础的机器人已经部署到付费商业现场。相反，精密操作（manipulation）仍处于研究·预览阶段，因此任务范围必须收窄（pillar-4）。 汽车：把在仿真中大规模训练的策略迁移到实机的训练管道已经成熟。云端 GPU 上的并行仿真降低了进入门槛（pillar-3）。
③ 什么是真实的，什么是夸大¶
| 判断 | 含义 | 代表领域 |
|---|---|---|
| 🟢 现在投资 | 已验证的基础能力 | 机器人数据管道 · 仿真基础设施 · 合成数据 |
| 🟡 快了（12~24 个月） | 值得试点 | VLA 微调能力 · 边缘推理栈 · 智能体编排 |
| ⚪ 还没到 | 观察对象 | 人形机器人大规模落地 · 完全自主轮班 |
这一区分并非随意。🟢 是因为数据管道·合成数据（pillar-1）与仿真基础设施（pillar-3）已 GA，可用于生产环境。🟡 反映 VLA 微调虽已 GA 但公开实例不足（pillar-2），且边缘·智能体（pillar-5）尚处验证初期。⚪ 来自这样的判定：Optimus·Figure 03 等人形机器人的大规模落地仍停留在演示·路线图阶段（radar）。这一判定并非下一次就此了结，而是由每周扫描的常态验证体系（radar）通过升级·降级持续更新。
④ 那么先做什么¶
诚实的答案是"从数据开始"。机器人学习的瓶颈不是模型而是数据，实战配方几乎总是 开放数据集预训练 → 合成数据增强 → 少量真实演示微调 的三段混合（pillar-1）。顺序定为三步。（1）先搭好数据管道以积累资产，（2）用仿真 PoC 获取低成本·高多样性数据，（3）在此之上以窄任务验证 VLA 微调试点。LoRA 微调用一张 GPU 即可完成，因此试点进入成本很低（pillar-2）。
⑤ 为什么与 AWS 合作¶
三条已验证的事实就够了。第一，有一篇 AWS 官方博客案例在 Isaac Lab + SageMaker HyperPod 上训练了 Unitree H1 人形机器人 RL（明确指出这是 RL 移动而非 VLA）（pillar-2）。第二，Amazon Bedrock AgentCore 在首尔区域获得完整支持并已 GA，因此可以在无需担心数据驻留的情况下承载智能体编排（pillar-5）。第三，π0（Apache-2.0）·OpenVLA（MIT）等开放模型可以自托管，无厂商锁定地自由使用（pillar-2）。
如果要启动评估¶
1 天架构工作坊：建议对贵司数据资产做诊断，并把上面的判断矩阵套用到贵司情况。请通过对接的 AWS SA 或 GitHub 联系。
深入了解：技术指南 · P1 数据 · P3 仿真 · 决策树
owner: Youngjin · updated: 2026-07 · volatility: 中（判断矩阵在 radar 升级·降级时更新）