问题——从“会说”到“会做”，智能系统落地仍有瓶颈待解；近年来，大模型大幅提升了人机交互效率，但不少能力仍主要停留文本、图像等屏幕信息处理上。面对制造、交通、医疗、消费电子等真实世界任务，智能系统必须在运动、声音、空间、时序信号等复杂条件下稳定运行：既要“看得见、听得清、反应快”，也要在网络波动、能耗受限、隐私合规等约束下完成闭环决策。如何把智能能力从云端延伸到设备侧与现场侧，已成为产业共同关注的关键。 原因——数据形态变化与算力架构演进，推动“物理智能”走热。ADI将这个阶段概括为“物理智能”，强调智能系统在真实物理场景中实现本地化感知、推理与执行。背后主要有三点：一是传感器与边缘计算能力持续增强，音频、惯性、雷达、视觉等多源数据更易获取，智能从“单一模态识别”走向“情境理解与行动控制”；二是端侧算力与能效比提升，更多推理从数据中心下沉到边缘端，降低时延并减少对带宽的依赖；三是安全、隐私与连续可用性的要求提高，推动“少依赖网络、更多本地自治”的系统加速落地。基于这些趋势，ADI提出2026年五项判断：其一，智能推理将更大规模突破屏幕边界向边缘端迁移，形成可在现场自主感知与行动的新型系统；其二，音频将成为重要的推理通道，增强现实眼镜、智能耳机等可听戴设备将更深入理解环境与用户状态；其三，机器人学习机制将从“演示型”走向“生产型”，通过小样本与迁移学习减少数据依赖与编程成本，更好服务精密工业；其四，面向细分任务的微型模型崛起，在端侧实现更深度推理，补足传统程序化方案与超大模型之间的能力断层；其五，借助合成数据、代码生成循环与仿真优化等手段，系统架构设计与迭代将更自动化，研发周期有望明显缩短。 影响——产业链加速调整，端侧智能与场景化产品形态或迎扩张。业内认为，“物理智能”一旦在关键行业实现规模化应用，将对软硬件协同、数据治理与商业模式产生连锁影响。首先，边缘端推理占比提升，将带动传感器、模拟与电源管理、嵌入式计算、低功耗通信等环节需求增长，并使软硬件协同优化成为竞争重点。其次，若音频成为主要交互入口，可听戴设备将从“信息播放”走向“环境理解与主动服务”，对降噪、续航与实时响应提出更高要求，并可能催生更轻量、更隐蔽、更自然的交互方式。再次，机器人若能在少量样本下快速适配多工况，将提升柔性制造水平，推动其从“固定工位、固定程序”转向“可迁移、可协作”的新范式，同时也会抬高安全认证、可靠性工程与系统测试的标准。最后，自动化迭代提速可能压缩产品开发周期、提高创新速度，但也要求更完善的验证体系，确保系统可控、可解释、可追溯。 对策——以“场景牵引、标准先行、安全为底线”推进落地。面向2026年前后可能出现的产业窗口期，业界需从三上发力：一是强化关键场景牵引，在智能制造、能源运维、交通安全、医疗设备、消费电子等领域打造可复制的标杆应用，明确性能、功耗、时延、可靠性等指标体系，用工程化需求推动技术成熟。二是补齐端侧数据与系统能力，推进多传感融合、实时操作系统与中间件、边缘推理优化、功耗管理与散热设计等基础工程，避免出现“模型能力强、现场落地难”。三是把安全与合规作为底线，围绕设备端隐私保护、数据闭环治理、模型更新机制、功能安全与网络安全推进标准建设与测试认证，降低应用扩张带来的风险。对企业而言，应提前布局“端—边—云”协同架构，形成可维护、可升级、可审计的产品体系；对产业生态而言，需要加强跨行业协同，推动从芯片、模组到系统集成与应用服务的全链条对接。 前景——“物理智能”或成为新一轮产业升级的重要变量。综合判断，2026年更可能成为多条技术路线集中成熟并进入规模试用的节点：边缘端自治能力增强将带来更低时延与更高可用性的现场智能；音频与可听戴交互升级将提高自然交互水平；机器人学习范式变化有望提升工业柔性与效率；微型模型将加速专业智能体在端侧普及；自动化迭代将推动研发流程变革。但也需看到，真实世界的复杂性远高于数字世界，落地进程仍取决于成本、能效、可靠性、标准与治理体系的共同完善。谁能率先在关键场景实现“可用、好用、可持续迭代”，谁就更可能在下一阶段竞争中占据主动。
物理智能的演进不仅意味着算力分布的变化，也在重塑人机协作方式。当机器系统开始理解并适应物理世界的复杂性，生产效率与服务能力有望迎来新的跃升。在这场变革中，掌握关键技术、建设安全可控的产业生态，才能让技术红利更稳健、更广泛地释放。