物理AI（Physical AI），也叫物理通用人工智能（Physical AGI），是让AI不仅理解语言、更能理解并操作物理世界的前沿方向。
今天的大模型能写文章、能编程、能做数学题，但它们全部能力都局限在屏幕之内——它们从没见过一个真实的杯子，不知道"拿起杯子"需要多大的力度、什么角度。物理AI要解决的就是这个问题：让AI获得对物理世界的理解力。
核心判断：物理AI首先是一个大模型问题，然后才是机器人问题。不能简单地给机器人装一个LLM就完事了——得从数据、模型架构、机器人本体三个层面系统性设计。
和数字AI的关键差异：数字AI（LLM）的学习对象是人类在数字世界的行为——文字、代码、图片。物理AI的学习对象是人类在物理世界的行为——怎么观察环境、怎么使用工具、怎么调整动作。两者的学习逻辑是一样的，只是换了一个"教室"。
行业整体处于非常早期的阶段。如果类比LLM的发展，大概相当于2018年GPT-1前后的状态——方向初步验证了，但离"通用"还有很长的路。
物理AI行业的发展大致会经历三个阶段——
第一阶段（VLA）：数千家公司各自探索，门槛相对低，技术路线分散。
第二阶段（混合模型）：规模持续收敛，开始出现体系化的模型架构和训练方法论。
第三阶段（统一原生基座模型）：深度沉淀到少数公司。判断一家公司是否进入第三梯队的标志有三个——是否具备规模化的数据范式、是否拥有全栈模型团队、是否建立了新一代存算一体的算力体系。
目前行业整体还处于第一阶段向第二阶段的过渡期。
主要玩家：国内深度机智（DeepCybo，走人类学习路线）、智元机器人（整机路线）；海外Physical Intelligence、Generalist AI、NVIDIA等。