机器能识别人脸、理解文字、生成图像，这是否意味着它真正理解了世界？当一个杯子被推向桌沿，机器能否判断下一秒会发生什么？当人工智能从“看见”走向“触碰”、从“感知”走向“交互”，下一代智能的关键命题也随之浮现。那就是，让机器理解物理世界。

　　到底什么是物理理解？一个大家都经历过的场景：桌上有两个纸箱，大小差不多，你要把其中一个搬到旁边的桌子上。在伸手前，你的大脑已经在判断：这个箱子有多重？桌面滑不滑？箱子结实吗？这些基本的判断，你在零点几秒之内就完成了，你马上去试，甚至自己都没有意识到在做这件事。就像一个婴儿，在学会说话之前，就已经知道松手后积木会掉下来，推一下球会滚走。这种能力不是从书本上学到的，而是在无数次触碰、抓握、跌打中打磨出来的。但是，即使今天最先进的AI面对同样的场景，还是做不到。它可以识别出它是一个纸箱，但是没有办法切身感知这个纸箱拿起来是什么感觉。

　　所以，物理理解的本质，不是“看见了什么”，而是“如果我做点什么，会发生什么”——给定一个动作，预测它所带来的物理后果。

　　为什么物理理解这么难？借鉴皮亚杰的发展心理学框架，智能可以分为四个层级：第一层是感知智能——看懂图像；第二层是空间智能——理解空间的三维几何结构；第三层是物理智能——理解物理的交互、物理相关的因果；第四层是行为智能——就是做出决策和规划。

　　这里还有一个值得注意的事实：自然界中的第三层能力，也即物理智能的能力，极其稀有，只有鸦科和类人猿才具备，比如乌鸦往瓶子里投石子喝水，灵长类动物使用工具。所以，物理理解不是感知的简单升级，而是一次认知的质变。而我们现在，正站在物理智能的门口。AI的下一个里程碑，不是更会说话，而是理解物理世界，从而学会操作。

　　当前到底缺什么？从结果看，缺一种新的世界模型——具身智能的“物理常识”。过去两年，最流行的世界模型探索有两类，几何世界模型擅长空间理解，但不太懂物理；视频世界模型擅长视觉生成，但本质上还是像素层面的预测，同样没有真正的物理层面的理解。两类模型都回答不了最初提出的那个问题——推一下一个杯子会怎样，用两倍的力推一下又会怎样。因为互联网上不会有这种数据。真正需要的是第三种——物理交互世界模型，它既理解空间，又理解物理规律，能预测行动带来的后果。但这种模型，目前尚处于早期发展阶段。不同路线都在同一个地方碰壁——物理智能层。瓶颈的另一面，就是机遇。谁能率先补上这个物理智能层，谁就有可能定义下一代人工智能的范式。这正是我领导的通用物理智能研究院要做的事。

　　通用物理智能研究院主要的目标有两个：第一，推动物理智能的最终实现。研究院的核心任务是构建物理交互世界模型，让机器真正理解“推一下会怎样”。这背后牵扯的科学问题非常深，涉及物理学、数学、认知科学、控制论、机器学习的交叉地带。第二，培养下一个十年的AI领军人物。真正的标尺在于，能否在真实世界中实现智能体的有效行动与自主决策。

　　实现物理智能有三个关键词：交叉、交互、验证。

　　一、交叉。物理智能是多学科交叉的问题，单一学科是解决不了的。我们不设学科边界，无论数学、物理、计算机、人机交互、脑机接口等，而围绕要解决的问题汇聚人才。

　　二、交互。交互数据是物理智能的石油。物理理解不可能仅从视频和文本中学到，而必须通过主动交互获取。你看一万个小时别人骑自行车，你还是不会骑，必须主动交互获得物理经验。因此我们会推动仿真平台和真实数据采集双线并行。

　　三、验证。真实数据是终审。仿真里跑得再好，到了真实世界，如果失败了，也不算数。真实世界的表现才是最终的标准。复旦有数学和物理的深厚根基，有发展新工科的决心，有上海的产业生态——这是做物理智能最需要的土壤。

　　不久前，我在复旦大学建校121周年第60届校庆科学报告会上曾这样表述：大语言模型的进程，中国是追赶者。但物理智能不一样，全世界都还在起跑线上，核心问题还没有被解决。中国又有其他方面——尤其产业链能力——的优势，所以我们有机会主导这个方向，我们有一个定义范式的窗口期。最好的加入时机，是在一件事情最难、也最值得做的时候。