在全球技术产业加速发展的"算力竞赛"中，云端部署和大模型能力成为热议话题；另外，一种更贴近实际应用的技术路线——物理智能正受到广泛关注。与处理符号和文本的语言系统不同，物理智能需要在真实环境中完成感知、定位、规划和控制的全流程，其能力边界直接关系到实际风险成本。如何在复杂条件下确保系统稳定可靠，成为决定其能否规模化应用的关键。
物理AI的发展路径与云端大模型截然不同。虽然算力发展至关重要，但对物理世界复杂性的深入理解同样不可或缺。伯克利团队通过赛车和山地测试向业界表明：未来的突破不在于堆砌计算资源，而在于让智能系统在资源有限、环境多变的真实场景中做出有效决策。这种从云端到边缘、从理想到现实的转变，或许正是物理AI迎接下一个突破的关键所在。