移动通信网 程然
日本电信巨头 NTT 在物理 AI（Physical AI）领域迈出实质性一步。该公司开发出一套让机器人预判货物在其操作下如何反应的评估系统，旨在防止装卸过程中的挤压和倾倒损坏。在小型机器人模拟货物堆叠的测试中，该系统将操作成功率提升了近 20%。NTT 计划将机场行李处理作为首个落地场景，并与机器人软件供应商 Mujin 展开后续演示合作，为物理 AI 的规模化商用铺路。
世界模型：突破训练数据的边界
NTT 的技术核心是一套被称为 World Model（世界模型）的预测体系。该系统由两个关键部分构成：一是专有的物理控制适配器，负责评估物体的物理属性，并预测机器人在与其交互时这些属性可能发生的变化；二是深度学习图像生成模型，能够将预测结果可视化，直观呈现货物在机器人动作下的可能反应。
按照 NTT World Model 的设计，系统可直接与现有的机器人控制系统集成，相当于在控制层之上增加一个预测层。其关键价值在于利用被搬运物品的物理特性进行实时推理，从而突破对训练数据的依赖。NTT 指出，当前主流方案存在精度不足和环境感知缺失的问题，容易导致碰撞事故。更突出的短板在于对大量训练数据的依赖——一旦机器人面对训练场景之外的情况，性能就会明显受限。世界模型通过物理推演而非经验记忆来弥补这一缺口。
【关键数据】
- 成功率提升幅度: 货物堆叠模拟测试中提升近 20%
- 首期落地场景: 机场行李处理
- 潜在应用行业: 物流仓储、制造业、建筑、零售共 4 大领域
- 生态合作方: 机器人软件提供商 Mujin
![]()
从机场行李开始的商用路径
NTT 选择机场行李处理作为切入点，逻辑并不难理解。机场行李场景具有物体形态多样、堆叠操作频繁、损坏成本高的特点，恰是物理预测技术能够发挥最大价值的领域。托运行李中的易碎品、不规则形状行李在传统自动化分拣系统中的损坏率长期困扰航空公司和地服公司，一个能实时判断"怎么抓、怎么放"的预测层，可以直接转化为运营成本的下降。
从更宽的视野看，NTT 将物流仓储、制造、建筑和零售列为技术的潜在延展方向。这些领域的共同特征是机器人需要与形态各异、物理特性复杂的实体物件频繁交互，传统基于视觉识别加预设动作序列的方案难以覆盖长尾场景。世界模型提供的物理推理能力，本质上是为机器人补上了"常识"这一课。
需要关注的是，从实验室模拟到真实机场环境仍有距离。行李的材质、重量分布、堆叠约束远比测试环境复杂，20% 的成功率提升能否在开放场景中复现，还有待与 Mujin 合作的实际演示验证。不过，NTT 选择以软件层切入而非自建机器人整机的路线，意味着其技术可以嫁接在存量自动化设备之上，这种轻资产的推广方式或将加快物理 AI 在传统行业中的渗透速度。
电信运营商的 AI 转型样本
NTT 此番布局也折射出传统电信运营商在连接业务增长见顶后的转型路径。凭借旗下研究院在信息几何、深度学习等基础领域的长期积累，NTT 正试图将 AI 能力从网络层延伸至物理世界的自动化场景。随着与 Mujin 的联合演示推进，物理 AI 能否成为运营商新的收入曲线，值得持续追踪。
出处：NTT tests physical AI plotting system
英文原文NTT advanced physical AI ambitions by developing a system which lets robots assess how cargo will respond to their actions to help prevent damage. The evaluation technology is expected to contribute to physical AI ambitions in various industries, though NTT is plotting an initial foray in the realm of airport luggage handling. NTT stated it aims to provide information to prevent crushing or toppling when robots lift loads. It developed a proprietary physical control adapter to assess corporeal elements of objects and predict how they might change when machines interact. A deep-learning image generation model can then visualise likely reactions. NTT explained current approaches suffer from inaccuracies and a lack of awareness which could result in collisions. Perhaps more pressing, “they rely on large amounts of training data”, which can limit performance when working beyond learned scenarios. The NTT World Model can be integrated with existing robot control systems, adding a prediction layer and using the physical characteristics of the items being lifted to go beyond the limits of training data. It reported a near 20% improvement in success rates during tests where a small robot simulated cargo stacking. NTT listed logistics and warehousing, manufacturing, construction and retail as potential fields the technology could be applied to. It intends to work with robotics software provider Mujin on future demonstrations and so lay the groundwork for physical AI. The post NTT tests physical AI plotting system appeared first on Mobile World Live .
