能力相关的物理 AI 可以来源于截然不同的形成历史，但仅按形态、架构、学习算法、任务或领域分类并不能直接说明能力的根本来源。我们将“能力形成来源”定义为在物理 AI 能力出现过程中实质性贡献的因素，区别于组件或构建步骤。
通过重建归纳并达到理论饱和，我们识别出七类非排他性来源：记录经验（Recorded-Experience, RE）、预测建模（Predictive-Modeling, PM）、评估交互（Evaluative-Interaction, EI）、替代环境（Surrogate-Environment, SE）、机制基底（Mechanism-Grounded, MG）、具身耦合（Embodied-Coupling, EC）以及进化驱动（Evolution-Driven, ED）。
在文献检索、去重、编码规则制定后，我们进行了三轮最大差异与负例抽样，覆盖了课程与自监督学习、主动推理、开放式与发展式学习、规划与搜索、神经符号架构、数字孪生、生成式物理世界模型以及形态-控制协同设计等挑战。截止2026年9月4日的范围内，49 条证据记录均可由上述七源单独或组合解释，未出现不可归约的第八源，也未需新增核心定义或边界规则，因而在本范围内实现了理论饱和（但不等同于逻辑完整或未来覆盖）。
该框架区分了观察到的能力相似性与形成过程相似性，为解释、迁移、复现、依赖关系、治理证据以及地缘经济基础的分析提供了工具。
点评：该分类体系帮助研究者聚焦能力的根本来源，为跨领域迁移和系统化评估提供了清晰的分析框架。