2025年7月16日，英伟达CEO黄仁勋在链博会上表示，人工智能已成基础设施，类似电力和互联网的重要性。中国目前有数百个数字孪生项目，用于工厂设计优化，许多机器人通过英伟达Omniverse训练，确保安全。他预测，未来10年内将出现能够理解物理世界并执行任务的AI，彻底改变工厂模式，与人类协作制造智能产品。人工智能将推动各行业变革，带来新的工业革命与增长机遇。

Meta发布报告：具身智能的未来是「心智世界模型」 Meta最近发布了一份40页的研究报告，提出了一种全新的发展方向——「心智世界模型」。这一模型不仅关注物理世界的规律，还将人类的心理状态和社会行为纳入框架，旨在打造能听、能看、能理解、会共情的智能体。 传统世界模型（如LeCun提出的JEPA）主要...

6月11日，Meta推出全新模型V-JEPA 2，该模型在物理世界的视觉理解和预测方面达到顶尖水平，显著提升了AI代理的物理推理能力。此外，Meta还同步发布了三项新基准，用于评估现有模型从视频中推断物理世界的能力。这一进展标志着人工智能技术在理解现实世界动态方面的又一重要突破。

2025年6月11日，元戎启行CEO周光在火山引擎Force原动力大会上宣布，将携手火山引擎基于豆包大模型研发VLA技术，打造物理世界的Agent。VLA模型具备空间语义理解、异形障碍物识别、文字引导牌理解和语音控车四大功能，预计于2025年第三季度面向消费者市场推出。该模型通过深度学习技术，可解析复杂路况、识别动态盲区、应对异形障碍物，并准确执行用户语音指令。目前已完成真实道路测试，未来将适配更多芯片平台。元戎启行计划年内推出超5款搭载VLA模型的AI汽车，其中包括支持激光雷达与纯视觉方案的产品。火山引擎表示，此次合作旨在推动智慧出行领域创新发展。

图灵奖得主、Meta首席AI科学家杨立昆近日在“Big Technology Podcast”节目中指出，当前大语言模型的发展已接近瓶颈，仅靠文本训练无法实现人类级智能。他强调，现有AI技术依赖于文本数据的统计规律生成答案，缺乏创造新事物的能力及对物理世界的理解与抽象推理能力。杨立昆认为，单纯扩大模型规模和增加训练数据无法突破这一局限，真正的AI应具备理解物理世界、持久记忆、推理与规划能力。他预测，AI技术将在2030年前迎来新变革，但目前仍难以支撑家用机器人和自动驾驶汽车等应用。杨立昆正研发一种新系统，通过预测物理世界行为使AI更好地理解现实。

2024年被誉为中国‘具身智能元年’。智平方科技有限公司在第十三届中国创新创业大赛中获总决赛亚军，并被评为‘人工智能年度领航企业’。创始人郭彦东博士指出，具身智能正从实验室迈向商业化，有望在未来5至10年全面融入社会生活。智平方自主研发的AI2R Brain大模型已应用于多个场景，包括工业制造、服务康养等，赢得多家国际一线车企的订单。郭彦东认为，具身智能产业化成败在于‘物理世界大模型’的工程化能力，中国将成为这一领域的核心引擎。

谷歌发布了先进的视频生成模型Veo 2，超越了Sora，能够更好地理解物理世界和运动细节，分辨率高达4K。Veo 2不仅能生成高质量的视频，还能理解电影摄影语言，如镜头类型和效果。相比Sora，Veo 2在物理建模和一致性方面表现更佳。此外，谷歌还推出了Imagen 3图像生成模型和Whisk工具，后者允许用户通过图像而非文本作为提示生成图像。这些模型和工具在细节、真实感和多样性方面都有显著提升，为内容创作者提供了新的可能性。

阿里巴巴集团CEO吴泳铭在2024云栖大会上强调，AI发展速度已超越历史任何时期，但目前仍处于AGI变革的初级阶段。他指出，生成式AI的最大潜力不在于创造出更多手机应用，而在于全面改造数字世界，进而影响现实物理环境。这一观点在当前AI技术高速演进的背景下显得尤为前瞻和重要。

在2024云栖大会上，阿里巴巴集团董事兼CEO、阿里云智能集团董事长兼CEO吴泳铭宣布，AI算力需求渗透率已超过50%，在新增算力市场和需求中占据主导地位。吴泳铭指出，AI计算正在加速演进，推动整个计算体系向GPU为主的AI计算体系转变，几乎所有软硬件都将具备推理能力，计算内核以GPU AI算力为主，CPU算力为辅。AI计算已在汽车、生物医药、工业仿真等多个行业加速渗透，引发新兴产业革命。阿里云正大幅投入AI技术研发和基础设施建设，单网络集群已扩展至10万卡级别。此外，通义千问API在阿里云百炼上的调用价格在过去一年降低了97%，百万tokens调用费用降至最低5毛钱。吴泳铭强调，AI最大的想象力在于改变物理世界而非仅限于手机屏幕，目前AI发展正处于AGI变革的早期阶段，生成式AI潜力巨大，不仅在数学、物理、化学等领域达到博士生水平，推理成本更是指数级下降，远超摩尔定律。

【让AI更懂物理世界！人大北邮上海AI Lab等提出多模态分割新方法】 近期，来自中国人民大学高瓴GeWu-Lab、北京邮电大学及上海AI Lab的研究人员共同提出了名为Ref-AVS（视听场景下的指代分割）的新方法，旨在让AI具备多模态线索下的定位与理解能力，更深入地理解真实物理世界。这一...