首页过去两年，AI Agent 的能力边界不断扩大。它可以搜索网页、调用 API、写代码、操作浏览器，也可以把一个复杂目标拆成多个步骤，再依次调用不同工具完成任务。相比只负责“回答问题”的聊天机器人，Agent 最大的变化，是 AI 开始具备自主规划和执行任务的能力。
但今天绝大多数 Agent 的活动范围，仍然停留在数字世界。让 Agent 订一张机票，即使执行失败，最多重新调用一次接口；让机器人端起一杯热水，如果判断错误，杯子可能摔碎，甚至伤到人。当 AI Agent 从电脑屏幕里走出来，获得摄像头、麦克风、机械臂、轮子甚至完整的人形身体以后，问题开始发生根本变化。
这正是 Physical AI 正在尝试解决的问题。
一. AI Agent 已经会“做事”，为什么还需要 Physical AI？
传统大模型主要完成的是：
输入信息 → 理解和推理 → 输出信息
AI Agent 在此基础上增加了一个关键环节——行动。
例如，一个旅行 Agent 接收到：
“帮我安排下周去上海的两天行程。”
它可以自行完成搜索交通信息、查找酒店、比较价格、调用地图、生成行程，甚至调用外部服务完成预订。
但这些行动的对象，本质上仍然是软件、网页、数据库和 API。
Physical AI 则把类似的智能带到了真实世界。AI 不再只操作数字工具，而开始感知环境、理解人的意图，并控制机器人、无人机、汽车或其他智能设备完成真实动作。
因此，可以用一个简单的变化理解二者：
AI Agent：
感知数字信息 → 理解与推理 → 规划任务 → 调用软件工具 → 数字世界发生变化
Physical AI：
感知真实环境 → 理解与推理 → 规划任务 → 控制物理设备 → 真实世界发生变化
前者可能点击一个按钮，后者可能真的推开一扇门。
这一步看起来只是给 Agent 增加了机械臂、摄像头和传感器，背后实际上意味着整套 AI 系统都必须重新设计。
二. “拥有身体”，改变了 Agent 的什么？
1. Agent 面对的不再是确定的 API，而是不断变化的真实世界
软件 Agent 调用天气 API 时，接口是什么、参数是什么、返回值是什么，都有明确规则。
物理世界没有这么标准。
让机器人执行“把桌子上的杯子拿给我”，短短一句话，背后可能包含几十个判断：
- 哪个是杯子？
- 人在哪里？
- 桌子与机器人的距离是多少？
- 机械臂能不能够到？
- 杯子里有没有液体？
- 旁边有没有障碍物？
- 抓取过程中如果有人突然靠近怎么办？
机器人面对的是噪声、遮挡、光线变化、物体运动、网络延迟，以及不断出现的未知情况。
因此，Physical AI 并不是简单的：
Agent + Robot
而是一套持续运行的闭环系统：
Perception → Reasoning → Planning → Action → Feedback
2. AI 的输出开始真正改变现实世界
数字 Agent 输出错误，通常还有重新生成、重新调用接口或者人工修改的机会。
但机器人执行一次错误动作，结果可能无法简单“撤销”。
例如，机械臂抓错物体、无人机判断错方向、服务机器人碰撞行人，这些都意味着 Physical AI 对可靠性和安全性的要求，要明显高于普通软件 Agent。
这也是 Physical AI 和传统生成式 AI 之间最重要的区别之一：AI 的输出第一次大规模从“信息”变成了“动作”。
三. AI Agent 的 Tools，正在变成机器人的 Skills
理解 Physical AI，一个很有意思的角度，是比较 Agent Tool 和 Robot Skill。
软件 Agent 可以拥有这样的工具：
search_web()、send_email()、query_database()、create_calendar_event()
Physical AI Agent 对应的能力则可能变成：
move_to()、pick_object()、open_door()、inspect_area()、capture_video()、stop()
两者的逻辑其实很相似：
模型负责理解任务和规划，具体工具或者 Skill 负责执行。
但区别在于，物理动作不能完全相信大模型。
比如模型决定“拿起桌上的杯子”，系统还需要确认：
- 机械臂是否处于可执行状态；
- 目标物体是否仍在原来的位置；
- 抓取路径是否安全；
- 当前任务是否被用户取消；
- 执行过程中是否出现新的障碍物。
因此，Physical AI 通常需要在大模型规划和真实动作之间增加更加确定性的控制、验证与安全机制。
可以把它理解为：
模型可以负责“想”，但模型的想法不能未经验证就直接变成物理动作。
因为软件世界允许 Undo，而物理世界很多时候没有。
四. 从“理解语言”到“理解身体”
软件 Agent 首先需要知道自己有哪些 API。
Physical Agent 还必须知道：自己的身体能做什么。
这就是 Physical AI 中非常重要的 Embodiment（具身）。
同一句“帮我把箱子搬过去”，对于轮式服务机器人、机械臂、人形机器人和无人机而言，是完全不同的任务。
机器人的身体条件，包括：
- 身高和尺寸；
- 机械臂长度；
- 关节自由度；
- 负载能力；
- 摄像头和传感器位置；
- 移动方式；
- 剩余电量。
这些都会直接决定机器人可以采取什么动作。
因此，Physical AI 的智能并不完全存在于“大模型”里。
身体本身，也是整个智能系统的一部分。
这也是为什么同一个大模型，并不能简单安装在任何机器人上，就立即获得完全一致的能力。
五. Agent 有了身体，还必须学会“实时反应”
这里是数字 Agent 和 Physical AI 之间另一个容易被忽视的区别。
聊天 Agent 思考两三秒，用户通常还能接受。
但一个正在移动、抓取或靠近人的机器人，没有这样的余地。
比如机器人正在伸手拿东西，用户突然说：
“等等，别拿那个。”
系统必须迅速完成：
听到用户说话 → 判断用户正在打断 → 理解新的意图 → 中止原有任务 → 停止或修改动作
如果机器人仍然按照几秒前生成好的计划继续执行，所谓的“智能”反而可能带来风险。
因此 Physical AI 需要的不只是 Intelligence，还需要 Real-time Intelligence。
这也意味着，Physical AI 最终会涉及大量过去属于机器人、实时通信和语音交互领域的问题：
- 实时音视频；
- VAD 与 Turn Detection；
- 回声消除与环境降噪；
- 多模态实时感知；
- 低延迟网络；
- 弱网传输；
- 实时状态同步。
对于一个真正与人共同生活或工作的机器人而言，“能不能及时听到你、理解你并停止动作”，与“模型聪不聪明”同样重要。
六. 从 Voice Agent 到可以行动的 Physical Agent
语音很可能成为连接 Agentic AI 和 Physical AI 的重要接口。
今天的 Voice Agent 已经可以完成：
用户说话 → 理解意图 → 调用工具 → 完成数字任务 → 语音反馈
当同样的系统连接机器人以后，“Tool Calling”的对象开始发生变化：
用户说话 → 理解意图 → 任务规划 → 调用 Robot Skill → 机器人执行动作 → 持续感知环境 → 根据反馈调整动作
例如，用户说：
“去厨房帮我看看水是不是烧开了。”
机器人需要同时完成：
语音理解 → 导航 → 视觉感知 → 状态判断 → 信息反馈
如果用户途中又补充一句：
“顺便把灯关掉。”
Agent 还需要根据新的语音指令动态修改任务。
这已经不是传统意义上的“语音助手”，而是一个真正拥有感知和行动能力的 Physical Agent。
一个明显的变化正在发生：
过去，AI 调用的是软件；现在，AI 开始调用机器。
七. Physical AI 比数字 Agent 更需要“人在回路”
AI Agent 经常讨论 Human in the Loop。
到了 Physical AI，这件事的重要性只会更高。
未来真正可落地的 Physical AI，很可能并不是“AI 完全自主、人类彻底退出”，而更可能是一套分层系统：
AI 自主完成常规任务 → 遇到不确定情况请求确认或降级处理 → 复杂或危险情况由人类远程接管
由此，Teleoperation（远程操作）也不会因为 AI 更强就立刻消失。
相反，它可能成为 Physical AI 的重要安全兜底层。
尤其是在无人机、巡检机器人、服务机器人等运行于开放环境中的设备上，机器人既需要自主决策，也需要在必要时把实时视频、音频和设备状态传给远程人员，并接受人的即时干预。
这时候，AI 和 RTC 并不是替代关系。
一个负责提高自主性，一个负责保证人与机器之间始终存在可靠的实时连接。
八. Physical AI 的技术栈正在重新组合
从 Chatbot 到 AI Agent，再到 Physical AI，背后的技术栈也在发生明显变化。
1. 感知层：让 AI 看见、听见真实世界
Physical AI 需要通过摄像头、麦克风、深度传感器、LiDAR、IMU、触觉传感器等设备持续获取真实环境信息。
2. 模型层：从理解世界走向预测世界
除了 LLM 和多模态模型，VLA、World Model、机器人基础模型等技术正在成为 Physical AI 的重要组成部分。
它们解决的不只是“这里有什么”，还包括“下一步应该做什么”以及“做完以后会发生什么”。
3. 交互层：人与机器进行实时沟通
对于家庭机器人、服务机器人、AI 玩具等产品，人类不会只通过键盘向机器输入指令。
语音、视觉、动作和环境信息会共同形成新的多模态交互方式。
4. 通信层：连接设备、边缘和云端 AI
Physical AI 并不意味着所有模型都必须运行在本地。
在很多实际系统中，一部分低延迟和安全关键任务运行在设备端，更复杂的推理、理解和长期记忆则可能运行在边缘节点或云端。
因此，Physical AI 还需要稳定的实时通信链路，在设备、边缘计算节点和云端 AI 之间持续传输音频、视频、控制数据和状态信息。
5. 执行层：真正改变物理世界
最终，模型的决策还需要通过机械臂、电机、轮式底盘、无人机飞控等执行系统转化为真实动作。
至此，一个完整的 Physical AI 闭环才真正形成：
感知 → 理解 → 预测 → 规划 → 通信 → 行动 → 反馈
九. 哪些设备正在成为 Physical AI 的载体？
Physical AI 并不只等于人形机器人。
只要 AI 能持续感知真实环境，并根据环境变化自主采取物理行动，都可以成为 Physical AI 的潜在载体。
1. 人形机器人与服务机器人
这是目前最受关注的 Physical AI 形态。机器人需要同时完成视觉理解、语言交互、移动、抓取、任务规划和实时反馈。
2. 无人机
无人机天然具备感知、空间运动、实时控制和远程通信能力。随着多模态模型和自主 Agent 能力加入，无人机正在从“远程控制设备”进一步向自主智能体发展。
3. 智能汽车
汽车同时拥有大量传感器、计算单元和执行系统。从智能座舱、Voice Agent 到自动驾驶，汽车本身正在成为一个大型 Physical AI 终端。
4. 家庭与消费级智能硬件
AI 玩具、陪伴机器人、家庭机器人、智能摄像设备等产品，也正在从过去的“联网设备”升级为能够理解环境和主动响应用户的 Physical AI 终端。
这意味着，Physical AI 的落地不会只发生在机器人实验室，也会逐步进入家庭、汽车、工厂、仓库和城市空间。
十. 从 Agentic AI 到 Physical AI，真正改变的是 AI 的责任边界
过去我们评价一个大模型，经常关注：
- 回答是否准确；
- 推理是否正确；
- Coding 能力如何；
- Tool Calling 是否成功。
Physical AI 出现之后，评价标准必须增加新的维度：
- 它有没有正确理解真实环境？
- 它能不能预测动作的后果？
- 突发情况出现时能否及时调整？
- 人类打断时能否立即响应？
- 网络发生波动时系统是否还能安全工作？
- 模型犯错以后，系统有没有阻止错误真正发生？
因为当 Agent 只有一个聊天框时，一次幻觉可能只是一个错误答案。
当 Agent 拥有机械臂、轮子、无人机甚至汽车以后，模型的一个错误判断，就可能成为真实世界中的一个错误动作。
这也是 Physical AI 与今天 AI Agent 最大的分水岭。
AI 正在经历一条越来越清晰的演进路线：
Chatbot：会回答
↓
Copilot：会辅助
↓
AI Agent：会规划、会调用工具
↓
Physical AI：会感知、会规划、会真实行动
而最后一步，远比给 Agent 接上一台机器人复杂。
它要求 AI 真正学会处理一个连续变化、不可预测，而且不能随意“重新生成”的真实世界。
当 Agent 真正拥有“身体”之后，AI 面对的也不再只是“下一个 Token 应该是什么”。而是下一步行动，真实世界会发生什么？这或许才是 Physical AI 带来的真正变化。
