搜索
凤凰网科技讯（作者/云飞） 10月27日，全球市场研究公司Counterpoint Research发布分析指出，物理AI的发展重心正从基础模型能力提升转向任务能力与系统能力扩展。报告认为，VLA路线侧重从视觉观测、语言指令到动作的映射，但能力拓展受动作标注数据规模与任务覆盖范围制约；WAM则通过世界动态建模与动作生成，为模型引入更丰富的预测信号。数据策略正走向多源融合，真机数据、Egocentric数据、互联网视频与仿真合成数据各有边界，关键在于提升有效训练信号密度并建立与真实任务表现之间的连接。
分析提出，Agentic架构为复杂任务能力扩展提供了新思路：通过基础技能复用、长程规划与环境反馈纠错，将任务范围扩大从端到端模型训练延伸至系统层面的组织与执行。以整理桌面为例，系统可将目标拆解为识别、抓取、移动与放置等子任务，并在执行失败或环境变化时重新感知、调整动作。Agentic与VLA、WAM形成互补：后者提供底层动作生成与世界预测能力，前者围绕任务目标组织、调用和协调这些能力。其实际价值需通过长程任务成功率、失败恢复能力及单位成功任务所消耗的数据、算力与人工成本综合评估。
基础设施层面，英伟达通过Cosmos世界基础模型、数据处理工具、仿真与训练框架及端侧计算平台，为物理AI开发者提供全栈开发基础设施，其愿景可概括为更好的数据、更好的训练与验证环境、更好的模型起点。分析认为，英伟达的长期机会在于将数据生产、世界模型、机器人策略、仿真训练与计算部署整合为可复用体系，但其战略价值需放在完整开发闭环中衡量。行业后续可关注三点：Agentic系统能否在长程任务与异常恢复方面带来可持续提升；合成数据与仿真能否降低每新增一项可靠任务能力所需的真实数据和训练成本；开放模型与工具链能否形成广泛开发者采用并转化为可持续的训练、仿真与部署需求。
