AI 正走进实体世界,而真正的挑战也从这里开始

AI 硬件的规模化落地正在进入新阶段。全球人形机器人市场预计在 2025 年达到 49 亿美元,年增长率超过 50%;通用汽车计划在 2026 年车型中引入由 AI 驱动的“eyes-off(无需持续注视路况)”驾驶能力;Eight Sleep 利用机器学习实时调节床垫温度;Waymo 已在美国多个城市运营全无人驾驶出租车。

AI 已经不再只存在于云端。当 AI 开始进入机器人、汽车、智能设备和真实生产环境时,产品开发逻辑会随之发生根本变化。

真正的难点不是“AI够不够聪明”,而是“能不能长期稳定地工作”。

一个模型在实验环境中可以表现得非常出色,但一旦部署到真实世界,仍然可能迅速失效。因为此时它必须面对不可预测的环境、机械与电子约束、系统集成以及安全要求。你不再只是做软件,而是在做一套必须长期、可靠运行于非受控环境中的实体系统。

以法国一家大型包裹配送企业为例,他们已经设置专门团队负责把 AI 真正接入运营系统:不仅要“有算法”,还要确保系统能够正确集成、持续运行,并在生产环境中产生业务价值。一旦加入硬件,复杂度会成倍增加——每多一层系统,就多一组依赖关系,也多一类潜在失效点。

在这一轮 AI 浪潮之前,Pepper、NAO(Aldebaran/SoftBank)或 HEASY(Hease Robotics)这类机器人已经具备感知与动作能力,但在不可预测环境中,自主性往往很快触及边界。如今 AI 带来了更多可能:预测性维护可以减少停机;合成数据可以更快替代部分真实数据采集;由大语言模型(LLM)驱动的数字孪生也正在加速产品原型与系统验证。

市场正在加速,但资本也越来越谨慎

亚太地区已经占全球机器人市场的 40% 以上。到 2024 年年中,中国有效机器人相关专利超过 19 万件,约占全球总量的三分之二。

资本流向也反映出同样的变化:与“什么都能做”的通用人形机器人相比,投资者越来越关注针对明确任务设计的专用机器人系统。因为这类产品更容易集成、更快产生可量化结果,也更容易建立清晰的投资回报率(ROI)。

AI 一旦进入实体世界,工程负担就会陡增:更多硬件、更复杂的集成、更多现实约束。开发周期会变长,成本会上升,项目执行难度也会显著增加。很多项目并不是死在原型之前,而是死在原型之后——因为团队低估了“把它真正做成产品”所需要的系统复杂度。

AI 硬件项目最常见的 3 类失败方式

多数 AI 硬件项目失败,并不是因为 AI 模型本身不工作,而是因为围绕模型的整套系统没有按照真实世界的要求来设计。

1|验证了错误的问题

典型场景:某人形机器人客户把大量精力投入到“让机器人走起来”的演示。

这样的演示在舞台上当然很吸引眼球,但它额外消耗了数月开发时间,却没有证明真正重要的能力:机器人是否能理解环境、是否能稳定与物体交互、是否能够安全运行。

问题在于:工程团队很容易优化“看起来最厉害”的部分,却没有优先验证真正能创造业务价值的能力。

Kickmaker 的建议:先定义目标和使用场景,再验证最能体现价值的能力。我们曾建议客户暂时取消双足行走约束,改用轮式底盘。那不是走捷径,而是让验证目标更聚焦、更接近产品价值。

2|沿用错误的开发逻辑

典型场景:不少 AI 项目仍沿用纯软件思维——快速迭代、先跑起来、问题以后再改。只要修改成本足够低,这种方式有效;但当每一次迭代都会牵动机械、电子、热设计和系统集成时,这套逻辑就会失灵。

问题在于:你不能先把墙砌起来,再回头决定地基怎么做。底层架构一旦错了,上面叠加的所有东西都会变得不稳定。

Kickmaker 的建议:复杂 AI 硬件既需要速度,也需要结构化方法。真正有效的开发方式,是先建立清晰的系统工程框架,同时允许机械、电子、软件和算法团队快速迭代,但任何迭代都不能破坏整机架构的一致性。

3|还没把阶段走完,就急着放大规模

典型场景:某人形机器人项目在合成数据上把 AI 模型训练得非常成熟,直到现场测试时才发现:执行器连续运行 45 分钟后热量积累,开始影响传感器精度。

问题在于:如果跳过 EVT(工程验证测试)、DVT(设计验证测试)或 PVT(生产验证测试)等关键里程碑,很多涉及安全和可靠性的缺陷只会在成本最高的阶段才暴露。

Kickmaker 的建议:按正确顺序做决策。Prototype、EVT、DVT、PVT 各自回答不同的问题,也对应不同的成熟度目标。尊重产品开发节奏,反而是最快的路径。

Kickmaker 在 Physical AI 中扮演什么角色?

Kickmaker 不负责训练 AI 模型。我们的核心能力,是把 AI 周围的硬件和系统真正做成能够在现实世界中运行的产品。

这已经是我们正在做的事情:

· Sanctuary AI:开发先进触觉传感器,并支持 Phoenix 机器人在工业环境中的系统集成。

· Symbotic:为物流机器人 Symbot 平台开展合成数据生成相关研究。

· 保密项目:支持一款人形机器人硬件平台的工业化,该平台集成了基于数亿条公开互联网视频预训练的 AI 能力,这代表了机器人开发模式相较传统方案的一次重要变化。

接下来的竞争,已经不只是“谁的 AI 模型更强”,而是谁能把 AI 真正变成一套可靠、安全、可规模化部署的实体产品。