2026年5月29日，新思科技（Synopsys）发布新的IP产品组合，发布会主题词是Physical AI（物理AI）。六天后，6月4日，高通汽车技术与合作峰会在无锡举行，60多场演讲、70多家供应商带来的50多项实车展示中，物理AI同样是出现频率最高的词。
全球头部EDA（电子设计自动化）企业与车载座舱芯片厂商相继发力，也印证了物理AI在汽车领域的发展趋势。
物理AI最积极的推动者之一是英伟达创始人黄仁勋。2026年1月CES（国际消费电子展）上，他宣布人形机器人代表的物理AI正进入“ChatGPT时刻”的倒计时；3月GTC（GPU技术大会）上，他称“自动驾驶汽车的ChatGPT时刻已经到来”；6月GTC台北展，英伟达发布物理AI世界基础模型，并称全球约80%的汽车制造商已加入其自动驾驶平台。
车企也在跟进。小鹏2025年11月把公司定位改为“物理AI世界的出行探索者”；理想2026年1月调整组织架构，把基座模型与VLA（视觉语言动作模型）研发合并到同一团队，统一支撑智驾、座舱和机器人。芯片公司的变化落在组织上：高通把汽车与机器人放进同一个事业群，ADAS（高级驾驶辅助系统）与机器人业务由同一位副总裁分管。
座舱与智驾走向物理AI
爱芯元智董事长仇肖莘说，物理AI的本质是让AI长出“手和脚”；新思科技首席产品管理官Ravi Subramanian给出四个特征：实时确定性、高效可扩展、功能安全、系统软件支撑。这四点划出了物理AI与数字AI的边界，聊天机器人答错一题几乎没有后果，汽车在路口判断失误就是事故。
高通峰会现场的总结是，物理AI＝世界模型＋强化学习。
大语言模型可以靠互联网海量文本训练，物理AI没有这样的现成数据库，需要世界模型来积累数据。世界模型是一个能预测物理世界下一刻变化的模拟器，有三个用途：理解交通参与者的意图与因果，而非只识别物体；生成现实中难以采集的长尾场景；在闭环仿真中验证和训练驾驶策略。元戎启行副总裁何明提到：“智能驾驶就应该像人类开车，不是看遍千万场景才学会，而是理解这个世界和驾驶行为之后就会了。”
模仿学习的上限是人类司机的水平，而自动驾驶的安全标准远高于此，因此在世界模型的基础上还需要强化学习。Momenta CEO（首席执行官）曹旭东曾表示，VLA这类模型对安全性的提升只有5倍—10倍，L4级无人驾驶需要提升100倍—1000倍，路径是用海量真实数据构建仿真环境，让模型在其中通过强化学习自我进化。合起来看，世界模型解决“理解世界”和“数据从哪来”，强化学习解决“如何超越人类”。
不仅智驾走向物理AI，座舱也走上同一条路，座舱AI不再被动等待指令，而要主动感知情境、预判需求、执行任务。
座舱与智驾还共享同一套感知系统。高通执行副总裁Nakul Duggal回顾：“大约三年前我们就判断，以AI扩展的速度，把座舱与智驾系统分开是不合理的——本质都是让车辆通过AI感知环境，再把信息传递给不同需求方。”中科创达的演示展示了这种复用：一颗为紧急制动设计的摄像头识别出拐角处的行人，信息同时供给座舱智能体，智能体判断这是驾驶员要接的客人，主动提醒。不论从驾驶还是从座舱出发，终点相同：一个能在物理世界中感知、理解、预测、行动的智能体。
算法层面的收敛，正在硬件层面落地为舱驾一体，这不是新话题，新变化是它正从可选项变成默认项。
技术同构是第一推动力：智驾与座舱的底层技术栈一致，都是多模态感知、大模型推理、智能体执行。经济账是第二推动力：世界模型需要大算力芯片加大内存，而内存正处于涨价周期。Nakul Duggal表示：“未来12个到18个月，行业面临内存价格挑战。通过舱驾一体方案，把座舱与智驾整合进单颗SoC（片上系统），无须为两颗SoC分别配备专用内存，降低成本。”开发账同样清楚，高通副总裁兼ADAS和机器人业务总经理Anshuman Saxena表示，舱驾融合意味着“相同硬件开发基础上，开发工作减半”，且软件可直接迁移到下一代芯片。
舱驾一体的核心价值不是省一颗芯片，而是让座舱与智驾共享同一份对世界的理解、同一个算力池：行车时算力向智驾倾斜，泊车与驻车时向座舱倾斜，两类负载天然互补。
舱驾一体也面临挑战，功能安全的隔离必须做扎实，高通为安全相关的任务配置了完全独立的计算模块，不计入GPU等大型AI引擎，保证座舱负载不干扰安全功能调用的资源。这套架构抬高了软件工程门槛，不是所有车企都能驾驭，收敛是方向，节奏取决于各家的工程能力。
芯片的造法变了：训练在云端，推理在边缘
物理AI首先改变芯片。新思科技全球副总裁兼中国区总裁姚尧概括了三个变化：第一，算力效率与功耗的极限平衡，物理AI不是无限堆算力，而是在功耗、面积、成本的严苛约束下找最优解；第二，系统复杂性大幅提升，芯片要与软件、系统、物理环境协同设计；第三，上市要求更严苛，越来越多问题必须在设计阶段提前解决。他的结论是：“竞争的关键不在单点性能，而是系统级一次做好的能力。”
工艺在变。台积电把成熟的6纳米、4纳米、3纳米工艺改造成面向端侧的C-Node（紧凑型节点）系列。台积电公司中国区副总经理陈平解释：“AI从云端走向端侧，能效比成为核心驱动力。”
工具也在变。新思科技推出Agent Engineer（智能体工程师），超过25个工程智能体覆盖从设计规划到验证仿真的全流程；芯片设计周期已从24个月压缩到12个月，靠人力推进追不上节奏。这直接体现在财务上：新思2026财年二季度营收22.76亿美元，同比增长42%，全年指引上调至接近97亿美元。
还有一个变化是节奏。工具链智能化压缩了芯片迭代周期，芯片开始跟上整车开发节奏。Anshuman Saxena在主题演讲中说：“合作伙伴基于我们产品打造的系统从宣布获得定点到量产车型上路，仅需六到九个月。”元戎启行作为骁龙8797的首发量产合作方，拿到平台后约六个月完成开发落地。芯片与车型之间长期存在的周期错配，正在消失。
算力的分工也在重排：训练归云端，推理落到边缘。当被问到高通是不是主动把训练让给英伟达、只押注端侧推理？Nakul Duggal表示：“很多模型训练基于英伟达平台，但模型的实际应用与消耗主要集中在边缘侧，尤其是汽车——无论驾驶辅助还是智能座舱，几乎所有算力消耗都在边缘侧。”
边缘推理的重要性来自四个硬约束：一是实时性，Anshuman Saxena解释，VLA进入执行闭环后，词元（Token）生成速率必须非常快，因为汽车需要的不是长程推理，而是为执行而做的快速推理；二是隐私，端侧模型能更好地保护用户数据；三是可用性，无网、弱网环境下端侧必须独立工作；四是成本，推理发生在每一辆车上，直接计入整车成本。
训练中心化、推理边缘化将重塑产业价值分配：训练算力是资本开支竞赛，全球只有少数玩家有资格参与；边缘推理是规模的生意。汽车是当前最大的单体边缘AI设备——单车算力以千TOPS计，中国智能网联新车年销以千万辆计。谁掌握车端推理，谁就握住了物理AI时代规模最大的入口。
216.73.216.143
