日立押注工业专长，争夺物理AI主导权

物理AI——控制现实世界机器人和工业设备的人工智能分支——正面临格局分化。在顶层，OpenAI和谷歌正在扩展多模态基础模型。中间层，英伟达正构建物理AI开发的平台和工具。

还有第三阵营：日立和德国西门子等工业制造商，它们提出一个更低调但或许更接地气的论点：如果不先理解物理世界，就无法训练机器在其中导航。

这一论点正从董事会战略转向工厂部署，正如日立近期接受《日经亚洲》采访时透露的。

为何物理AI需要更好的模型

日立技术创新中心-人工智能副主任柳井康介直言，可行的物理AI与理论型AI的区别在于：“如果没有从物理和工业设备基础知识开始的系统性理解，物理AI就无法在社会中实施。”

日立的卖点是，它已掌握大量基础知识——这些知识积累自数十年建设铁路、电力基础设施和工业控制系统的经验。公司拥有模拟气体和液体行为的热流体仿真技术，以及监测设备状态的信号处理工具——柳井称之为支撑日立“广泛产品设计和控制逻辑构建知识”的工程基础。

Daikin和JR East的案例

尽管日立的整体物理AI架构——集成世界基础设施模型（IWIM），被描述为整合多个专业模型和数据集的专家混合系统——仍处于概念验证阶段，但两个实际部署表明其底层方法已见成效。

与Daikin工业合作，日立部署了一个AI系统，用于诊断商用空调制造设备的故障。该系统基于设备维护记录、程序手册和设计图纸训练，现在能在检测到异常时识别可能失效的部件——这种操作直觉以前只存在于经验丰富的工程师脑中。

与东日本铁路（JR East）合作，日立开发了一个AI，用于识别东京都市区铁路交通管理系统控制设备故障的根本原因，并协助操作员制定应对计划。在这个每天数百万次行程的网络中，加速故障诊断的能力具有实际运营价值。

研发管线：缩短开发时间

日立的物理AI推进也体现在其研究成果中。2025年12月，公司在顶级软件工程会议ASE 2025上展示了两项研究的成果，解决了工业AI中一个持续存在的瓶颈：编写和适配控制软件所需的时间和精力。

在汽车领域，日立及其子公司Astemo开发了一个系统，使用检索增强生成（RAG）自动生成车辆电子控制单元（ECU）的集成测试脚本——从硬件特定的API信息和一线工程知识中提取。在涉及多核ECU测试的试点中，该技术相比手动执行将集成测试工时减少了43%。

在物流领域，公司开发了可变性管理技术，将机器人控制软件模块化为围绕机器人操作系统（ROS）构建的可重用组件。通过预先规划不同仓库设置的环境变量和操作要求，系统允许操作员将机器人拣选和放置工作流适配到新产品或布局，而无需从头重写软件。

安全作为结构性要求

贯穿日立所有物理AI工作的一个共同点是强调安全护栏——不是作为合规复选框，而是作为嵌入系统设计的工程约束。柳井告诉《日经》，公司正整合其社会基础设施开发中的控制和可靠性技术，以防止AI输出偏离人类批准的操作参数。

这包括输入验证以筛选模型不应训练的数据，输出验证以确保机器操作不危及人员或财产，以及对AI模型本身进行实时监控以检测操作异常。

这是一个关键区别。物理AI系统在现实世界中失败，而非沙箱中。控制铁路信号或工厂机器人的AI的利害关系与聊天机器人截然不同。

匹配雄心的基础设施

在基础设施方面，日立Vantara——集团的数据和数字基础设施部门——正定位为NVIDIA RTX PRO服务器的早期采用者，这些服务器基于RTX PRO 6000 Blackwell Server Edition GPU设计，旨在加速AI智能体和物理AI工作负载。该硬件与日立的iQ平台配对，用于构建数字孪生——物理系统的虚拟副本——可以大规模模拟从电网波动到机器人运动的一切。

同时，IWIM概念旨在通过模型上下文协议（MCP）将英伟达的开源Cosmos物理AI开发平台与专门的日语大语言模型和视觉语言模型连接起来——本质上是一个框架，用于整合物理AI系统所需的模型、仿真工具和工业数据集。

物理AI的更广泛竞争远未结束。但日立的立场——领域专长和运营数据与模型架构同等重要——正越来越难以忽视，特别是随着与Daikin和JR East等合作伙伴的部署开始展示这些专长在实际中的价值。