深度拆解華為最新報告：物理智能規模化，為什麼偏偏卡在“協同”上？

作者 | 王涵 編輯 | 漠影 2026年，資本正在為AI走進物理世界瘋狂下注。IT桔子數據顯示，截至5月11日，國內具身智能領域今年已披露投資218起，金額超過577億元。不到半年，便超過了2025年全年357起的總量。摩根士丹利年內第二次上調中國人形機器人出貨量預測，從年初的1.4萬臺一路調高至5萬臺。這場競賽的主角也不只是機器人。抬頭看，賽迪顧問預測中國低空經濟市場規模2026年將突破1萬億元；低頭看，中國商業產業研究院測算2026年中國自動駕駛市場規模將達到5293億元。

從英偉達創始人黃仁勳把Physical AI稱為“AI的下一波浪潮”，到Figure AI在寶馬工廠完成1250小時真實生產作業，AI向物理世界的進軍，看起來勢不可擋。但現實呢？摩根士丹利的拆解顯示，2025年中國出貨的人形機器人中，42%流向了研發與教育，19%用於互動展示，19%用於數據採集，真正在工業物流場景裡幹活的只佔4%。錢投了、貨出了，物理智能為什麼就是沒法規模化上崗？

9月18日，在華為全聯接大會2026期間，由華為聯合中國信息通信研究院、中國科學院瀋陽自動化研究所、全球計算聯盟、安永（中國）企業諮詢有限公司共同發佈了《物理智能雲邊端協同架構研究報告》，給出的核心判斷是：物理智能必須從“單點瓶頸”走向“系統進化”，而系統進化的路徑，是雲邊端協同。一、物理智能為什麼需要雲邊端協同？在談論物理智能的困境之前，我們要先釐清，什麼是物理智能？華為在報告中將其定義為AI在真實物理世界中完成感知、理解、推理、規劃、行動和反饋閉環的能力體系，載體包括機器人、自動駕駛、智能空間以及工業自動化設備等。

無人機的航線規劃、自動駕駛的實時決策、工控系統的優化設計、建築的能源調度等等，只要AI要感知物理世界並對其採取行動，都屬於物理智能。表現形態雖然不同，但它們卻面臨同一套底層架構問題：“實時性”與“複雜性”的兩難。華為ICT新機會孵化部計算領域總監羅雲峰直言“AI入端”是物理智能落地最大的瓶頸。在端側，當前主流機器人本體仍有算力、功耗、成本、空間多重受限。在雲側，大模型上雲的推理時延無法滿足毫秒級工業控制，機器人、無人機本體的多維感知又意味著超大上行帶寬，而傳統網絡卻以下行為主。在弱網、斷網場景下，純雲端方案還有癱瘓風險。

更根本的是任務本身，感知、決策、執行、協同、學習、運營六層任務的運行頻率相差巨大，同一個節點無法形成閉環。這種兩難問題，透露出了設備性能和能力之間的差距。華為ICT新機會孵化部總裁翟廣雷舉例：“博爾特百米9.58秒，機器人可以做到9.36秒；人類背式跳躍2.4米左右，機器人今年已經能跳到3米多。但機器人在生產線上連擰螺絲都有困難，因為精密製造需要細化到0.1到0.2毫米，需要視覺、精確觸控、力控和靈巧手相結合。” 跑得快、跳得高是性能，擰得穩螺絲是能力。性能可以由單點堆砌出來，能力卻必須依賴體系。

那既然單點無法同時滿足實時性與複雜性，那就只能讓端、邊、雲各司其職： 端側專注微秒/毫秒級實時感知與高頻運動控制，解決“快”和“安全”；邊緣側作為區域中樞，承擔數據匯聚、本地模型微調、多機協作與弱網自治，解決“穩”和“聯”；雲端作為全局智腦，負責大模型開發、全局規劃與運營，解決“強”和“智”。通過分層協同降低對單點算力依賴，兼顧確定性時延、複雜推理、多機協同與全局優化，是物理智能規模化落地的系統路徑。二、破“三道牆”，通“一張網”，轉“一個飛輪” 雲邊端協同，具體要怎麼做？華為《物理智能雲邊端協同架構研究報告》提出“三域協同·一網貫通”的核心主張。三域協同，對應任務、數據、算力三條流動主線。

應用協同，讓一個任務在雲邊端之間被合理分拆、調度與協同執行；數據協同，完成本域多模態數據的對齊——視覺、力覺、觸覺傳感器的時空標定缺一不可，同時實現跨域感知共享與訓推數據打通；算力協同，則把不同位置、不同範式的算力資源統一調度，讓開發者對算力“無感使用”。而這一切協同的前提，是三層之間必須連得上、通得暢，這就是“一網貫通”的任務。它以端內網、端間網、端雲網覆蓋物理智能全域：端內網保障從智能到機電的毫秒級傳導，端間網支撐多機之間的點對點協作，端雲網負責數據與指令的上下互通。

技術上依託TSN、5G-A、星閃與工業以太總線的融合，構建了覆蓋 “端內、端間、端雲” 的全域連接能力： 星閃以微秒級時延和超高可靠性，負責機器人本體內部傳感器與控制器間的高速無線互聯；工業以太總線（如EtherCAT）以亞微秒級抖動，負責產線上精密設備的確定性有線同步。5G-A憑藉大上行和毫秒級時延，將海量感知數據回傳至邊緣或雲端，並將全局調度指令下發至現場。TSN作為統一的有線骨幹，為5G-A回傳流量、工業以太總線流量和星閃匯聚流量提供統一的確定性調度與時間同步，確保所有業務流在同一個時間基準下協同工作，互不干擾。網絡由此從“連接設備”升級為“連接任務與智能能力”，成為整個架構的地基。

智能走向物理世界，大量優質的數據必不可少。智元機器人具身業務部總裁姚卯青在WAIC 2026演講中提到，具身智能行業普遍面臨“三道牆”：數據牆、表徵牆、閉環牆。華為的報告給出的破解之道，是“真機數據迴流—雲端訓練評測—邊端模型下發”的數據飛輪。真機作業數據迴流雲端完成訓練評測，優化後的模型再下發邊端，形成螺旋上升的能力迴路。這同時要求真實數據、仿真數據、生成數據三類來源協同——真實數據提供物理真實性，仿真數據提供規模，生成數據提供變體。為了讓這套架構可落地，報告還明確了四大設計原則：分層解耦、協同自治；實時優先、智能協同；彈性調度、資源最優；開放兼容、持續演進。

當智能體開始在物理世界中採取行動，安全機制本身也必須雲邊端協同。三、雲邊端還需漸進落地，產業協同是最終答案 架構的解法清晰了，但落地也還需要一步一步來。報告中，華為將雲邊端落地進程劃分為三個階段： 近期，邊緣按需部署、以端加云為主，先在零售、巡檢等場景跑通； 中期（2028—2030年）走向區域自治，邊側增加“一腦多機”，端側增強“一機多腦”； 遠期走向動態協同，形成一體化的分佈式智能網絡。在落地場景上，華為判斷，物理智能要優先在製造、物流、能源、商業服務等結構化專業場景落地，再向家庭服務、城市物流等開放複雜場景拓展。

華為製造與大企業軍團副總裁王劍偉判斷：“具身智能現階段很像2017年、2018年自動駕駛剛剛開始的階段，這個產業週期還需要3到5年才有可能規模化落地。” “三域協同·一網貫通”模式經過先行探索已經跑出了樣板。華為與國家地方共建人形機器人創新中心在今年WAIC大會正式發佈首個具身智能實訓場樣板點——麒麟訓練場，這也是全國首個異構人形機器人具身智能訓練場。這個樣板點的核心，是把“教機器人幹活”這件事做成一條工業化流水線。雲端昇騰超大規模智算集群負責預訓練，邊緣節點支撐實時推理，端側低功耗芯片負責本體運動控制。

更關鍵的是閉環的形成：模型部署到端側真機之後，雲端會持續監控運行狀態、收集數據與問題，使得端側真機數據迴流反哺下一輪訓練。報告所說的“真機數據迴流—雲端訓練評測—邊端模型下發”數據飛輪，在這裡完成了第一個規模化實踐。目前，從這套體系裡訓練出來的機器人，已進入汽車製造、智慧零售、城市環衛、特種作業等場景，在工業、民生、特種三大領域驗證應用。結語：系統整體協同與持續進化，讓AI真正走進物理世界 物理智能，是一場橫跨芯片、基礎模型、通信網絡、真實世界數據、行業落地場景的複雜系統工程。

想要讓AI從虛擬數字空間落地到真實物理環境，完成感知、決策、執行的閉環，只依靠單點場景的優化、單項技術的迭代，已經無法打通完整技術鏈路，難以實現規模化落地。華為這份《物理智能雲邊端協同架構研究報告》，給行業指出了一條值得探索的道路：“三域協同·一網貫通”。目前跨層協同、異構調度等關鍵技術仍處於探索階段，物理智能的競爭力，最終還將取決於系統整體協同與持續進化的綜合能力。