物理人工智能（Physical AI）指在真实世界约束下，通过连续感知‑建模‑行动闭环，实现对物理环境的感知、预测和控制的人工系统。它与传统的数字 AI、具身 AI、网络物理系统以及数字孪生在目标、交互方式和实现手段上均有区别。\ \ 本体论层面，物理 AI 跨越物理学、控制论、认知科学、机器学习和推理五大基础，形成统一的理论框架。感知层面强调多模态传感与物理数据的获取；建模层面聚焦世界模型与仿真；决策层面涉及运动控制、策略学习和多智能体协同；执行层面要求硬件‑软件协同设计以满足实时性和可靠性。\ \ 关键技术包括：\
- 多模态感知与物理数据融合；\
- 基于仿真的世界模型构建；\
- 具身基础模型与自监督学习；\
- 运动控制系统与强化学习结合；\
- 多智能体协同与分布式决策；\
- 硬件‑软件协同设计以实现高效实时执行。\ \ 典型应用覆盖机器人、智能制造、基础设施监测、科学实验平台以及自主服务系统。实现这些应用时必须解决仿真到现实的迁移（sim‑to‑real）、系统可靠性、实时执行、评估标准、安全治理以及长期部署等关键问题。\ \ 通过将感知、预测、决策、行动和适应闭环连接，物理 AI 正在从狭义自动化向更具通用性的物理人工通用智能（Physical AGI）迈进。未来研究方向包括提升跨模态理解能力、构建可解释的物理世界模型、实现大规模多智能体协同以及制定统一的安全与评估框架。\ \ 点评