近年全球人工智能产业发展持续提速，各大团队竞相优化大型语言模型的推理、分析能力。不过我们观察到一个共通现象：多数通用AI仍停留在「信息分析、提出建议」的阶段，仅扮演「大脑」的角色，缺少能够对接实体设备、自动执行指令的通道，这也是业界常提及的AI落地“最后一公里”难题。今天就和大家分享Physical AI（实体人工智能）的发展机会，以及跨模型执行平台提出的解决架构，同时客观检视这套模式当下需要补足的关键挑战。
当前市场上，国内的豆包、DeepSeek（深度求索）、Kimi（月之暗面）、通义千问，以及海外ChatGPT、Gemini等大模型，都具备强大的逻辑推演、数据解析能力。举例来说，系统可以通过数据分析，提出工厂节能方案、制程优化建议，但方案产出之后，后续工作依旧依赖人工介入。简单来说，AI能够告诉我们「应该怎么做」，却无法亲自执行：无法远程下载控制程序、调整PLC（可编程逻辑控制器）参数、更新Gateway（网关）与Edge AI（边缘人工智能）设定，更不能直接调控厂务、能源相关设备。
这道断层，让众多AI厂商困在同质化竞争当中。多数模型公司只能深耕文字对话、文书处理等软件服务领域，市场同质竞争激烈，营收增长逐步触及天花板；工厂、能源类企业虽然期待AI带来转型效益，却苦于缺少简单、开放的载体，把策略建议转化为设备实际操作。
在这样的产业背景之下，业界逐渐发展出一套完整的跨模型执行平台架构，定位成为各大AI大模型的「AI手脚」，搭建连接云端决策与实体硬件的桥梁，推动Physical AI（实体人工智能）真正落地。整套架构可以分成三个层次：最上层为AI决策层，由各家通用大模型负责数据研判、方案规划；中层是核心，也就是由操作系统、执行环境、专属通讯协议所组成的跨模型执行平台；底层则对接各式实体设备，包含PLC（可编程逻辑控制器）、工业机器人、摄影机、Gateway（网关）、空调、门禁、消防系统，同时适用于智慧工厂、区域能源调度等场景。
这套架构最大的特色，在于坚持模型中立，不绑定任何单一AI企业。不管企业选择豆包、DeepSeek或是其他任一套大模型，只要完成界面对接，就能通过跨模型执行平台下达控制指令。对AI模型企业而言，不需要耗费庞大资源逐一开发各式工业硬件驱动程序，仅需一次整合，就能跨入工业自动化、能源控制等高价值产业，突破过往软件服务的营收边界；对于制造、能源领域的终端使用者，也不用被迫选用封闭、绑定硬件的单一厂商解决方案，可以依照需求弹性挑选适合的AI系统。
不过站在产业实务的角度，这套前瞻性架构仍然存在几块不能忽视的短板，也是后续能否大规模商用落地的关键。
第一个核心议题，就是工业场域的安全机制与责任界定。通用大模型普遍存在AI幻觉，偶尔产生不合逻辑、偏离现场条件的建议。如果决策指令直接传送给生产线、能源调度设备，一旦指令异常，极有可能造成停机、设备损坏，甚至衍生安全事故。因此跨模型执行平台绝不能只是单纯转译指令，必须建置完善的防护机制：包含设备运作上下限锁定、危险指令拦截、操作权限分级、异常告警，并针对高风险操作保留人工复核节点。与此同时，我们更需要建立清晰规范，万一发生意外，要明确区分AI模型商、执行平台运营方、现场企业三方的责任边界。
第二，完善的商业模式尚待验证。「中立开放平台」是很好的定位，但我们需要进一步确认收费机制、上下游收益分润方式。平台要向AI厂商收费，还是向终端工厂收取服务费？长期维持中立性也是一大挑战，倘若未来被大型AI集团入股、收购，开放兼容的核心优势将会直接消失。
第三，不容轻视现有的市场竞争。工业自动化领域长期存在成熟玩家，西门子、施耐德以及众多本土控制厂商，早已布局工业云、Edge AI（边缘人工智能）系统，近年虚拟PLC（可编程逻辑控制器）技术也持续快速发展。跨模型执行平台想要脱颖而出，必须持续巩固「跨多模型开放兼容」的独特性，否则很容易陷入和传统工业平台的同质竞争。
最后还有现场落地的现实门槛。很多传统工厂内设备机型老旧，各家硬件通讯协议标准不一。想要全面兼容不同年代、不同品牌的设备，需要持续投入大量工程人力进行调校与整合，现场服务成本将会是长期经营必须承担的压力。
整体来看，AI产业从纯软件对话，走向操控真实物理世界，是长期确定的大趋势。包含豆包在内众多大模型蓬勃发展，这一套跨模型执行平台架构准确抓住产业痛点，尝试打通AI决策与现场设备之间的鸿沟，具备很高的前瞻价值。但愿景要落地成真，不能只依靠技术架构，还要逐步建构工业安全防护体系、确立可行的商业运作模式，并打造和传统工业自动化方案明显区隔的竞争力。
未来随着Physical AI（实体人工智能）持续演进，我们也将持续观察这条赛道的发展，期待业界各方共同合作，找到技术、安全与商业平衡的方案，真正让人工智能为实体产业创造更大价值。
（刘立庆）
