伯克利的学者提到，物理人工智能的发展正遇到很大的难题，边缘智能或许是解决这个问题的好办法。在国际消费电子展CES2026年期间，关于人工智能未来方向的讨论让大家陷入了深思。全世界科技界还在忙着提升云端算力，追求人均GPU数量的指标，可加州大学伯克利分校Vive增强现实中心的杨艾伦博士却说，人工智能的下一步重大突破可能发生在数字与物理世界交汇的地方。他说这个“分水岭时刻”还有很长的路要走。 杨艾伦博士指出，像AlphaGo这样的智能突破主要在数据处理、模式识别和内容生成方面。然而，当人工智能要走出数据中心，直接感知、决策并作用于动态变化的物理世界时，比如控制自动驾驶车辆、指挥救援机器人或者管理复杂工业系统，问题就变得不一样了。 当前物理人工智能的发展受限于计算能力，更是受制于物理世界固有的复杂性。首先，训练数据极端缺乏且无法穷尽。和语言模型能吸收海量互联网文本不同，物理世界中一些罕见场景比如极端天气组合、道路障碍或传感器故障很难事先采集到。这些关键场景对物理AI系统的安全性和可靠性至关重要。其次是实时响应能力，在高速行驶、精密手术或灾难救援中延迟决策可能造成任务失败甚至危及生命。 为了解决这些问题，杨艾伦博士领导的团队选择了极限场景来逼迫技术突破。他们把高速自动驾驶赛车作为试验平台。在2025年CES自动驾驶挑战赛中他们的赛车达到每小时225公里，并实现了每小时262公里下的超车动作。这个案例还展示了两车因漂移距离不足而触发紧急制动的过程。 为了进一步测试系统能力，他们将试验场搬到了中国湖南张家界的天门山盘山公路。这条全长10.77公里、拥有99道急弯的险峻山路给自动驾驶系统带来了巨大挑战。 这个项目吸引了清华大学、浙江大学等高校合作。2026年杨艾伦博士宣布将在这里增设人形机器人挑战赛，测试机器人在非结构化地形中的移动与决策能力。 通过这些实地测试他们表明，物理AI进步离不开真实场景中的经验积累，也需要多领域知识融合才能成功。 杨艾伦博士用行动给当前的AI热潮降温，提醒大家转向深耕场景理解和边缘能力建设上来才能达到目标。