🔮 大会前瞻 · 物理 AI
深开鸿 CEO 王成录：让 AI 拥有身体，从大模型迈向物理 AI
2026 年 AICon 深圳大会将于 8 月 21‑22 日举行，王成录博士将在 Keynote 中提出物理 AI 是 AI 走进千行百业的关键，并阐述开源鸿蒙如何成为连接数字与物理世界的桥梁。
综合公开信息整理•
2026-07-22•
全文约 3 分钟读完
#物理 AI
#开源鸿蒙
#AICon
#智能体
50+
头部科技企业技术负责人
10
专题论坛覆盖 AI 全链路
2
天密集议程 · 深度交流
⚡ 30 秒速览
- 王成录博士提出物理 AI 的四个关键挑战：设备连接、数据供给、端边云协同、系统安全。
- 开源鸿蒙作为统一操作系统，将海量异构设备转化为可感知、可协同的智能节点。
- 周经森教授将分享 AI for Performance 与 Performance for AI 的双向驱动。
- 10 个专题论坛涵盖 AI Infra、Agent 安全、机器人 AGI、商业场景等方向。
- 50+ 专家来自腾讯、阿里、华为、百度等，共同探讨 AI 从实验到生产的路径。
01从数字 AI 到物理 AI 跨越鸿沟的关键
大模型让 AI 拥有了理解、推理和生成的能力，但今天的 AI 仍主要运行在云端和数字世界。它能够回答问题、生成内容，却难以持续感知真实环境、调度物理设备，并在工业、交通、医疗、能源等场景中完成闭环行动。
数字 AI
运行在云端，回答问题、生成内容，与物理世界隔离。
物理 AI
感知环境、控制设备、闭环行动，连接数字与物理世界。
但数字与物理的鸿沟，不是靠模型参数就能跨越的。王成录博士认为，AI 要真正走进千行百业，除了拥有聪明的“大脑”，还需要连接物理世界的感官、神经和身体——这正是物理 AI 的核心命题。
对比基于王成录博士在 AICon 深圳大会 Keynote 演讲的核心观点。
02物理 AI 的四个关键挑战 王成录博士提出的核心问题
🔗
设备连接
异构设备统一接入
📊
数据供给
高质量实时数据
☁️
端边云协同
算力与时效平衡
🛡️
系统安全
物理域安全可信
这四个挑战相辅相成：没有统一的设备连接，数据无法流通；没有端边云协同，实时性无法保证；而系统安全则是物理 AI 落地的底线。
每项挑战都是系统工程问题，需要操作系统、通信协议与 AI 框架的协同创新。
03开源鸿蒙：连接 AI 与物理世界的桥梁 三个典型落地场景
王成录博士在演讲中指出，开源鸿蒙通过统一操作系统、分布式软总线和多设备协同能力，将海量异构设备转化为可感知、可理解、可协同、可进化的智能节点。以下场景已在产业实践中验证。
🏭 工业产线智能调度 即插即用
- 多品牌设备统一接入：通过开源鸿蒙的分布式软总线，将不同厂商的 PLC、传感器、机械臂连接为统一设备网络。
- 实时数据驱动 AI 推理：产线数据经端侧预处理，边缘节点进行质量预测，云端优化全局排产。
- 闭环执行：AI 决策直接下发至设备控制器，实现毫秒级响应。
场景价值：打通设备孤岛，使产线调整周期从数天缩短至小时级。
🚦 智慧交通车路协同 端边云协同
- 路侧感知融合：摄像头、雷达、信号机通过鸿蒙实现数据融合，形成统一的环境模型。
- 边缘计算实时决策：在边缘节点上运行交通流量预测模型，动态调整信号灯配时。
- 安全冗余：系统安全机制确保在通信中断时仍能降级运行。
场景价值：减少 15% 拥堵，提升路口通行效率 20% 以上（基于试点数据）。
🏥 远程医疗设备协同 数据安全
- 多模态设备连接：监护仪、呼吸机、影像设备通过开源鸿蒙统一管理，数据实时汇聚。
- AI 辅助诊断：边缘端运行轻量级模型，快速筛查异常指标，云端进行复杂分析。
- 隐私保护：基于分布式安全框架，确保患者数据不出院区。
场景价值：实现 ICU 设备 7×24 小时智能监护，异常报警响应时间缩短 60%。
04为什么是开源鸿蒙？ 从感知到执行的完整链路
物理 AI 需要的不仅是单个设备的能力，而是从感知到执行的完整闭环。开源鸿蒙提供了一条经过验证的链路：
感知→理解→决策→执行
感知层：异构设备数据统一接入；理解层：端侧轻量模型实时推理；决策层：云端大模型与边缘协同；执行层：分布式软总线将指令下发至设备控制器。每一步都依赖操作系统的统一调度与安全机制。
但这只是技术层面的解释。真正让物理 AI 成为可能的，是整个系统工程的协同——从芯片指令集到操作系统内核，从通信协议到 AI 框架，需要全栈打通。
编辑核心判断
物理 AI 的落地，不仅需要强大的大模型，更需要一个从芯片到操作系统到应用的全栈物理系统。开源鸿蒙提供了这样的基础设施，而系统工程能力正在成为 AI 产业化的新壁垒。