黄仁勋提出的“物理AI”，影身智能通过“4D世界模型”落地了

今年年初，英伟达创始人黄仁勋提出了一个概念：物理AI。

什么意思？就是AI能够理解物理世界规律、并在真实空间里感知、推理和行动的人工智能系统。他认为，这是AI发展的下一个阶段。

因此，2026年也被称为“物理AI”元年，业内普遍认为真正实现“物理AI”至少需要3年以上。

实际上，黄仁勋口中的“物理AI”，已经被一家中国科技公司做出来了。这家公司叫影身智能，他们打造了一个叫“4D世界模型”的技术底座。

01

世界模型，让AI走进真实物理世界

先说说，从大语言模型到世界模型，究竟有多远。

大语言模型的核心，是预测下一个Token。它擅长语言、知识和逻辑。你问它问题，它答得头头是道。

但真实世界里没有Token。

以机器人为例，要完成一个动作，光听懂指令远远不够。它还要能够理解真实物理世界当中的复杂规则，以及物体在特定场景下受到的影响，并且预测下一秒会发生什么。

世界模型干的就是这件事：让AI学习真实世界如何运行。它预测下一个物理状态。

举个例子，一台从没有在工厂环境训练过的机器人，没人教它如何工作。但它看了几千小时的人类操作视频，慢慢摸清了物体被拉、被扭、被推时的形变规律。动手之前，它就能预判接下来会发生什么。

这就是世界模型的能力。

那问题来了，为什么一定是4D？

行业里现有的主流路线，各有各的短板。

VLM和VLA路线，靠语言、图像和动作数据训练。缺点在于：力控、材质、形变这些物理细节，很容易在数据里丢掉。

二维视频路线，画面可以做得很逼真。但深度信息、空间结构、真实的交互反馈，二维画面里没有。视觉逼真和物理真实，根本就是两回事。

三维重建路线，能还原空间形态。但缺了时间维度，就只能描述某一个瞬间，理解不了动态变化，也预测不了下一步。

影身智能创始人闵伟有个判断：“语言是人类的母语，机器的母语在三维物理世界里。”AI训练用的语言、图片、视频，都是真实世界被压缩后的投影。降维必然损失大量信息。

触觉、力学、风场、热场、电磁场等物理规律，本质上都依赖完整的四维时空才能被真实承载，二维像素空间根本无法容纳这些信息。正因如此，原生4D世界模型成为继大语言模型、视频生成模型之后的新一代基座。

4D世界模型-手物操作生成视频对比（中间为影身智能4D世界模型）

这也解释了一个行业怪现象：数据从十万小时堆到千万小时，泛化问题依然没解决。数据的关键不在数量而在于质量，更确切地说，在维度。

所以影身智能选了4D路线：三维空间，加上时间维度。尽可能完整地保留真实世界中的空间结构、动作过程、材料变化和交互因果。

按行业传统，世界模型的技术路线分成了四类。闵伟把自己划在第五类：以4D时空为核心的动态世界模型。前四类用的都是互联网上的现成数据，影身智能从底层创造了一种从来没有过的数据集。

02

影身智能的技术底座：4D数采、4D基座模型和垂域模型

方向定了，怎么落地？影身智能搭了三层技术底座。

第一层，4D数采，解决高维数据从哪来。

世界模型首先是数据问题。全球的4D数据只有上百小时，大多数躺在实验室里。传统采集方式有多贵？今年春晚那个演员和分身共舞的节目，4D建模的机器要200多万，算下来成本至少2000元一分钟。

影身智能的方案，叫“影身360”。用4到6个普通RGB摄像头环绕工位，多角度同步采集，再用自研算法合成为高精度4D时空数据。

普通摄像头，加消费级GPU，就能跑起来。

这套系统的价值在于四点：降低了4D数据的获取门槛；可以在真实生产现场持续采集；能延伸到演唱会、赛事、活动这些动态场景；让4D数据从实验室的稀有样本，变成可持续生产的数据资产。

正如闵伟所说“互联网上有几百亿张图片，信息量可能不如一位老师傅在产线上刷几十秒胶。”那几十秒里，包含了力度、角度、曲面贴合、流体形态变化。全是物理世界最真实的反馈。

他还提到了李飞飞的ImageNet。在那之前，标注图片只有几千张，大家在现有数据集上雕花，模型性能每次只进步一两个百分点。100万张标注图片的数据集出来之后，才有了后来的深度学习浪潮。每一次AI的重大变革，底层驱动力都是新一代数据集。

第二层，4D基座世界模型，让AI三能一体。

影身智能的4D基座世界模型“破界S1”，是一套面向真实世界的底层模型体系。核心能力可以概括成“三能一体”。

渲染能力，重建和生成高保真4D场景。让模型看得见，也产生了基本的数据集。

仿真能力，在4D数据基础上融入触觉反馈、惯性参数、材质属性，学习材料形变、受力变化、运动轨迹和交互因果。解决"算得准"的问题。传统仿真高度依赖预设参数，这套体系直接从真实数据里学规律。

规划能力，基于物理理解生成机器人动作序列。让机器人真正动起来，通过观察熟练工人操作，理解工艺意图，自主泛化到新的作业对象上。

三种能力统一在4D时空表征之上，模型能理解并预测真实的物理过程。

第三层，垂域模型，把通用能力变成行业能力。

基座模型提供通用物理理解，真正进入商业场景，还要针对具体行业和任务做垂域模型。

物理具身方向，可以形成工厂场景的涂胶、压底、穿鞋带、包装、折纸盒等垂域模型。数字文娱方向，可以形成演唱会4D重建、赛事4D直播、数字人生成、沉浸式内容分发等垂域模型。

垂域模型的价值，是把技术变成可复用、可规模化。

03

4D世界模型场景落地：物理具身与数字文娱

先看制鞋。这是个典型的"双柔性"场景。

第一重柔性在材料。鞋面布料软，会变形、会起皱，机械臂抓不住；第二重柔性在生产。鞋款按月迭代，小批量、多批次，传统编程的机械臂完全跟不上节奏。

在实施之前，晋江的工厂老板问了闵伟三个问题：你的设备要改造产线吗？要停工吗？要派工程师驻场吗？闵伟只回答了两个字，不用。

落地效果怎么样？在晋江鞋厂的流水线上，一台台机械臂夹起鞋面，沿着曲面轮廓均匀涂胶。力度、角度、速度，由视觉系统和力控算法实时调节。十多秒后，鞋面被送到下一个工位，另一台机械臂开始压底。以前坐在这些工位上的，是工人。夏天车间里胶水味刺鼻，戴着口罩进去，待一分钟都难受。工人一待就是一天。

涂胶机器人

现在，机器人1:1替代人工，单工位半天完成部署。它通过观看工人操作学习新鞋型，效率跟熟练工人相当，还能7×24小时连转。原来45人的生产线，现在5个人管机器就够了。

更关键的是，机器人每在产线上跑一天，都在回传真实的4D操作数据。数据训练模型，模型变强后适应更多产线，产线又产出更多数据。数据飞轮就这样转动起来了。

凭借卓越的实施效果，2025年，影身智能拿下国内具身智能领域首个千万级柔性智造订单。2026年，在手柔性智造订单达到数亿元级别，排产规模千台级。初代产品ShadowGlue和ShadowPress已经完成稳定性测试，进入规模化交付阶段。

影身智能在具身智能领域的布局并不止于工业场景。依托世界模型的泛化能力，在逐步打开柔性工业这一万亿级市场的同时，影身智能正将技术与产品能力向养老照护、家庭清洁、厨房餐饮等生活服务场景延伸，推进照护机器人、清洁机器人以及炒菜、面点机器人等产品研发，探索具身智能在B、C两端的规模化应用路径。

再看数字文娱，这是4D世界模型的另一条商业曲线。

为什么4D能力可以进数字文娱？想一想，演唱会、赛事、发布会、重大活动，同样是动态的物理世界。舞台、人物、动作、灯光、空间、视角，全都在实时变化。

闵伟描述过一个场景：现在演唱会门票按座位卖，坐第一排和坐山顶，体验天差地别。把演唱会的4D数据采集下来，通过技术分发到各个终端。你坐在哪都无所谓，戴上4D眼镜，偶像就在你眼前。

对演艺人员进行360度实时动态4D重建

可能的应用方向包括：演唱会4D采集与沉浸式回放、体育赛事4D直播、重大活动的空间化记录。

04

一家冉冉升起的物理智能公司

强大的4D世界模型背后，是一支堪称豪华的技术团队。影身智能成立于2024年6月，围绕原生4D数据、世界模型和具身智能做全栈布局。

创始人闵伟，清华大学精密仪器系直博，20年柔性操作领域积累，曾在阿里本地生活从零搭建机器人团队，完整走过技术、产品到商业化的全过程。清华大学刘烨斌教授为合作的核心科学家，深耕三维视觉和AI多年。公司研发人员占比超过90%。

对于企业来说，影身智能提供的价值超出了单台设备的范畴。零产线改造、零停工、零驻场编程，一套持续进化的物理智能解决方案。设备跑得越久，模型越强，交付效率越高。

在资本层面，公司今年第一季度完成近亿元融资，投资方包括恒生电子、松禾资本、深高投等机构。技术布局上，影身智能计划在2026年底至2027年上半年，发布大规模4D数据集和具身智能大模型。

结束语：

影身智能这个名字，源自柏拉图的洞穴寓言。困于洞穴的人只能看见影子，唯有走出洞穴才能看见真实的世界。仅靠视频学习，就是那个洞穴；而4D才是真实世界。影身智能的使命，就是帮助机器人穿透影子、抵达真实：以视频为基础，但不止于视频，最终透过视频看见更高维度的真实世界。

物理AI的战场，在车间、在产线。因为，真正理解物理世界的AI，必须在真实场景中被训练、被验证，并且持续迭代。

世界模型真正的较量才刚刚开始。中国公司，已经坐在了牌桌上。