日本媒體人：美中AI競賽白熱化，通用模型正吊打專用數據，日本怎么辦？

近日，《日經Robotics》主編進藤智則（Tomonori Shindoh）在個人社交平臺上發文稱，日本國內圍繞“Physical AI”（具身AI/物理AI）的討論日益熱烈，出現了諸如“中美領先，日本真的沒問題嗎？”“日本的現場數據能否成為優勢？”“能否解決人手不足？”等聲音，但同時也存在混亂乃至相互矛盾的說法。為此，他在《日經Robotics》7月號上策劃并撰寫了大型特集《フィジカルAI 日本の処方箋》（Physical AI 日本的處方箋），從宏觀角度系統梳理了Physical AI的本質、日本應如何應對等問題，并采訪了多位相關人士。

進藤智則認為，物理AI并非簡單的“在物理空間運行的AI”，而是能夠生成機器人行動的基礎模型，其價值在于泛用性（可覆蓋多種任務、行業和國家）。美中已投入數千億日元搶占先機，而日本普遍存在“曾為機器人強國，如今是否安全”的危機感。他指出：物理AI是典型的高風險?高回報技術，開發資金需求巨大且不確定，即便技術突破后還需克服安全、量產、全球競爭等社會實裝障礙。

日本常流傳“現場數據是致勝關鍵”，但最新研究（如Meta FAIR）表明：通用數據比任務特化數據更能提升性能，特化數據只需1%便已足夠——通用模型正在打敗專用模型。日本并不缺資金（個人金融資產約2350萬億日元），缺的是將低回報資金轉化為風險投資的機制。政府已撥款3873億日元，但最理想的資金供給方應是初創企業生態系統。

以下是原文譯文：

「應如何應對和面對物理AI？」——在過去半年到一年左右的時間里，日本國內許多場合都掀起了這樣的討論。這個話題引發了包括以制造業為中心的大企業、AI及機器人技術人員/研究人員、行業團體、初創企業、行政部門等各方各面的關注，成為一個廣受矚目的議題。

美國和中國的物理AI初創企業，有的已籌集了高達數千億日元的資金，并投入包括GPU等計算資源在內的大量資源，全力推進開發（圖1）。在美中兩國在物理AI和人形機器人領域領跑的背景下，曾被譽為機器人強國的日本是否真的沒問題？物理AI能否依靠日本的現場數據成為致勝關鍵？物理AI本應成為緩解人手不足的對策？日本沒有美中那樣的資源，所以整個國家應該團結一致來戰斗？——各種觀點和意見層出不窮。

人們發現，以大規模語言模型為代表的生成AI技術，似乎也可以用于機器人的行動生成。人們期待著，生成AI領域在2022年發生的「ChatGPT時刻」是否也會在不久的將來發生在機器人領域？一旦機器人的大腦實現突破，將會給制造業為首的物理世界帶來巨大沖擊，或許將徹底改變產業的面貌。這是對未來物理AI的期待，也可以說是日本社會許多地方掀起討論的原因。

本刊從2015年創刊之初就以「機器人與AI的融合」（即現在的物理AI）為主題，積極解說和報道面向機器人的AI技術。本文將趁著物理AI討論的熱潮，從包括資金在內的宏觀視角，梳理日本應如何應對。我們不僅采訪了機器人和AI研究者，還采訪了支撐物理AI的各方利益相關者。

危機感蔓延

可以說，最近圍繞物理AI的討論，其背后都帶有一種「日本真的沒問題嗎？」的危機感。在過去一年里，身為主編的筆者也收到了不少來自各類企業和行業團體關于這一主題的討論邀請。盡管立場不同，但許多人共同的微妙感受是：「雖然感到危機，但卻苦于找不到有效的對策」。

首先，我們來大致梳理一下如何參與物理AI。不同的參與方式，對待物理AI的態度也會完全不同。大致可以分為兩類。

一類是作為「用戶」的立場，即希望在自己公司的業務中使用物理AI。例如，在制造業的工廠或服務業的現場，能否用新的物理AI來實現以往用非AI機器人技術難以自動化的作業和任務。另一類則是作為「供應商」的立場，即將物理AI作為自家產品/服務的一部分銷售給其他公司。這包括將物理AI嵌入機器人或各種機械設備后銷售（含硬件）的供應商；通過API等方式將物理AI作為服務提供的供應商；以及將物理AI作為模型或軟件棧提供給其他公司的供應商。

對于前者的用戶立場，可以說現階段操之過急地導入物理AI是不太合適的。正如本刊多次解說的，物理AI目前仍處于研究階段，存在諸多課題，并非馬上就能達到用戶視角下的實用水平。如上期介紹的物理AI初創公司——美國Generalist AI的「GEN-1」所示，物理AI確實正在使一些以往機器人技術不可能完成的作業變為可能，技術確實在進步。但研究層面的技術進步與能在用戶現場實際使用，完全是兩回事。

誠然，日本的人手不足問題很嚴重，但遺憾的是，問題嚴重并不意味著AI技術的基礎研究層面會突然出現突破。對于目前仍在研究層面存在課題的物理AI，即便嘗試在用戶現場進行測試，也只能實際感受到其與實用化之間的巨大差距，或摸索一下公司內部是否有勉強能用的業務。但單憑一家用戶公司的力量，是無法大幅提升物理AI作為產品的附加價值的。以大規模語言模型為例，即使在GPT-1時代，用戶企業反復進行GPT-1在其自身業務上的概念驗證（PoC），也無法將大規模語言模型的性能提升到實用水平，只能等待供應商方（美國OpenAI）自身的努力。

那么，作為物理AI的供應商，情況又如何呢？在這種情況下，需要充分認識到物理AI是一項極高風險、高回報的技術（圖2）。任何新技術的研究開發和業務開拓都有風險，但可以說物理AI的風險程度比通常的技術開發更高。

供應商致力于物理AI開發時，高風險來自兩個因素（圖3）。其一，雖然我們知道開發需要巨額投資，但沒人能準確知道這筆投資最終會膨脹到多大規模。首先，當前物理AI的核心技術群，大多源于大規模語言模型和圖像生成模型（擴散模型）等主流生成AI，在技術層面相當接近。長期（如數月）運行云上的GPU，嘗試各種超參數和條件，才能獲得合適的模型，這一點也是共通的。

既然與主流生成AI相近，或許有人認為開發所需投資額可以參考后者，但這并不準確。在物理AI領域，雖然我們知道盡可能多的學習數據更好，但需要收集什么類型的數據？收集多少？以什么比例、按什么課程和順序提供？關于有效學習方法的「配方」或正確答案，在物理AI領域尚不明確。這與已進入實用化階段的大規模語言模型等有著本質區別。

目前，物理AI使用的模型，考慮到在機器人上運行時的實時性和延遲，通常比主流生成AI模型規模更小（數十億到數百億參數）。僅看這一點，或許有人認為投資規模可以比主流生成AI少。但是，與處理文字等壓縮離散符號的大規模語言模型不同，物理AI需要在把握和理解復雜現實世界的基礎上，在輸入和輸出兩側處理與物理空間相對應的連續量。即使在最終安裝到機器人上時，通過蒸餾、量化等處理使用保證實時性的輕量化模型，但在學習、開發能夠正確理解現實世界并生成恰當行動的通用物理AI時，可能需要數千億到數萬億參數的大規模模型容量，也就需要 frontier model 級別的巨額資金。此外，通常的生成AI與物理AI的界限可能變得模糊，進而融合。美國致力于物理AI的初創企業雖然籌集了數千億日元的資金（圖1），但這僅僅是目前已籌集的金額，沒有任何保證將物理AI最終推向商用水平所需的資金會控制在這個范圍內。

也就是說，物理AI的開發不僅因為單純需要巨額投資而風險高，更因為「不知道會增加到什么程度」，這種高度的不確定性才是風險的核心。一位從事面向機器人的物理AI開發的AI研究者將這種心境描述為：「感覺就像朝著墻壁猛沖過去」。每月消耗數億至數十億日元用于學習用GPU，同時全力推進開發。沒有人知道終點在哪里，前方可能突然出現一堵看不見的混凝土墻——這就是他們的心境。

長期以來，機器人技術的瓶頸在于大腦部分，幾十年來一直未能創造出足以充分滿足社會期望的價值。隨著大規模語言模型的出現，以及人們發現它似乎也能應用于機器人的行動生成，技術提升的速度可以說比以前有所提高（圖3）。如圖3中的區間X部分。然而，盡管物理AI的技術有所提升，如前所述，與實用化所需的技術水平仍有差距。而且，「實用化所需的技術水平」究竟有多高，其本身是未知的。如果該技術水平如圖3中的閾值A那樣，那么只要繼續收集機器人學習數據，幾年后就有可能迎來物理AI領域的ChatGPT時刻（「情景A」）。但另一方面，該技術水平也可能遠高于當前人類的想象，即如圖3中的閾值B那樣的「情景B」。

供應商致力于物理AI開發時，另一個可能的高風險因素在于物理AI迎來ChatGPT時刻之后的階段。如圖3右側的區間Y部分。即使物理AI達到了作為「機器人大腦」相當可用的水平，只要將其嵌入機器人等硬件并在現實世界中運行，就無法與安全性等問題絕緣。在網絡空間運行的通常生成AI，也可能通過與人交流言語給人類造成心理負擔，或讓人們相信虛假事實。而對于在物理空間運行的物理AI，則有可能對人類或周圍環境造成物理傷害。應如何良好地控制這一點？目前尚未形成堪稱妙計的對策或框架。如果在工廠等特定環境中，通過安全圍欄與人工作區域隔離，安全性問題比較容易解決。但那樣就無法充分發揮物理AI原本的能力，可用的場景和市場規模將受限。

除了安全性，對于像人形機器人那樣軸數（執行器數量）多的通用機器人，搭載物理AI時還需要確保可靠性、降低成本、與初始客戶反復進行PoC、處理例外情況、建立量產體制、獲取各種認證、作為產品進行分發和營銷、建立全球市場的支持體系等。作為涉及硬件的產品，必須克服的課題堆積如山。將物理AI視為替代人類體力勞動的手段時，與通常的生成AI不同，它幾乎沒有日語等語言障礙，可以在全球范圍內通用銷售。但這意味著必須與全球的供應商在紅海中競爭，預計競爭將非常激烈。這是與存在日語壁壘的通常生成AI不同的、物理AI特有的性質。除了作為AI正常發揮作用所需的上述第一類風險（區間X），物理AI在社會實裝階段還面臨著堆積如山的第二類風險（區間Y）。

高回報的依據是什么？

盡管是這樣高風險的技術，為什么全球對物理AI的關注度不斷提高，作為供應商致力于開發的企業也在增加呢？

這是因為物理AI具備「基礎模型」的特性，其通用性可應用于眾多用途和領域，有望帶來巨大回報。說到回報巨大，可能會讓人覺得這是有保證的，但如前所述，物理AI在基礎研究和商業層面都課題堆積如山，并未保證任何成果。然而，一旦迎來ChatGPT時刻，由于其廣泛性，有可能獲得「巨大果實」。正是因為關注到這塊蛋糕的巨大，全球范圍內的開發熱情才日益高漲。

在具體探討物理AI的通用性和廣泛性之前，先梳理一下物理AI指的是什么。目前，物理AI有著各種不同的定義，但本文將之解釋為：「在把握和理解現實世界的基礎上，生成機器人行動的基礎模型」（圖4）。將機器人的功能大致分類，可分為三類：用雙手抓取物體或進行復雜作業的「操作」；對于有腿機器人，良好控制其行走的「移動」；以及將整個機器人移動到特定場所的「導航」。其中，當前物理AI的瓶頸在于上半身的操作。

手需要處理各種各樣的物體和工具，規劃抓取什么、做什么需要大量的知識和常識。要成功完成動作本身，也需要毫米級的靈巧度和微妙的力量調節。為了讓機器人能夠自主應對這些多樣化局面，基礎模型的通用性被認為將大有裨益。至于下半身的移動技術，已經基本確立，面向實用化的障礙不大（圖5）。移動（步行/步態穩定化）的目的明確且單純，不需要基礎模型那樣的多任務性和通用性，也沒有必要通過語言與人進行指示交流。通過「Sim-to-real」方法（在計算機模擬器上通過強化學習進行試錯來獲取模型），已經能夠制作出實用水平的模型。但其中使用的并非基礎模型那樣的大規模模型，大多是RNN或淺層MLP（甚至難以稱為深度學習）。從驅動機器人的神經網絡角度，將其納入物理AI范疇是合理的。但考慮到模型不需要高級知識、技術已經確立、以及輪式機器人不需要移動功能等因素，本文將不把下半身的移動納入物理AI，而主要聚焦于上半身的操作。

正是通用性和廣泛性才具價值

物理AI之所以被期待帶來高回報，并不僅僅因為市場規模預測巨大，而是因為可以預見，未來的「理想物理AI」應具備基礎模型的特性。受其名稱影響，物理AI總是容易讓人只關注「在物理空間運行的AI」這一點，但其價值的源泉恰恰在于通用性和廣泛性，其技術依據正是「物理AI = 基礎模型」。基礎模型是指：通過在各種各樣、廣泛的數據上對模型進行預訓練，使其在使用（推理）時，只需少量額外設置、少量示例（few-shot）或僅通過提示（zero-shot），就能當場適應多樣化的任務（即具備上下文學習能力）。大規模語言模型之所以能無需額外開發，當場一次性響應用戶的各種提問和指示，正是因為它具備基礎模型的特性。物理AI的目標就是在機器人上實現同樣的事情。

重申一遍，這種理想的操作用基礎模型/物理AI嚴格來說尚未完成。但是，一旦完成，從基礎模型的定義和宗旨來看，預計它將在多種用途、領域和國家發揮作用。正因如此，全球開發才如此活躍。并非因為它是在物理空間運行的AI才讓世界狂熱，也并非因為人形機器人在跳舞才讓世界狂熱。

實際上，基礎模型的價值從用戶的角度很難衡量，只有從供應商的角度才能正確把握（詳細后述）。這也是日本圍繞物理AI的討論容易混亂和分歧的原因所在。

圖6概念性地展示了基礎模型的廣度。橫軸示意性地表示該模型可適用的任務廣度。從低層次看，機器人完成的任務有時可以用機器人所處環境的狀態（s：state）和在該狀態下采取何種行動（a：action）來解釋。橫軸表示由s和a組合而成的任務空間。任務空間本是多維空間，無法用一維圖示，這里僅作說明示意。縱軸表示物理AI執行該任務（s, a）的性能水平，相當于執行敏捷性（速度或吞吐量）和任務成功率等。最近，由于物理AI性能提升，任務成功率趨于飽和，難以測量技術進化差異，因此吞吐量常被用作性能指標。

作為基礎模型的物理AI，可以說是圖中廣度極大的模型（圖6右半部分）。若類比頻譜，它就像是寬帶的「超寬帶」一樣。通過使用海量數據進行預訓練，覆蓋了廣泛的任務空間。但是，如果水平虛線代表「實用化所需性能水平」，那么當前的物理AI在許多任務點（s, a）上還存在不足和差距。雖然在物流現場進行集裝箱搬運、分揀等有限任務時，似乎已有實用案例（圖中深綠色區域），但還遠未達到基礎模型原本應有的、在廣泛任務中通過few-shot/zero-shot適應的狀態。

未來，通過物理AI供應商的研發努力，基礎模型的性能在廣泛領域整體提升，當深綠色區域的總面積擴大到業務成立的級別時，物理AI將首次迎來ChatGPT時刻。在超過虛線之前，是漸進式的進化，但一旦在廣泛領域超過這條虛線，由于其分布的廣度，社會將看到非連續性的沖擊突然發生。各種任務和行業將突然產生機器人變聰明的效果。此外，基礎模型在任務空間中的分布形狀應有凹凸起伏，即使在迎來ChatGPT時刻之后，仍未達到實用水平的任務也會在一段時間內繼續存在。

與這種具有廣泛性的基礎模型相比，非AI的傳統機器人技術相當于任務空間中極其狹窄的「棒狀」（圖6左側）。類比頻譜，就是具有極窄峰值的「窄帶」。技術人員針對特定用途/任務專門制作動作，完成后當然能達到「實用化所需性能水平」，但僅限于在特定的狹窄狀況（s, a）下運行，幾乎沒有靈活性，用于其他場合則需要每次都進行開發。這是傳統機器人技術僅能在工廠、物流等極其有限行業的有限任務中實現實用化的根本原因。從原理上講，通過個別制作，可以在各種行業/任務中準備這種「窄棒」，但那樣投資回報率不符，無法廣泛滲透社會。

現場數據是致勝關鍵嗎？

圍繞物理AI，經常有「日本企業擁有的現場數據是致勝關鍵」的說法（參照「日本物理AI的9個誤解」）。不僅在行政文件中出現類似表述，一些大企業高管和政治家也時有類似主張。這究竟是否屬實呢？

誠然，提升物理AI性能需要數據，這一點沒錯。但如前所述，在物理AI領域，需要準備什么類型的數據、多少量、以何種比例，有效預訓練的配方尚不明確。對于「僅憑現場數據是否真的具有意味著『在全球市場獲勝』、『作為平臺商獲勝』的附加價值」，需要再次慎重考慮。

極端來說，如果像當前下半身的移動那樣，僅靠計算機上的Sim-to-real就能獲得實用化模型，那么像現場數據這樣麻煩的東西可能完全不需要。僅靠合成數據就能使模型達到實用水平，這種情況的可能性并非為零。Sim-to-real與動員大量GPU在計算機上制作合成數據（即前述的s, a數據）同義，它蘊藏著使現場數據變得完全不必要的破壞性威力。中國制造的人形機器人之所以能華麗跳舞、流暢打功夫，并非因為有大量現場數據，而是通過Sim-to-real，靈活運用計算資源制作合成數據，并采用無需標注的強化學習，從而獲得了魯棒的模型。

目前，Sim-to-real面向單任務傾向較強。對于上半身以多任務為前提的操作，雖然不會如此極端，但各企業擁有的現場數據在基礎模型時代的物理AI中能發揮多大價值，并非顯而易見。

首先，現場不僅存在于日本，而是存在于全球各國。美國、中國、歐洲、亞洲都有很多產業。它們都同樣擁有現場數據。如果說「現場數據是致勝關鍵」，那么不僅日本，其他國家也基本一樣，這并不能成為致勝戰略。經常聽到「GAFAM等科技巨頭雖擅長AI技術，但沒有現場數據。在物理AI領域，日本企業擁有的現場數據將成為相對于科技巨頭的優勢，是致勝關鍵」的說法。這也可以說是過于樂觀了。首先，即便是科技巨頭，美國的Amazon等公司在全球擁有大量物流現場，并且多年來一直自行開發面向這些現場的機器人，在物理AI領域處于極其有利的位置。考慮到現場普遍存在于許多國家而不僅是日本，如果像Google這樣擅長AI技術的公司，通過購買本國企業的現場數據，或通過并購吸收整個企業等方式獲取數據，那么「科技巨頭沒有現場數據」的前提也輕易瓦解。過度依賴這種輕易就會瓦解的「致勝關鍵論」并非良策。

不過，日本在制造業方面實力雄厚是事實，從物理AI供應商的角度看，擁有豐富的潛在客戶，這可能是一個有利條件。

Preferred Networks 共同創始人、代表董事社長岡野原大輔指出：「日本企業擁有的現場數據要在物理AI領域成為決定性差異很難。」但他同時指出：「另一方面，日本產業集聚，容易收集各種現場數據；物理AI的數據收集設計、驗證對象、導入對象眾多，容易形成改進循環，在這方面（比其他國）或許有比較優勢。」

若以提高生產力為目的則妥當

「自家擁有的現場數據具有巨大價值，是致勝關鍵」的說法，如果是作為用戶的立場，其實并不錯。因為作為基礎模型的物理AI，即使在迎來ChatGPT時刻之后，其在任務空間上的性能分布也并非均勻，而是有凹凸的。當自家業務中存在即使借助基礎模型也略微達不到實用水平的任務時，可以利用該用戶企業擁有的現場數據，修正那個「不足的凹坑」，使其超過實用水平。特別是對于企業特有的業務、基于獨特習慣的業務，再強大的基礎模型也難以通過zero-shot應對，需要該企業擁有的獨特數據來填補最后不足的1%或0.1%。這種提升不一定僅限于再學習，也可能以RAG（檢索增強生成）的形式，即準備這些現場數據作為外部數據庫，讓作為基礎模型的物理AI訪問并參照。在大規模語言模型中，同樣經常在僅靠基礎模型的知識或zero-shot難以應對的情況下使用RAG。

用戶企業只要自身業務能實現效率化即可，如果將通過提高自身業務的生產性來改善利潤率解釋為「勝利」，那么「現場數據是致勝關鍵」就是正確的。此外，當日本各行各業的諸多企業現場遭遇這種基礎模型的「不足凹坑」時，如果能靈活運用各自擁有的現場數據，將有助于提高日本整體的生產性。東京大學研究生院教授松尾豐的研究室，雖然不是物理AI，但通過將普通AI導入日本的各個現場，估算出有望將日本的實際GDP增長率最高提升約1.6個百分點。可以認為物理AI也有望帶來類似效果，如果將這些經濟增長效果解釋為「勝利」，那么「日本的現場數據是致勝關鍵」也確實是一個真理。

舊AI言論的影響？

「日本現場數據是致勝關鍵」的說法容易出籠，可能也受到過去關于AI的言論影響。雖然不是面向機器人的物理AI，但在大約十年前深度學習技術興起時，還不存在當前基礎模型這樣廣泛的模型，當時常說：「如果精度不夠，自家收集現場數據，對其進行標注，再讓神經網絡重新學習，就能在現場使用」（圖6左起第二張圖）。這主要在使用CNN的圖像識別、外觀檢查等領域被提及。圖像識別領域有像「ImageNet」這樣的預訓練數據，但其廣度相當狹窄，與當前的基礎模型有天壤之別。就這樣，深度學習剛出現時的說法作為AI的定式印象殘留下來，即使在基礎模型全盛的現在，也可能演變成了「有自家數據就能實用」→「自家數據是致勝關鍵」。

「現場數據致勝關鍵論」可以說是「你公司擁有稀缺寶貴的數據，這是其他國家企業沒有的，所以你公司能在全球取勝」這樣的信息。極端情況下，容易被擴大解釋為「你已經處于有利地位，所以維持現狀取勝概率也很高，什么都不做也沒問題」。這種說法聽起來順耳，容易無抵抗地被接受，因此得以廣泛傳播。可以說是一種「神話」。

這種贊美日本的「現狀肯定派言論」并非始自今日，可以說是以往在日本產業界討論國際競爭力時屢屢出現的「經典言論」。近乎神話的說法容易因為「大家都說」、「旁邊的人也說」而像滾雪球般膨脹，仿佛成了真理。當行業干部和權威人物反復發出這種信息時，政治家和媒體等外部層面也會將其作為「專家見解」接受，神話將進一步鞏固。一旦神話破滅，由于這不是某個人首倡的說法，容易以「是大家都在說」為由逃避責任。在扣分主義盛行的日本社會，這對誰來說都很方便，是不易被質疑的便利說法。聽起來順耳的說法能給人以心理上的安心感，具有產生積極情緒的正面效果。但過度擴大解釋則會歪曲事實，可能對戰略制定產生負面影響。

基礎模型的效應是立方的

作為基礎模型的物理AI的廣度（寬帶特性），不僅體現在圖6所示的「任務空間」，在「行業/領域」、「銷售地區/國家」方面也能放大回報（圖7）。甚至有極端預測，例如美國Morgan Stanley估算，搭載物理AI的通用機器人到2050年將形成超過汽車市場的約790萬億日元規模。從當前技術水平難以想象，但如果作為基礎模型的物理AI能夠通過zero-shot實現目前只能由人完成的烹飪、家務等任務的自動化，那么每家一臺也并非不可能。與日語大規模語言模型或面向日本的SaaS不同，物理AI及搭載它的通用機器人幾乎不受日語等語言限制（在接受指示的部分語言仍相關），是全球市場均可銷售的商品。雖然附加了「物理AI若能真正迎來ChatGPT時刻」這一條件，但TAM（總可尋址市場）和SAM（可服務可獲市場）都可能變得極其巨大。物理AI備受關注，市場規模之大也是原因之一。利用任務空間、領域、國家這三個軸，可以「立方」地發揮其寬帶特性、廣泛性。即便市場可以全球化，但任務空間狹窄、領域容易局限單一行業，這與非AI的現有技術有著截然不同的規模性。

當前的機器人，除了圖像和三維識別部分，大多由非AI技術驅動，能做到的事情有限，僅在工廠/FA（工廠自動化）和物流等極其有限的領域普及。導入時大多需要委托系統集成商進行個別系統開發，否則無法使用。非AI技術由于通用性低（如圖6的「窄棒」），必須針對個別用途進行開發，導致開發成本高昂。類比計算機歷史，相當于昂貴、僅部分行業/部分企業能導入的昔日大型機全盛時代。另一方面，如果作為基礎模型的物理AI得以完成，則幾乎不需要額外的個別開發，只需最少的追加設置、現場的few-shot示例，或僅靠提示（zero-shot）就能實現所要求的任務。即使在基礎模型直接使用時，距離用戶要求的實用水平僅差1%的情況下，也可以通過在現場利用強化學習針對該特定任務提升性能（這種情況下，由于通過自主試錯學習，無需準備現場數據），或通過RAG等外部數據庫補充讓物理AI能夠參照該企業特有的業務流程/業務知識，從而在許多情況下無需大規模的追加開發。類比計算機歷史，相當于廉價、誰都能輕松使用的PC或智能手機時代。

在推測這種性質迥異的巨大新市場動向時，過度依賴以個別系統構建為常識/前提的非AI機器人行業的意見和見解并非良策。以工業機器人為代表的當前機器人行業的見解，往往偏向工廠/FA領域。例如，常有人說為普及機器人「急需培養系統集成商」。作為基礎模型的物理AI的宗旨和定義，是要在使用時無需大規模每次都開發。如果培養系統集成商成為瓶頸，那就不足以稱為基礎模型。如果僅僅將物理AI理解為「在物理空間運行的AI」，輕視其作為基礎模型的本質，就容易陷入這種討論。為了將基礎模型與現有業務系統良好聯動而進行的開發，以及硬件方面的一定治具開發/基礎設施側改進等，在圖3區間Y的時代可能仍有必要。由于市場本身的蛋糕變大，預計系統集成商在這方面的業務總量會增加。但以非AI機器人現狀為前提，討論基礎模型時代系統集成商的定位，可以說是不自然的。

在硬件方面，對于雙臂移動操作器、人形機器人等，其宗旨是盡可能不改變人類使用的工具、裝置和環境，直接加以利用。預計在迎來ChatGPT時刻后，物理AI將變得足夠智能和高度化，能夠良好地運用這些人類用的工具。反過來說，如果不輕松超過這樣的閾值，物理AI的ChatGPT時刻就永遠不會到來。在圖3中，這相當于一直停留在情景B。

專用型被通用型擊敗

當將物理AI視為基礎模型時，其預訓練的有效配方、性質、作用等，在研究層面尚未明確。

為什么會連這種基礎性的東西都還不清楚呢？因為要分析包含機器人行動、相機圖像/視頻等多模態基礎模型的性質，需要準備多個在條件、模式上略有變化的巨大模型和數據，在GPU上長期學習并比較性能。僅一項實驗就需要學習/比較多個這樣的巨大模型，而要闡明基礎模型預訓練的性質，還需要從更多角度進行大量實驗，這絕非花點GPU費用就能解決。雖然可以用小型模型進行預備實驗，但基礎模型存在達到100億參數等一定規模后才出現的特性，因此僅使用小型模型的實驗無法弄清物理AI基礎模型預訓練的真正性質。而且，這類實驗屬于非常基礎的研究，其結果未必能直接作為投資回報對現有業務有所幫助。甚至可能根本得不到任何有益的分析結果。這也是物理AI高風險的原因之一。結果，許多企業猶豫不決，難以看清真相。無論是普通生成AI還是物理AI，近年來的大規模AI開發很大程度上具有實驗科學的性質，無論聚集多么優秀的研究者，也有「不學習一個月就不知道結果」的方面。雖然可以在「總覺得這樣似乎可行」、「應該可行」的預判和信念下推進物理AI開發，大多數企業也是這種態度。但這與科學地、冷靜地驗證分析「預訓練的作用是什么？」、「什么在起作用？」完全是兩回事。

不過，最近這種奧秘的一角也開始隱約可見。例如，美國Meta Platforms的研究機構「Meta FAIR」和紐約大學在2026年3月發表的論文就是典型代表。這是一項雄心勃勃的研究，利用機器人行動、圖像、視頻、文本等廣泛的多模態數據，分析了基礎模型中預訓練的特性和效果，在AI研究者中引發了熱議。

這篇論文中Meta的分析結果甚至具有沖擊性（圖8）。Meta針對某個機器人任務調查了預訓練的效果。結果發現，與給予大量該任務專用化數據的模型相比，給予與該任務無直接關系的通用化數據的模型，在該特定任務上的性能反而更好。并非多樣實驗平均值上通用型獲勝，而是在該特定任務——用圖6來說就是「窄棒」這種窄帶任務——的評價中，通用模型擊敗了專用模型（圖8b）。通用模型被給予的任務特有數據比專用模型更少，但仍超過了專用模型。這可以說是反直覺的結果。通常，要完成特定任務，會認為收集大量該任務專用化數據（即所謂的現場數據）的模型會獲勝。但結果恰恰相反。

Meta為了進一步調查專用型數據可以少到什么程度，在預訓練數據中改變了專用型數據的比例，并測量了各自的性能。圖8c顯示了令人驚訝的結果：專用型數據只需要占預訓練數據整體的1%就足夠了，再增加也幾乎不貢獻性能提升，趨于飽和。考慮到Meta的這一研究成果，「日本現場數據是致勝關鍵」的說法就更加可疑了。

Meta使用的是預測世界模型式動態的任務「NWM（導航世界模型）」。它假設了機器人的移動任務（導航）。給定機器人相機圖像的時間序列，當在該狀態下執行某種機器人行動（action）（移動）時，會生成/預測下一時刻的相機圖像——即預測圖像幀（圖8a）。任務專用型數據正是這種時間序列圖像與機器人行動配對的數據。而通用數據則是與該任務無關的網絡上的普通視頻、或圖像及其說明文本的配對。

Meta的實驗中，環境是靜態的，并且并非未來物理AI主角的上半身操作任務（環境是動態的），因此不能直接全盤接受其結果。但是，正如本刊2026年3月號解說的美國NVIDIA的「Cosmos Policy」、4月號解說的「DreamZero」所示，在聚焦于操作的物理AI前沿研究中，也顯示增加視頻等通用數據比增加機器人遙控操作數據等任務專用型數據更能提高性能，這與Meta的研究結果方向一致。此前，物理AI領域以基于大規模語言模型的VLA（視覺-語言-行動）模型為主流，但以Cosmos Policy和DreamZero等視頻生成模型為基礎的世界模型式方法正作為有前途的方法崛起，在性能上逼近。所謂「現場數據」，往往應該是針對某種業務的特化數據。Meta的研究、NVIDIA的Cosmos Policy和DreamZero等近幾個月的最新研究顯示，大量只有這種「專用型數據」并不有效。基于這一點，「現場數據是致勝關鍵」的說法也不應照單全收。

現場數據含義的變化

首先，「現場數據」究竟指什么？通常認為日本企業有優秀勞動者支撐的「良好現場」，但常被指未能將其「以能用于AI的形式數據化」。

如果現場勞動者的素質好，那么通過模仿學習等方式收集這些人的動作，可以為制作良好的物理AI模型打下基礎。但能以可被AI使用的形式擁有這種人的動作數據的企業恐怕很少。且不論「現場數據是否致勝關鍵」，「現場數據」本身很可能就不太存在。

也有說法稱，由于日本制造業強大，因此「積累了機床和工廠等設備的運轉數據」。但當前技術正在發展的物理AI，基本上根植于人的體力勞動。因為現有設備和裝置周邊無法交由機器完成的作業，目前仍必須由人完成，否則無法自動化。所以潮流是收集人體力勞動的軌跡，將其變為物理AI模型，讓通用機器人去做。

明明是在為設備和裝置難以自動化的、被趕到設備和裝置「外部」的「瑣碎無名的體力勞動」的自動化而苦惱，即便積累了「設備和裝置內部」的運轉數據，也無法作為面向通用機器人的物理AI來使用。這些「設備內部運轉數據」對于IoT中的設備故障預測和預兆保全很有用，但似乎人們將之與物理AI混為一談了。這一點也容易因為物理AI「在物理空間運行的AI」的側面被單獨強調，而與IoT混淆，產生「因為是物理空間，所以設備/裝置的運轉數據也相關」的誤解。由于「物理AI」這個名稱，難免被誤解為包含了IoT等設備/裝置，因此干脆取一個能直接讓人聯想到人體體力勞動的名稱，比如「體力勞動AI」、「勞動AI」可能更準確。如果是預兆保全，無需拿出基礎模型這樣的大規模工具，用現有的機器學習技術應對就好。

目前，物理AI的學習數據，經常使用人遠程操作機器人的數據（表1）。使用遠程操作用的專用設備和機器人本體，記錄遠程操作時的手部姿勢/關節坐標的時間序列，以及此時的機器人相機視頻等。據說在中國，設置了大量被稱為「數據收集工廠」的場所，在那里配置大量機器人和遠程操作員，在模擬家庭內、店鋪內的環境中收集數據。受此影響，經常有人指出日本也需要建立數據收集工廠來追趕。

然而，數據收集手段和數據類型正朝著輕量化的方向發展。典型代表是本刊上期介紹的美國Generalist AI的「GEN-1」。它主要使用名為「UMI（通用操作接口）」的手持設備收集數據。這就像只把機器人的手腕和手部相機切出來的裝置，由人手持著執行和記錄任務。由于不需要昂貴的機器人本體和遠程操作用設備，收集效率高，在相同資源和資金下能制作更多數據。正因如此，Generalist AI才能用GEN-1實現高性能。代他們發言的話，可能會認為「用數據收集工廠進行機器人遠程操作來制作數據是落后且毫無意義的」。在日本，人們往往過于關注數據收集工廠這樣的有形硬件和基礎設施，而對AI中本質的無形軟件技術關注不足。

如前所述，如果在半身操作中，像Sim-to-real這樣在計算機上進行大量試錯的方法也達到實用水平，那么甚至連通過遠程操作或UMI收集的數據，在物理AI中變得幾乎不需要的可能性也并非為零（表1）。目前雖然在接觸力模擬精度等方面有困難，但不能說沒有解決的可能性。那樣的話，就無需特意用模擬手段和實時時間費時費力地收集人的動作，通過GPU上的強化學習探索，甚至可能自動發現人類都想不到的優秀動作和隱性知識。在GPU上的模擬中，由于可以并行且比實時更快地推進時間，甚至可以運行以萬年為單位的試錯。這樣一來，是否擁有現場數據就無關緊要了，能調動大量計算資源的企業才更有利。這對于認為「現場數據是優勢」的一方來說，是一個非常難以接受且不利的局面。

又是苦澀的教訓？

人類總是容易認為，自己長年積累的創意、智慧以及專家的高度知識應該有用，不可能沒用。然而，在AI/機器學習領域，這種「專家見解」敗給計算資源的規模化/探索的事態已屢次發生，這種現象甚至已經有了名字。

它的名字就是「苦澀的教訓」（圖9）。這是由奠定強化學習領域基礎的巨匠Richard Sutton提出的，對AI研究者而言是非常著名的警句。

研究者試圖運用自身高級知識，設計優秀的算法、方法和特征量，但最終，人類隨意設計的方法，屢屢敗給從海量數據中靈活運用計算資源推導出的方法。從研究者立場看，這是一種「悔恨」的苦澀。當前物理AI的「收集人類動作是好的」、「特定任務數據有用」等配方，或許也只是人類一廂情愿的想法，不能否認它可能成為苦澀教訓的又一個事例。

那么，應該怎么辦？

至此，我們了解了當前物理AI的性質。那么，日本應如何應對物理AI這一主題呢？

考慮到物理AI具有「立方」效應的高回報性，即使高風險也應該挑戰。否則，將無法在未來巨大市場中分得一杯羹。雖然也可以采取等到了圖3區間Y階段再追趕的戰略，但國家戰略不應局限于一種，最好持有幾個選項。應該也實施盡早投身于這場競爭的戰略。

那么，能夠覆蓋這種高風險、高回報投資主題的資金是什么呢？這里常聽到的說法是「日本沒有資金」。

的確，日本的研究者和技術人員在現場常常缺乏足夠的開發資金，從技術人員的微觀感受來說，這無可奈何。但「日本沒有資金」是另一個問題。日本曾是全球第二大經濟體，由于其過去的輝煌，至今仍擁有約2350萬億日元的個人金融資產，企業留存收益總計達630萬億日元（圖10）。這在全球也是頂級的規模。從宏觀層面看，完全不能說「日本沒有資金」，應該說資金非常充裕。

問題在于，這些資金的大部分被固定在低回報率上，沒有作為「產業血液」、作為風險資金有效循環。例如，個人金融資產的約5成是低利率的銀行存款/現金，它們被用于企業融資或國債等。在「安心安全」被視為美德、人們強烈追求這一點的日本，追求高回報而承擔高風險的態度容易被指責為「貪婪」、「失敗了怎么辦」、「太魯莽」。結果，社會的各種利益相關者害怕「被扣分」、「被譴責」，決策容易趨向于「低回報率」。但面對物理AI這樣巨大的機遇，即便只是一部分，也有必要加以改變。即使只有少數人敢于逆潮流挑戰，一旦成功，一定會成為轉變風氣的契機。只要出現一個本壘打級別的成果，社會就可能以之為榜樣而改變。物理AI領域的「未來NVIDIA」出自日本，也并非不可能。

能為物理AI所需數千億至數萬億日元提供資金的主體有三個（表2）：①日本政府（一般會計和特別會計等）；②大企業的研發投資；③初創企業生態系統。

首先關于①，隨著高市政權上臺并轉向積極財政，AI相關預算得到擴充。2026年3月，政府也出臺了「AI機器人戰略」，針對物理AI，2026年度預算將撥出3873億日元（正式項目名稱為「著眼于AI機器人/物理AI的多模態基礎模型開發項目」）。據說，由軟銀、NEC、本田等出資的「日本AI基礎模型開發」企業計劃申請該項目。這是資金規模可期的舉措，但考慮到物理AI未來的市場規模，不應僅限于國家項目支援企業，應該出現更多的挑戰者。國家項目可能因使用政府資金而需要顧及公平性，以及眾多利益相關者參與導致協調和決策速度滯后等缺點。

關于②，大企業存在創新困境，難以投資高風險、高回報的新業務。擁有630萬億日元的巨額留存收益，反過來也說明它們多年對風險資金投資消極，資本效率低下。日本的「失落的20年」正是這種消極態度的佐證。即使是大型投資，如果是像工廠建設這樣容易說明投資回報率的項目，企業容易邁出一步。但像物理AI這樣不確定性高、與現有業務的協同效應也難以說明的項目，門檻就更高了。尤其像大企業，因為擁有某些現有業務，其視角容易偏向特定業務或領域，作為用戶的立場，可以說難以充分發揮基礎模型本來的廣泛性和通用性。

鑒于這種情況，最適合為物理AI提供風險資金的是③初創企業生態系統。初創企業生態系統本就是為了提供風險資金而設計的機制，最適合像物理AI這種高風險、高回報、不確定性高的投資項目。它不受現有業務束縛，能充分發揮作為基礎模型的廣泛性。

那么，日本的初創企業生態系統能否支撐物理AI這一緊迫的投資主題呢？在后篇中，我們將詳細探討這一點。

日本物理AI的9個誤解

誤解1 「GAFAM沒有的現場數據是日本的致勝關鍵」

這取決于對「現場數據」的定義，但現場并非只存在于日本。日本以外的國家和地區也有無數現場數據。美國、中國、歐洲、亞洲都有很多產業，都同樣擁有現場數據。快餐廚房、廁所清潔、物流現場、農作業遍布全球。最好先摒棄「日本特殊」的前提。而且，即使日本擁有強大的現場，如果不能將其數字化為物理AI可用的形式，也沒有意義。「現場數據是日本致勝關鍵」這一說法，對于容易對物理AI這類新市場/新技術猶豫不決的日本大企業，能起到賦予積極勇氣的效果，作為鼓舞國內企業的口號是出色的，但其內容本身可以說是過于樂觀且簡化了。

誤解2 「將匠人技藝、職人藝術轉化為物理AI是日本的致勝關鍵」

物理AI的實用化順序應該是：先從「多數人誰都能完成的低難度任務/動作」開始事業化和普及，然后在技術相當進化之后，才終于能將「匠人技藝」AI化。考慮到Meta Platforms的Meta FAIR關于多模態基礎模型的論文結果等，用人類自我中心視頻等廣泛的多模態數據預訓練的物理AI，未來即使沒有「日本優勢的現場數據」，也可能通過zero-shot或few-shot完成「任何人能做的任務」。勞動力市場上充斥著像兼職打工那樣的「無經驗者OK」的任務和工作。目前由于物理AI技術水平不成熟，機器人難以完成，這些任務由人來做。但一旦物理AI迎來「ChatGPT時刻」，預計首先實現機器人化的將是無需高級知識的打工類任務（用最近的流行語來說，是「Timee先生」完成的那種任務），然后在那里占據份額的供應商，將以其賺取的資金為優勢，進軍職人技藝/匠人藝術。因此，目前在日本流傳的「將職人技藝/匠人藝術轉化為物理AI是日本致勝關鍵」的說法，其順序很可能是反的，可以說沒有正確理解基礎模型的特性/定義。

誤解3 「物理AI的波及效應是漸進的」

誠然，在研究層面，通過踏實的改進積累，會漸進地改善。但是，像物理AI、大規模語言模型/生成AI這樣的基礎模型，其社會沖擊力在技術水平超過某個閾值的瞬間，有突然增強的傾向。也就是說，即使技術進化是漸進的，社會沖擊看起來卻是非連續發生的，這是基礎模型的特性。這是因為基礎模型是指向「通用性」——即可使用局面（狀態）分布廣泛——的AI。大規模語言模型的ChatGPT時刻正是如此。在技術水平超過這個閾值之前（如GPT-1時代），用戶無論如何反復進行PoC，也很難在現場使用，作為產品的附加價值也很低。然而，一旦超過閾值，就會突然影響廣泛的用途和產業（雖然能否實際使用還需要克服安全性等課題，但任務在技術上變得可能，這本身就是巨大沖擊）。我們需要擺脫深度學習興起初期、CNN主流時代常說的「自家收集現場數據并標注，微調ImageNet等就能用于自家業務」這種舊AI印象。基礎模型的定義和宗旨，正是無需再學習，僅憑zero-shot、few-shot或最少的追加開發就能適應廣泛任務的模型，其核心正是通用性。用戶往往只對自己公司的任務感興趣，傾向于用個別任務的性能（縱向）來評價基礎模型，但其本質價值在于這種廣泛性（橫向）。基礎模型的宗旨是致力于橫向擴展而不是縱向高度，以此來增加面積，產生作為事業的附加價值。如果每次都需要用「我公司引以為豪的現場數據」進行微調才能使用，那雖然是AI，但不是基礎模型。當今世界關注物理AI，并非因為它是「能在物理空間使用的AI」，而是期待「具有基礎模型特性的AI也能在物理空間使用」。一旦物理AI作為基礎模型在物理空間實現實用化，除非是部分非常特殊的職人藝術或困難任務，否則無論產業或用途，都只需最少的追加設置/構成，就能應用于廣泛的用途。正因如此，它才會對社會產生非連續性的影響。當前的生成AI在個別用途上雖有限制，但無需個別開發和微調就能在廣泛用途上發揮作用。情況類似。在深度學習普及的5-10年前（基礎模型出現之前）與現在，AI的特性已完全不同。但不熟悉AI的日本大企業等，往往至今仍相信深度學習初期流傳的說法。

誤解4 「物理AI在研究層面的課題已經解決，剩下的只是社會實裝」

目前，物理AI在基礎研究層面仍有許多課題，認為「研究層面的課題已經解決」是不太正確的。關于預訓練的效果/配方、有效預訓練的方法等，對人類整體來說還有很多未知因素。要打破這些基礎研究層面的課題，只能靠擁有機器學習高級知識的全球眾多研究者激烈競爭、暗中摸索、尋求突破。遺憾的是，苦于人手不足的用戶企業，無論現在在現場如何想辦法尋找用途，也無法直接幫助打破這些基礎研究層面的根本性課題。如果要打破研究層面的根本課題，就必須像GAFAM和世界各地的初創企業那樣，自身擁有大量具備高級知識的機器學習研究者，做好進行數百至數千億日元規模高風險投資的覺悟，投身于這場世界級的競爭。

誤解5 「物理AI是人手不足的救世主」

長期來看，這可能是正確的，但附加條件是物理AI能順利迎來ChatGPT時刻。預測何時到來極其困難。它可能在數年內到來，也可能因為將技術提升到能產生作為產品或服務的附加價值需要出乎意料地長的時間，大約10年后才終于迎來物理AI的ChatGPT時刻。自動駕駛在10多年前曾備受關注，但在之后的10年里苦于實用化，同樣的事情也可能發生在物理AI上。基于基礎模型的特性，物理AI一旦ChatGPT時刻到來，將給社會帶來巨大回報（高回報），但ChatGPT時刻是否真的到來、何時到來，不確定性極高（高風險）。它是典型的「高風險、高回報」技術，但需要留意的是，其風險程度（開發所需資金規模）以及一旦成功后的通用性/分布廣泛程度（回報），都與通常技術有著天壤之別。

誤解6 「日本沒有資金，因此難以與美中正面較量」

日本的研究者和技術人員經常因自身開發項目資金不足而苦惱，容易將這種現場感覺直接外推到宏觀層面，發牢騷說「日本沒有資金」。但這種見解是錯誤的。日本曾是全球第二大經濟體，至今個人金融資產仍約2350萬億日元，企業留存收益合計約630萬億日元。即使日本最近經歷了「失落的20年」，這筆資金積累在全球來看也是頂級的。并非「日本沒有資金」，而是這些資金沒有作為「產業血液」有效循環。各個現場感到「沒有資金」是無可奈何的，但從日本整體宏觀來看，可以說資金相當充裕。日本人害怕風險的保守傾向、以及挑戰失敗后會被「看我說什么來著」責備的扣分主義風氣等，將這筆巨額資金的大部分固定在了低回報率上，阻礙了部分「血液」作為風險資金循環。實際上，個人金融資產的約5成是低利率的銀行存款/現金，大部分流向大企業融資或國債。企業擁有630萬億日元的留存收益，但許多大企業陷入創新困境，對于工廠建設等與現有業務有明確協同效應的投資，容易說明投資回報率而做出決策。但像物理AI開發這樣，如果不廣泛橫向擴展到現有業務以外的新市場就難以收回投資的項目，作為供應商來看風險高，難以邁出一步。像物理AI這樣的高風險、高回報投資主題，本應由初創企業來應對。但如后篇所述，日本至今未能向初創企業生態系統輸送足夠量的風險資金和人才。「日本資金本身是有的」，因此只要改善資金循環的機制和動機，日本一定能改變。考慮到物理AI的競爭與機遇，剩下的時間不多了。現在正是應該行動的時候。

誤解7 「日本使用美國制造的物理AI即可」

除了經濟安全保障和安全的語境，單純從作為供應商涉足物理AI的個別企業視角來看，將物理AI這種「機器人的大腦」要素依賴其他企業，在事業上并非理想戰略（僅作為用戶使用物理AI的企業另當別論，此處除外）。最終取決于個別企業的事業戰略和商業模式，雖然可能有依賴其他企業也能成立事業的情況。但考慮到今后在機器人和機器人服務的附加價值中，AI和后臺系統等軟件側的比重會增加，能夠自身內部控制可能成為附加值核心的物理AI，自由度會更高。目前雖然有部分開放的物理AI模型發布，但無法保證會一直持續。一旦物理AI迎來ChatGPT時刻，很可能像普通生成AI的前沿模型一樣，走向封閉化方向。屆時，昔日的開放模型將因過時而無法使用。在機器人領域，為了確保實時性，需要在本地（邊緣側）運行模型，但能夠隱匿模型參數的「可信執行環境」和「機密計算」框架未來也可能不僅限于云端GPU，還擴展到邊緣GPU。此外，物理AI上位側的模型關于云端通過API執行可能就足夠了。這樣一來，與當前生成AI一樣，機器人行動生成（物理AI）也將以全球平臺商的按量付費為主（即使本地執行亦然），每次通用機器人進行智能動作時，支付給平臺商的費用就會增加。結果，可以預見，僅從事機器人硬件本身，事業的吸引力將減弱。在物理AI領域，與其只做硬件側，不如能自己制作出可成為全球平臺商的、前沿模型級別的產品。

誤解8 「與人形機器人相比，工業機器人速度慢，因此在工廠/FA中無法使用」

工廠內也有很多不需要速度的作業和任務。正因為如此，當前的工廠內根據工序不同無法完全無人化，有大量人員。在那里，人們并非像工業機器人那樣以肉眼無法捕捉的速度飛速運轉。一旦物理AI迎來ChatGPT時刻，它帶來沖擊的方式將是完成人們從事的無數「無名任務」、「繁雜任務」的集合。物理AI的價值并非僅僅因為它是「在物理空間運行的AI」，而是因為它具備基礎模型的特性。將物理AI安裝到人形機器人或通用的雙臂移動操作器上時，其價值也不在于特定任務的絕對速度，而在于無需特別開發就能完成的任務的廣泛性。即使在工廠內，工業機器人之所以被使用，也往往是因為其可編程性、靈活性等能應對的任務具有一定廣泛性。如果追求絕對的生產性或速度，為特定任務構建沒有可編程性的專用機會更快。實際上，在暢銷、需要大量生產的產品的制造中，常常跳過工業機器人這一選項，采用僅面向該產品的專用機，追求極致生產性。為了享受可編程性這種廣泛性/通用性，當前的工業機器人已經接受了速度遜于專用機的事實。工業機器人與通用機器人之間的關系也類似于此。乍看動作比工業機器人慢，但如果由于物理AI技術成熟，其靈巧性、廣泛性、通用性超過閾值，作為事業就有足夠價值。原本，物理AI和通用機器人的最終主戰場就不是工廠/FA等特定領域。主戰場是目前機器人技術難以自動化、不得不由人進行的廣泛任務/作業，乃至一般家庭內的任務。速度當然是越快越好，但只要能實現與人同等程度的速度，就有足夠價值。特別是在沒有安全圍欄、與人共用同一空間運行這類通用機器人時，反而速度超過人是危險的，因為難以確保安全。可以說，「比工業機器人慢所以沒用」的指摘是不得要領的。

誤解9 「把握、識別物理空間也是物理AI」

雖然物理AI需要這類要素，但僅「把握、識別物理空間」不構成物理AI。如果只關注「把握、識別物理空間」，這一領域更應被稱為「空間AI」或「空間智能」。僅因為處理物理空間，就將單純的三維重建或Gaussian splatting等技術領域視為物理AI，有些過度擴大解釋。同樣，構建元宇宙三維環境或數字孿生的舉措，僅此而已也很難說是物理AI。有了精確的三維環境，雖然容易實施Sim-to-real等，推理時也容易進行行動規劃，但這終究只是環境建模的一種。將單純的數字孿生或IoT視為物理AI，只會強調物理AI的物理側面，而輕視、貶低了其本質——作為基礎模型的側面。無論是VLA模型、視頻行動模型，還是世界模型，其核心在于不僅限于把握、識別，而是伴隨著行動等某種「生成」——這正是當前技術進步、被世界所期待的領域。