当地时间 1 月 5 日，在 CES 2026 开展前夕，麦肯锡举办了一场聚焦物理 AI 如何重塑产业的高端对话。来自高通、Google DeepMind、波士顿动力和通用汽车的多位产业领袖参与其中，围绕机器人与物理 AI 的演进路径展开交流。

在这场讨论中，高通技术公司执行副总裁兼汽车、工业及嵌入式物联网与机器人事业群总经理 Nakul Duggal，结合自身长期观察，分享了他对物理 AI 所处发展阶段、技术边界以及产业落地方向的判断。

左一为高通技术公司执行副总裁兼汽车、工业及嵌入式物联网与机器人事业群总经理 Nakul Duggal

机器人，把物理 AI 推向 " 下一个拐点 "

CES 开展前夕，高通宣布推出完整的机器人技术组合，并发布面向机器人的处理器高通跃龙 IQ10 系列。为何选择在这一时间点发布机器人平台？在 Nakul 看来：规模化的条件已经具备。

他回顾指出，过去十年，行业在物理 AI 相关领域——包括智能驾驶和各类自动化系统——持续投入，核心目标始终是解决能够在真实世界中产生实际影响的问题。在这一过程中，产业逐渐形成共识：需要将硬件、传感器以及环境感知等能力整合进同一个可规模化的体系中。

在他看来，机器人正在将物理 AI 推向 " 下一个拐点 "，在自动化发展的 " 坐标轴 " 上，人们正在不断突破原有的想象边界。这源于过去二十年行业在机器人领域持续积累的结果。在基础能力层面，无论是运动控制，还是环境感知，已有成熟的方案。

与自动驾驶不同，机器人面对更开放的自动化空间

在对比机器人与自动驾驶的发展路径时，Nakul 给出了清晰区分。他指出，自动驾驶本质上是一个定义清晰的问题，其核心目标是将人从 A 点安全地运送到 B 点，行为边界、应用场景和用户预期相对集中。相比之下，机器人所面对的是一个更加开放、更加多样化的自动化空间。

围绕机器人应用场景，Nakul 将其概括为两类。一类是 " 绿地应用 "，即此前因技术条件尚不成熟而未被自动化的场景；另一类是 " 棕地应用 "，例如仓储和制造等已经具备自动化基础的行业，这些领域将沿着相对清晰的技术采纳路径持续演进。

他强调，不同场景下，机器人技术的成熟节奏并不相同，不能简单套用自动驾驶的发展模式进行类比。基于当前的技术演进趋势，他预计，在未来五年内，机器人技术的发展速度将呈现指数级提升。

边缘侧推理与安全内生，物理 AI 讨论中的重要话题

在技术实现层面，Nakul 多次强调，物理 AI 面临的一个前提条件是：问题必须在边缘侧被解决，不能仅依赖于云端。无论是车辆还是机器人，都运行在真实的物理环境中，无法依赖云端完成实时推理与响应。感知、决策与执行，必须在本地形成闭环。

随着机器人逐步进入与人类共存的环境，安全问题也被反复提及。Nakul 指出，如果机器人模型的目标是与人类协同工作或共同存在，那么安全就不能作为后期补充，而必须成为模型设计阶段的内生要素。

在对话的最后，他还提出一个重要观察：物理 AI 的发展速度，目前可能被低估了。在他看来，物理 AI 具备高度 " 民主化 "（普及化）的潜力——过去十多年在多个产业中积累的技术创新，正在加速不同领域之间的融合，为物理 AI 在更多场景中的应用创造条件。