在线会议
论坛
专题
工控直播
新闻中心
子站
技术
社区
我们能完全理解物理现实吗？几个世纪以来，哲学家和科学家一直在争论这个问题。今天，这不仅仅是理论上的，而是生存的问题。
极端天气事件的频率和强度都在增加，工业系统在前所未有的负载下出现故障，供应链正在以我们难以预测的方式崩溃。与此同时，由于劳动力严重短缺，应对这些复杂挑战的技术工人越来越少。
围绕物理AI的狭隘视野
当前围绕物理AI的讨论已成为机器人技术的代名词：旨在自动执行折叠衣物、组装产品或递送包裹等任务的机器。例如，波士顿动力公司的 Atlas 可以做后空翻，特斯拉的 Optimus 承诺处理家务，亚马逊的仓库机器人已经在处理包裹。
这些用例固然重要，但它们侧重于自动化而非增强。鉴于实体行业严重的劳动力短缺，我们需要能够成倍提升人类能力的解决方案，而非简单地取代人类。
将物理AI等同于机器人技术，我们可能会错过一个更有希望的机会：使用AI帮助更少的工人大规模理解和管理复杂的物理系统。
其利害关系远不止于效率提升。由于气候变化、基础设施老化和供应链波动，制造业、能源业、建筑业、交通运输业和农业都面临压力。所有这些行业都面临着严重的劳动力短缺问题，需要我们用更少的人力做更多的事情。
我们已经生活在专家所说的“万亿传感器经济”中，数万亿个传感器形成了所谓的物联网或万物互联。物理世界中充斥着监测设备：跟踪天气模式的雷达系统、监测设备健康状况的热传感器、识别结构应力的振动探测器和测量空气质量的化学传感器。
此类技术产生的数据量是惊人的。一辆自动驾驶汽车每天生成 25 GB 的传感器数据，而现代飞机每小时生成 20 TB 的发动机数据，涉及数十万个参数。然而，来自车辆、飞机、工厂等的大部分数据都没有被使用。问题不在于数据稀缺。这是我们无法足够快地将不同的传感器流合成为可作的情报，从而产生影响。由于可以解释这些信号的经验丰富的工人越来越少，这成为一个更大的问题。
生成式模型与机器人技术和模拟的融合将使机器能够以前所未有的能力理解和导航现实世界。图片来源：NVIDIA
构建物理世界的工程大脑
AI已经教会机器写散文和生成图片。现在，一个新的领域正在出现，软件不仅解释世界，而且帮助构建世界。这就是物理AI的兴起：系统不是根据文字或图像进行训练，而是根据现实世界的原始约束（如摩擦、热量、振动和力）进行训练。这一领域的一家名为 P-1 AI 的初创公司正在开发一种名为 Archie 的机器，旨在与工程师协作完成复杂的设计任务。
Archie 并不是为了回答琐事或写摘要而设计的。它正在接受训练，通过多物理场系统进行推理，探索权衡CONTROL ENGINEERING China版权所有，并最终帮助设计从暖通空调系统到航天器的现实世界机器。P-1公司创始人之一 Aleksa Gordi? 设想了一个未来，像 Archie 这样的工具甚至可能帮助设计投机性巨型结构，例如星际飞船。“我们正在做一种叫做设计空间劳动力认知自动化的事情。”Gordi? 说。
NVIDIA首席执行官黄仁勋也强调了这一方向的重要性，在最近的几场演讲中将物理AI称为新的“工业革命”。他还将物理AI描述为公司未来背后的驱动力，并强调生成式模型与机器人技术和模拟的融合将使机器能够以前所未有的能力理解和导航现实世界。因此，NVIDIA 正在不断优化其硬件平台，不仅用于训练大型语言模型 （LLM），还用于自动驾驶、机器人和数字孪生等领域的物理推理任务。
使用约束进行设计
P-1 的平台利用强化学习和图形神经网络来生成合成数据集、对设计变化进行建模并模拟物理系统的行为——这些作在毫秒内完成，而不是几小时。
Archie 没有更换 CAD 工具或求解器，而是接受了使用它们的培训。它为任务选择正确的工具，并像初级工程师一样使用它。传统的仿真工作流程可能需要数小时甚至数天的时间来测试单个设计。Archie 使用图神经网络在毫秒内近似这些模拟，从而实现更快的迭代。
根据 Gordi? 的说法，目标不仅仅是速度，而是反映工程师的实际思维方式。“人类基本上是做一阶推理的......误差幅度很大。”他补充说，现实世界的设计通常是相互竞争的约束之间的协商，而不是一个简单的优化问题。如果你的样品离设计太远，事情就会开始分崩离析。但也许创新也是这样发生的。
随着数据中心比以往任何时候都消耗更多的电力和产生的热量，P-1公司正在工业冷却领域部署 Archie，它可以帮助设计更高效的 HVAC 系统。这是一个具有明显物理限制和商业紧迫性的领域。
该系统已经在风扇、压缩机和热交换器的组件级模型上进行了培训。Archie 不是在抽象意义上模拟气流，而是在学习如何做出真正的设计工程师在平衡气流效率与成本、噪音和占地面积时可能做出的选择。
IBM 研究科学家 Johannes Jakubik 认为， Archie 与 IBM 研究院正在进行的工作之间有相似之处。像 TerraMind 这样的模型是为卫星图像和遥感开发的基础模型，旨在通过生成缺少真实图像的合成图像来缩小地球观测中的数据差距。“我们不仅解释数据，还在开发模型，这些模型可以通过缺失的信息进行推理并模拟我们无法直接观察到的内容。”他说。
TerraMind 将雷达数据转换为合成光学图像的能力是迈向理解空间背景的多模态AI系统的关键一步。“这些系统不仅仅是生成图片，”他说，“它们正在进行一种物理推理。”
Jakubik 还强调了特定领域适应的重要性。“我们发现，通过深入理解问题背后的物理原理来训练模型，可以获得更稳定、更可靠的预测结果。仅仅扩展模型是不够的，我们还必须让模型对其所处的世界有更好地理解。”
AI是合作者，而不是替代者
AI系统旨在增强人类的能力www.cechina.cn，而不是取代人类的能力。“AI已经到了可以增强科学和工程发现的地步，但问题的框架仍然必须来自领域专家。” Jakubik 强调，AI在早期设计和假设检验方面尤其强大。这些时刻不确定性最高控制工程网版权所有，出错的成本最低。AI可以提供更广泛的初始想法，并比人类团队单独工作更快地对它们进行压力测试。
另一家致力于物理AI的公司是Lila Sciences，这是一家从Flagship Pioneering分拆出来的生物科技初创公司。Lila正在开发由AI系统引导的自主实验室，这些实验室可以生成假设并并行运行数千个实验。凭借 2 亿美元的资金和构建所谓的“科学超级智能”的目标，Lila 平台最近在短短四个月内发现了用于绿色氢气生产的新型催化剂，令科学界惊叹不已——这一过程此前估计需要数年时间。
我们需要AI系统来帮助较小的团队管理日益复杂的环境，而不是建造机器人来取代人类。以能源行业为例，老龄化劳动力的退休速度比新工人的培训速度还要快。在这个行业中，物理AI可以实时合成天气数据、管道压力读数和其他关键数据，为运营商提供有关易受攻击的系统组件的上下文感知和预测警报，以确保不会出现重大中断。
在制造业应用中，物理AI可以融合传感器数据，在设备故障发生前几周预测设备故障，使较小的维护团队能够主动而不是被动地工作。它不是取代技术人员，而是为他们提供了诊断洞察力——这意味着一名专家可以监督曾经需要完整团队的系统。
物理AI的最大价值不在于取代人类工人，而在于赋予他们超强的分析能力。随着物理世界变得越来越复杂控制工程网版权所有，我们需要能够实时处理传感器数据、识别模式并向实地决策者提供可作见解的AI工具。这意味着超越狭隘的自动化。目标不仅仅是自动化任务控制工程网版权所有，而是为人类配备智能工具，让他们能够快速、大规模地理解和响应物理世界。
2025（第二十一届）年度最佳产品奖有奖投票中
AVEVA剑维软件食品饮料行业白皮书有奖下载
立即有奖下载TE重载连接器选型指南
2025（第十四届）全球自动化和制造主题峰会
研华邀您共创，开启CPCl-S工控机的再一次演进
