物理AI：概念、技术与挑战
arXiv 发布编号 2610.27045v1 的交叉领域专著，试图为物理AI给出统一定义：在现实约束下通过持续反馈感知、建模并作用于物理世界的人工系统，并将其与数字AI、具身AI、信息物理系统、数字孪生区分。专著梳理多模态感知、物理数据与仿真、世界模型、具身基础模型、运动控制、多智能体协同、软硬件协同设计等方法，覆盖机器人、制造、基础设施、科学实验与自主服务应用，重点讨论sim-to-real迁移、可靠性、实时执行、评估、安全与治理，并提出从狭窄自动化走向Physical AGI的研究方向。
发布于 10-22 10:56来源：arXiv cs.RO
转载 · 官方发布原文：arXiv cs.RO ·《Physical AI: Concepts, Techniques, and Challenges》查看原链
近年来，物理人工智能（physical AI）发展迅速，在学术界和产业界都受到广泛关注。 然而，该领域在其定义、技术版图和核心挑战上尚未达成共识。 为填补这一空白，本专著试图界定物理AI，呈现其技术版图，并深入考察各个关键技术子领域。 为此，它建立了一个统一的物理AI框架：在现实世界约束下，通过持续反馈来感知、建模并作用于物理世界的人工系统。
此外，本专著将物理AI与传统的数字AI、具身AI、信息物理系统和数字孪生区分开来。 它从物理、控制、认知、学习和推理等方面构建物理AI的基础。 它回顾了关键方法，包括多模态感知、物理数据与仿真、世界模型、具身基础模型、运动控制系统、多智能体协同以及软硬件协同设计。
此外，它还考察了跨越机器人、制造、基础设施、科学实验和自主服务的应用。 特别关注了仿真到现实的迁移、可靠性、实时执行、评估、安全、治理和长期部署。 通过将感知、预测、决策、行动和适应闭环连接起来，本专著识别了从狭窄自动化迈向更可泛化的物理AI、并最终实现物理通用人工智能（Physical AGI）所需的技术挑战和研究方向。