Physical AI：让 AI 在实验室里做事

图 1 · 从“看见实验室”到“在实验室里做事”。AI 概念插图。

设备清单、实时读数、一个能旋转查看的三维实验室。

第一次看到 Lab World 的界面，很容易想到实验室管理系统，或者数字孪生大屏。毕竟，这些软件也会显示设备、数据和三维场景。

但我们想做的事情，还要再往前走一步：

你给 AI 一个目标，让它根据现场情况安排操作，通过机器人和设备去完成，再检查结果、处理变化。

这就是我们所说的 Physical AI，也就是物理人工智能。它关心的是：AI 怎样在物理世界里把事情做成。

先用一件具体的事来理解。

同一间实验室，三种不同的工作

假设实验台上有一批样品，需要放进离心机处理。

信息管理系统可以记录：有哪些样品，离心机放在哪里，谁预约了它，实验结果存在哪个文件里。它帮助我们把信息管清楚。

数字孪生可以让现实中的设备有一个对应的数字版本，接收设备数据，帮助人观察、分析，有的还能模拟接下来可能发生什么。三维大屏只是它的一种展示方式。

Physical AI进一步关心操作：这批样品该怎么处理？设备现在能不能用？机器人要先拿哪支试管？操作没有成功，下一步怎么办？

图 2 · 三种常见的工作重点。它们可以出现在同一套软件里。图解可点击放大。

这里没有一条绝对的分界线。信息管理系统也能下发指令，数字孪生也能参与预测和控制。

我们真正要分清的是：拥有设备数据和三维画面，还不足以说明 AI 已经有了完成物理任务的能力。 还要看它怎样利用这些信息去行动，以及行动之后是否真的取得了结果。

从“显示一个温度”，到“根据温度做事”

大屏上显示“温度偏高”，人看见之后去处理，这是一个很有用的监控功能。

如果希望 AI 接手一部分工作，它还需要知道：哪台设备温度偏高？这会影响正在做的任务吗？现在该继续等待、调整操作，还是暂停并请人处理？采取措施之后，温度有没有恢复？

同样，三维画面里的一支试管到了目标位置，也不代表真实试管已经放好了。它可能根本没有被夹住，也可能在途中滑落。

因此，一次操作要走完这样一个过程：

图 3 · 不只发出命令，还要检查事情有没有做成。

这里的“根据结果再做调整”，通常叫作反馈。自动化早就有反馈，也能完成许多固定流程。Physical AI 希望进一步提高的是：当物体位置、设备安排或任务要求发生变化时，系统仍能理解情况，作出合适的调整。

能适应多少变化，需要实际测试。给系统接上一个大模型，或者让它能调用设备接口，都只是开始。

它和具身智能有什么区别

“具身智能”里的“身”，可以先理解为身体。

AI 有了机械臂、轮子或腿，就要学会通过这个身体与环境打交道。摄像头装在哪里，夹爪是什么形状，手臂能伸多远，都会影响它能做什么、该怎样做。

教机械臂把一支试管拿稳，就是一个典型的具身智能问题。 这里最关心的是机器人如何利用自己的身体完成动作。这个身体可以是真实的，也可以是仿真里的。

把视线拉远一点：机械臂拿起试管之后，还要与样品架、离心机和其他设备配合，把整项任务完成。这就很适合从 Physical AI 的角度来理解。

图 4 · 两种看问题的角度，有很大的重叠。这里用例子帮助理解，不是在划定严格的学科边界。

具身智能是实现 Physical AI 的一条重要路径。 同一台在真实环境中工作的智能机器人，往往会同时涉及这两个概念。

Physical AI 也可以通过一组固定设备工作。例如，AI 根据温室的环境和植物情况，安排通风、浇水，再观察效果。传感器、阀门和通风窗分散在不同地方，并不需要一个人形机器人。

图 5 · AI 可以通过一台机器人行动，也可以通过多台设备配合行动。AI 概念插图。

那么，Lab World 到底在做什么

我们选择先从实验室出发，为 AI 搭一个能够观察、操作和练习的环境。

在这里，AI 需要看懂有哪些设备、当前是什么状态；能够发出设备支持的操作；操作之后，能知道成功还是失败；失败了，还能回看当时发生了什么。

图 6 · 我们正在搭建的路线：让 AI 有地方练习，也有依据判断自己做得怎样。

这样再看界面上的功能，就容易理解它们为什么存在：

• 素材和场景库，是为了准备不同的实验环境。
• 三维视图和实时读数，是为了让人看清现场，检查 AI 在做什么。
• 设备操作接口，是为了让 AI 能实际尝试操作。
• 运行记录和评估，是为了找到失败原因，比较改进前后的效果。

它们共同服务于一个目标：让 AI 逐渐学会把实验任务做好。

项目现在交付的是本地实验工作台，主要在仿真环境中连接这些能力。仿真让我们可以反复布置实验、尝试操作、分析失败；但仿真里的成功，仍然需要在真实设备上验证。稳定抓取、可靠搬管，以及真实实验室的长期自主运行，都还有工作要做。

所以，理解这个项目最直接的方法，是看一项具体任务：AI 有没有看懂现场，操作有没有执行，样品有没有真的放好，遇到变化后能不能继续处理。

一间实验室显示在屏幕上，是人看见了它。

AI 能在其中完成任务，再根据结果调整下一步，才是我们朝着 Physical AI 前进的方向。

参考与延伸阅读

1. 《物理人工智能导论》第 1 章，尤其是 §1.2 的概念边界和 §1.5 的应用讨论。
2. Burger 等，A mobile robotic chemist，Nature，2020。
3. Degrave 等，Magnetic control of tokamak plasmas through deep reinforcement learning，Nature，2022。
4. Lab World 当前验收边界。