数字仿真网

“随着GPT-6的发布，目前物理AI已经看到被击穿的苗头，很可能最近1-2年或2-3年。”10月23日，在2026世界物理AI大会暨宇树合作伙伴生态大会上，宇树科技创始人王兴兴的这番判断迅速点燃市场情绪——当日早盘物理AI概念局部回暖，天娱数科直线涨停，能科科技、凡拓数创、鼎捷数智、达实智能等纷纷冲高。一位头部具身智能企业创始人的时间表，正在为物理AI产业注入新的预期。本文从数字仿真行业观察者视角，解读这一判断的技术内涵、核心瓶颈与产业机遇。

一、事件：王兴兴抛出“1-3年”产业化时间表

2026年10月23日，2026世界物理AI大会暨宇树合作伙伴生态大会在南京举行。在这场汇聚了具身智能、机器人、世界模型与仿真技术领域头部企业的行业盛会上，宇树科技创始人王兴兴给出了一个引发广泛关注的时间表判断：物理AI“被击穿的苗头”已经出现，产业化突破很可能发生在最近1-2年，或最长2-3年内。

这一判断的直接触发因素是GPT-6的发布。王兴兴将大模型能力的跃迁与物理AI的临界点直接关联，认为基础大模型在理解、推理与多模态能力上的突破，正在为物理AI的规模化落地铺平道路。这并非孤立的技术乐观主义——就在同一周举行的南京物理AI与世界模型大会上，“从会说走向会做”已成为业界共识。

资本市场对这一判断的反应同样直接。大会当日早盘，物理AI概念股集体异动：天娱数科直线涨停，能科科技、凡拓数创、鼎捷数智、达实智能等纷纷冲高。二级市场的快速响应，表明投资者正在重新评估物理AI赛道的时间窗口——从“远景叙事”切换到“倒计时推进”，产业预期正在发生质变。

二、技术解读：物理AI为何逼近临界点

理解王兴兴判断的产业背景，需要先厘清一个基本事实：大模型在数字空间的能力已达“好用”阈值，而物理AI——即让AI理解、预测并作用于真实物理世界——正处于从实验室验证走向规模落地的转换期。这一转换期的核心特征，是数字世界与物理世界之间的能力差距正在快速收窄。

从技术演进路径看，物理AI的突破依赖三层能力的协同推进：最上层是大模型的认知与推理能力，GPT-6等基础模型在语义理解、任务规划与多模态融合上的跃迁，为机器人提供了“大脑”；中间层是世界模型，负责对物理状态演化进行预测与建模，让AI能够“想象”行动的后果；最底层则是仿真底座与机器人本体，承担着策略训练与物理执行的关键职责。如图1所示，这四层能力环环相扣，任何一层的突破都会向上下游传导。

 图1  物理AI技术栈分层架构 

王兴兴判断的关键在于，GPT-6发布后，最上层的“大脑”能力已经达到了可以驱动物理世界的门槛。过去，大模型在数字空间中的对话、写作、代码生成能力令人印象深刻，但一旦涉及“拿起一个杯子”“在不平地面上行走”这类物理操作，模型就显得力不从心。而现在，随着多模态理解与具身推理能力的提升，大模型正在从“纸上谈兵”走向“实战演练”。

这一趋势在南京物理AI与世界模型大会上得到了充分印证。多家机构发布的成果显示，预测式世界模型强调“理解物理状态演化”，工业世界模型生成器追求仿真“算得准”，中科院系具身大模型更是登顶了MetaWorld测评榜单。业界正从模型架构、数据供给、仿真底座三个方向同时逼近“AI理解物理世界”这一终极目标。

三、核心瓶颈：Sim2Real鸿沟与对齐挑战

尽管前景乐观，王兴兴也明确指出了具身智能迈过ChatGPT时刻的最核心挑战——“AI模型的输入输出和真实机器人的对齐”。这一判断直指物理AI落地的工程痛点：模型在数字世界学到的策略，如何高保真地迁移到真实机器人本体？这就是行业常说的Sim2Real（仿真到实机）鸿沟。

Sim2Real鸿沟的具体表现是多维度的。首先是传感器噪声——仿真环境中传感器输出是“干净”的，而真实世界的相机、激光雷达、力传感器都伴随着各种各样的噪声与漂移。其次是执行器误差——仿真中关节电机可以完美执行指令，而真实机器人的减速器、驱动器存在精度损失与延迟。第三是动态环境干扰——仿真世界通常是“可控”的，而真实世界充满了不可预见的扰动：地面打滑、物体形变、人际交互……这些因素都会在“从仿真到实机”的跨越中放大不确定性。

 图2  Sim2Real迁移路径与核心鸿沟 

解决对齐问题，恰恰依赖高质量仿真、世界模型与物理引擎构建的“数字试验场”。其基本逻辑是：先在虚拟空间完成海量的推演与策略训练，通过域随机化（Domain Randomization）等技术让模型“见过”各种可能的物理扰动，再以对齐后的模型驱动真实机器人。图2展示了这一迁移路径：从高保真仿真环境出发，经过大规模策略训练、域随机化扰动与对齐校准，最终落地到真实机器人。

这意味着，仿真不再只是“验证工具”，而是物理AI的“训练车间”。谁的仿真环境保真度更高、物理引擎更精确、域随机化更充分，谁训练出的机器人策略就更有可能在真实世界中成功迁移。从这个角度看，仿真底座的能力，直接决定了物理AI产业化的速度与质量。

四、数字仿真网观察：仿真底座是物理AI的“数字试验场”

作为数字仿真行业的观察者，数字仿真网（cdsnet.com.cn）长期关注仿真技术在工业、科研与新兴领域的应用演进。王兴兴的判断，从侧面验证了我们的一个核心观察：仿真技术正在从“工程辅助工具”升级为“智能时代的基础设施”。以下从四个维度分享我们的行业观察。

观察一：世界模型正在成为物理AI的新基础设施

过去两年，“世界模型”（World Model）从一个学术概念迅速演变为产业热点。其核心逻辑是：AI要在物理世界中做出正确决策，必须先“理解”物理世界的运行规律——物体如何运动、力如何作用、环境如何演化。预测式世界模型通过学习物理状态的演化规律，让AI能够在“想象”中完成推演，而不必每一次都在真实世界中试错。

数字仿真网观察到，工业界对世界模型的需求正在从“演示性”走向“生产性”。以工业世界模型生成器为例，其追求的目标是仿真“算得准”——不仅要模拟视觉外观，更要准确复现物理交互。这种“算得准”的要求，与传统工程仿真对精度的追求一脉相承，只是应用对象从产品设计转向了智能体训练。

观察二：Sim2Real从“可选项”变为“必选项”

在具身智能发展的早期阶段，不少企业尝试直接在真实机器人上进行强化学习训练。但很快发现，真实世界的试错成本极高——机器人损坏、安全风险、训练效率低下等问题，让纯实机训练几乎不可行。于是，“仿真训练+实机微调”成为行业主流范式。

这一转变的深层含义是：高保真数字孪生环境，正在成为机器人策略训练的“标配”而非“选配”。一家具身智能企业的仿真能力，已经从“加分项”变成了“入场券”。数字仿真网接触到的多家头部具身智能企业，均在仿真基础设施上投入了大量资源——从物理引擎自研到大规模并行仿真集群，从传感器仿真到接触动力学建模，仿真的深度与广度都在快速提升。

观察三：国产仿真软件的机遇窗口正在打开

物理AI对仿真底座的需求爆发，对国产工业仿真软件而言是一个重要的机遇窗口。长期以来，在工程仿真领域，国外商业软件占据主导地位。但物理AI带来的仿真需求，与传统工程仿真既有联系又有区别——它不仅需要高精度的物理求解，更需要大规模并行、实时渲染、传感器仿真与域随机化等新能力。

以FEPG等国产工业仿真平台为例，其在多物理场耦合求解、有限元方法等领域的深厚积累，可以向具身智能仿真方向迁移。物理AI对仿真的“新需求”，在某种程度上为国产软件提供了“换道超车”的可能性——不必在传统工程仿真的存量市场上与国外品牌正面竞争，而是在物理AI这一增量赛道上，凭借对国内产业需求的理解与快速响应能力，建立新的优势。

观察四：数据供给与仿真保真度的双向驱动

高质量仿真数据，是具身大模型的“燃料”。而仿真数据的质量，取决于物理引擎的保真度。这形成了一个正向循环：物理引擎精度的每一次提升，都能生成更高质量的训练数据；更高质量的数据，又能训练出更好的世界模型与机器人策略；而更好的策略，反过来对仿真保真度提出更高要求。

 图3  物理AI产业生态：技术、资本与应用的三维共振 

如图3所示，物理AI的产业化落地，是技术驱动、资本共振与应用牵引三大力量共同作用的结果。而在这三大力量的交汇点上，仿真底座、世界模型与数据供给构成了“数字试验场”的三要素——它们既是技术突破的载体，也是资本追捧的热点，更是应用落地的前提。数字仿真网判断，未来1-3年，这“三要素”将成为物理AI赛道竞争的核心战场。

五、产业信号：共识加速与资本共振

王兴兴的观点并非孤例。本周南京物理AI与世界模型大会上，多家机构发布了世界模型与具身智能成果：预测式世界模型强调“理解物理状态演化”，工业世界模型生成器追求仿真“算得准”，中科院系具身大模型登顶MetaWorld测评榜单。这些成果共同指向一个判断：业界正从模型架构、数据供给、仿真底座三个方向同时逼近“AI理解物理世界”这一目标。

二级市场的反应，则显示资本对这一时间表的认可正在升温。从王兴兴表态当日的概念股表现来看，市场已经开始为“物理AI倒计时”定价。值得注意的是，这一轮异动并非单纯的概念炒作——当头部企业创始人公开给出“1-2年或2-3年”的产业化预期，当顶级研究机构的成果不断突破，当仿真底座的技术路线日益清晰，物理AI的叙事正在从“远景描绘”切换为“倒计时推进”。

对齐问题成为众矢之的，意味着仿真与世界模型的价值将被进一步放大。这不仅对具身智能企业是重要信号，对整个仿真行业——包括物理引擎开发商、数字孪生平台、仿真集群服务商、多物理场求解器厂商——都意味着新的市场空间正在打开。

结语：从“倒计时”到“新基建”

当头部企业创始人公开给出“1-2年或2-3年”的产业化预期，物理AI的叙事正从“远景描绘”切换为“倒计时推进”。这一转变的意义，不亚于当年大模型从“实验室 demo”走向“ChatGPT时刻”。

对数字仿真行业而言，这是一个历史性的机遇。仿真不再只是工程师手中的设计工具，而是物理AI时代的“新基建”——它训练智能体、验证策略、弥合数字与物理的鸿沟。谁能提供高保真、可复现的物理仿真底座，谁就握住了物理AI从数字走向现实的关键钥匙。

数字仿真网将持续关注物理AI与世界模型的技术演进、产业动态与生态构建，为行业读者提供及时、深度的观察与解读。当“被击穿的苗头”已经出现，真正的产业突破，也许就在不远的将来。