物理世界是AI的下一瓶颈，3D打印零件就是最严苛的考场

AlphaFold展示过AI能带来什么样的科学突破，现在它又展示出AI做不到什么。软件可以消除一部分瓶颈，但现实世界的约束永远在下一层等着。

这个感受在2026年Sifted峰会上反复被提起。伦敦Shoreditch的Protein Studios，听起来像ChatGPT时代以前的某个标志性突破。

2020年11月，Google DeepMind宣布AlphaFold解决了蛋白质结构预测挑战赛里那个困扰科学家几十年的难题。五年后，AlphaFold数据库已经存放了超过2亿个预测蛋白质结构，全球数百万研究人员在用。

但AlphaFold也说明了一件事，AI能极大减少科学瓶颈，但它没有让生物学变得即时。

知道或者准确预测蛋白质的结构，并不能消除理解它行为的需求。它在不同环境里怎么活动，和别的分子怎么相互作用，毒性如何，化学性质是什么，能不能制造，实验怎么做，动物研究和临床试验怎么安排，这些环节一个都没少。2026年发表的研究还在把AlphaFold预测和实验测量放在一起用，也有一些工作在指出AI预测蛋白质在现实世界中采用动态构象集合时的局限性。最近《自然》上有一篇报告发现，如果加入制药公司持有的超过20000个专有蛋白质结构，AI蛋白质模型可以比只用公共数据训练的系统做得更好。

AlphaFold移除了一个约束，然后暴露了它背后的那个约束。在纸面或者硅片上解决瓶颈，并不能移除物理世界。

这个观点在欧洲初创企业和投资者的峰会上反复出现。很多讨论已经越过聊天机器人和大语言模型，转向一个大家越来越常说的领域，物理AI。这些系统不只是期望生成信息，它们要能在现实世界里感知、预测和行动。

前Meta高管、英国前副首相尼克·克莱格，现在是Hiro Capital的普通合伙人。他直接质疑一件事，无限期扩展今天基于Transformer的模型范式，到底够不够。

克莱格把生成式AI描述成一种奇怪的矛盾技术。极其通用，但也极其低效，需要巨量的资本、能源和数据。他认为这种集中化有利于那些能以欧洲不太可能匹敌的规模部署基础设施的公司。

同时他也觉得基于Transformer的AI是会「即将被颠覆的」，其中有个特别重要的未解决领域，就是AI与物理世界之间的交互。

他的意思并不是大语言模型突然就不重要了。相反，他在质疑，扩展同一套架构是不是就一定能造出能理解和导航动态、不可预测环境的机器。

「我非常怀疑这是否真的成立。」他在聊到「Transformer扩展最终能带来对物理世界的全面理解」这个命题时说了这句话。他补充说，现有的生成式AI已经能帮机器人执行重复性任务，但要在「完全不可预测的光彩」里导航物理世界，那是另一回事。

随后一个关于世界模型的Sifted小组讨论，从工程师的角度做了类似的区分。

Stanhope AI的首席执行官罗莎琳·莫兰说，LLM从根本上说是围绕语言预测来设计的。Stanhope AI在做的推理系统不一样，它要在本地预测、决策和行动，不用不断返回服务器集群。「物理AI的边缘只是一个不同的领域。」她说。

自动驾驶公司Wayve的全球事务副总裁莎拉·盖茨提出了一个更有用的分法。「我觉得二分法真正应该放在认知AI与物理AI之间，而不是去盯着某一种特定的模型类型。」

Wayve自己用了多种方法，包括语言模型和视觉-语言-行动模型。盖茨把他们的车载系统描述成更接近「世界行动模型」。她特别提醒了一句，不要假设欧洲或者任何地区应该押注去赢某一种特定架构，AI研究还会继续变。

真正的转变，是从生成答案转向生成行动，不管底层架构是什么。换个更直接的说法，就是从生成答案转向生成行动。

在世界中运行，误差空间小得多。语言模型可以幻觉出一个段落但仍然有用，程序员可以拒绝有缺陷的代码，用户可以忽略糟糕的建议。但当AI系统开始控制车辆、机器人、医疗系统或工业流程，后果就完全不同了。

盖茨说，自动驾驶软件必须集成到物理车辆里，满足汽车级的验证和确认要求。「在部署方面，这完全是另一回事。」

生物AI公司Bioptimus的联合创始人泽尔达·马里埃从科学角度聊了这个区别。对LLM来说，评估可能在于判断一个答案是不是优质、有用或合理。而生物预测最终能面对更具体的测试。比如模型预测某个基因在特定位置表达，「你可以判断它是否正确。」

她后来说了一段更生动的对比。「我来自训练LLM的世界，」那里的评估常常「非常松散随意，无论好坏。」

「而在物理AI中，突然间你有了这个标准……难吗？是的。但另一方面，作为一名科学家，有人告诉你他们想看到什么。这太棒了。」

对物理AI来说，世界本身就是基准的一部分。增材制造对这个问题的体会很深。

AI系统可以提出设计、工艺参数或构建策略，但最终这些输出要面对粉末、热量、重力和公差。一个模型不能无限期地安全「幻觉」出材料属性、激光参数、无支撑几何、CT解释或鉴定结果。最终，答案会变成一个零件。

英国政府也在把注意力从软件模型转向硬件和现实世界应用。英国人工智能大臣卡尼什卡·纳拉扬解释说，从他的角度看，物理AI还有另一层含义。「我们越来越需要进行集体对话，讨论构建的地理分布是什么，以及这对我们全球所有人是否有意义。」他还说，在AI领域明显的领导者美国和中国之外，其他国家可以取胜的地方在于能否成为可信赖的合作伙伴，他强调了欧洲和印度的技术民主国家。

物理AI带来另一个问题，训练数据从哪来。生成式AI的崛起，部分得益于海量数字化人类输出的存在。文本、图像、软件代码和视频早就已经在互联网上以巨大规模积累。但物理智能需要的很多数据集，并不以同等形式存在。

Paladin Capital Group的董事总经理纳佐·穆萨举了声音的例子。人类能识别另一个房间玻璃破碎这样的声音事件，物理机器可能也需要同样的能力。但不存在一个方便标注的互联网规模数据集，把机器人在每种环境中可能遇到的所有声音都收进去。物理地去生成这些数据非常昂贵。穆萨认为，这让仿真平台变得越来越有价值。

生物学也有类似的限制。Bioptimus用的是高分辨率的活检图像和分子测量数据。马里埃说，能够进入配备精密测量设备的医院和实验室，是公司训练模型能力的基础。「我们必须身处那些甚至有可能构建技术的地方，然后才能销售它。」

这句话暗示了这两个AI时代之间的另一个区别。互联网为生成式AI提供了训练材料。物理AI可能不得不自己制造训练材料。

制造AI最终可能需要构建腔体计量、失败打印、维护记录、材料批次、检测数据和后处理结果的某种组合。对增材制造来说，问题是谁拥有这些制造训练数据集。是设备制造商？MES供应商？服务商？材料公司？计量供应商？还是运行这些零件的航空航天和医疗公司？

随着AI越来越接近生产，这些数据集可能变得更有价值。

中国已经把现实世界环境当成训练物理AI所需基础设施的一部分。

穆萨在小组讨论中指出，中国机器人公司可以用大型训练环境。这个说法有更广泛的国家层面推动作支撑。今年6月，中国工业和信息化部与国有资产监管机构启动了一项计划，明确呼吁在制造、物流、维护、医疗保健和其他场景中建设现实世界训练空间，目标是积累高质量的物理机器数据。北京还开发了专门的人形机器人训练设施，把工业车间、商店、家庭和医疗保健环境都再现出来了。中国最新的五年计划为这个方向提供了更多洞见。

今年8月，我们去了华快（Huafast）位于深圳的3D打印工厂。5600台拓竹（Bambu Lab）设备构成了一个更广泛生产网络的一部分，整个网络大约有15000台桌面打印机。真正让人有感觉的不只是打印机的数量，而是围绕它们的一切，劳动力、材料、维护、利用率、订单路由，以及怎么让几千台相对廉价的机器持续保持生产力。

我们看到的一台打印机已经记录了约7800个小时的打印时间。现在想象一下，不是一台打印机，而是几千台持续运行所生成的信息，贯穿不同的材料、几何形状、故障、维护干预和生产任务。

当增材制造成为生产时，数百万机器小时里发生的一切，就是有价值的数据库。不是说华快现在就在训练这样的模型。关键在于，制造规模本身创造了一种信息资产。

工厂可能成为物理AI训练所依赖的基础设施的一部分。

这也改变了AI中价值可能积累的位置。

General Catalyst的泽伊内普·亚武兹-威尔逊在早些时候的Sifted小组讨论里提出，当更大的经济挑战是扩散的时候，注意力过度集中在技术本身。「这不是一个技术挑战意义上的AI，」她说，「而是变更管理挑战意义上的AI。」物理AI把这个问题推向了更深处。

一家成功的工业AI公司可能需要算法、硬件、专业数据集、仿真、制造合作伙伴关系、认证、安全验证、分销渠道，以及愿意让系统与真实流程交互的客户。这可能会在硅谷之外创造机会。当AI必须与物质而不是像素交互时，工业生态系统、实验室、汽车供应链、医院和制造专业知识变得更加重要。

但同样的要求也让部署变得更加困难。AI现在可能正在更广泛地接近同一个转变。它的第一个巨大优势是软件可以比现实移动得更快。它的下一个挑战是，现实拥有最终否决权。