资源简介

2025-2026学年第二学期期末教学质量检测
当前，“视觉一语言一动作”大模型迭代演进，为物理A筑牢模型底座。马晓健介绍，目前
落地物理AI大致分为三类技术路线。第一类是“预训练一后训练”范式，即先利用互联网视频、
高一语文
第一视角视频、跨机器人操作数据等开展大规模预训练，再依托遥操作数据、强化学习或真机
(本试卷满分150分，考试时间150分钟)
微调完成后训练；第二类是“现实一仿真一现实”范式，即先把真实世界的几何、材质、动力学
等信息重建到高仿真环境中，让机器人在“数字李生”场景中大量试错，再迁移部署至实体设
注意事项：
备；第三类是大模型编程路线，依托语言模型，根据任务生成机器人控制程序，串联感知、规划、
1.答卷前，考生务必将自己的姓名、准考证号填写在答题卡上。
执行等功能模块。
2.回答选择题时，选出每小题答案后，用铅笔把答题卡上对应题目的答案标号涂黑。如需
不同的技术实现路线，各有优劣。比如，“预训练一后训练”范式路径清晰，但对数据质量、
改动，用橡皮擦干净后，再选涂其他答案标号。回答非选择题时，将答案写在答题卡上，写在
机器人本体一致性和真实交互数据体量要求极高。由于物理AI尚未规模化落地生产生活，难
本试卷上无效。
以低成本、高效率采集海量训练数据，这成为制约技术落地的瓶颈之一。又比如，“现实一仿
3.考试结束后，将本试卷和答题卡一并交回。
真一现实”范式的优势在于以仿真算力替代成本高昂、周期漫长的真实数据采集。然而，复杂
接触、柔性形变、流体运动、非平整地面等物理过程仍难以高精度实时模拟。“由于真实世界工
一、阅读72分)
况繁杂、多种物理因素相互影响，仿真系统无法完整复刻物理细节，有时仅能作为真实数据缺
(一)阅读1（本题共5小题，19分）
失时的补充方案。”北京微链道爱科技有限公司总经理张宇说。“总体看，三条路线大概率不会
阅读下面的文字，完成1~5题。
互相取代，而是在数据、仿真和大模型推理层面逐步融合。”马晓健说。
物理A:从虚拟到现实的智能进化
虽然存在阻力，但业内专家普遍看好物理AI产业化落地前景。
从读懂图片的“视觉”，到写出文字的“表达”，再到创造视频画面的“想象”，当下，A正持
在未来，低空经济、新能源电池、具身智能、高端芯片、航空航天等需要复杂场景仿真与优
续“进化”。学会看、写、生成之后，AI还能做什么？近年来，科技界正在探索推动AI从虚拟走
化的前沿领域，均是物理AI的落地方向。马晓健认为，在一些不适合人类长期作业、传统自动
向现实的技术路径。一种新的技术理念一物理A越来越受关注。
化又难以完全解决的场景，物理AI有望最先落地。电力巡检便是这样一个场景，在西南偏远
什么是物理AI？简单说，我们可以将其理解为走出屏幕、进入现实的AI智能体，它能如
地区，过去需要工作人员翻山越岭检查设备，现在北京人形机器人创新中心研制的“天工”机
人一般感知环境、“动手”操作。北京通用人工智能研究院一德塔智能联合实验室的负责人马
晓健认为，物理AI有三个重要特征：能力建立在真实物理交互数据之上、包含对物理世界的理
器人可实现户外巡检、变电倒闸操作、配网接地线挂载等复杂任务」
解以及能部署到真实实体上。这意味着，物理AI知道物体的运动、接触、变形，了解摩擦、重力、
在产业界，物理AI模型训练效率也在持续提升。“得益于在AI基础设施领域的常年积淀，
空间关系和因果变化等，并能据此预测未来、规划动作，从而在开放环境中完成任务。
我们将‘视觉一语言一动作'大模型训练速度提升70%，世界模型推理时延下降50%。原本以
从技术演进角度看，物理AI是AI发展到一定阶段的自然方向。“第一阶段AI通过计算机
周为单位的训练周期，如今可压缩至小时级。”百度集团执行副总裁、百度智能云事业群总裁
视觉学会了‘看’，第二阶段AI通过自然语言处理学会了‘写’，当前通过物理AI要学会‘行
沈抖表示。
动'。”百度智能云主任架构师应茹介绍，物理AI的出现，让AI从信息处理工具进化为能够与
物理AI真正落地，不靠实验室演示，而是依托真实场景的数据反馈与持续迭代。业内人
现实世界交互的智能体。过去大模型主要是复现人的语言、知识和推理能力，相当于进入人的
士认为，应用场景资源充沛是我国发展物理AI的独特优势。“让技术深入矿井、工厂、仓储、巡
精神世界；但人的智能并不只体现在大脑中，还体现在与物理世界的互动里。“当AI在语言和
检现场等一线场景，物理AI才能更好形成‘场景一数据一模型一产品’良性闭环。”马晓健说。
多模态理解上取得突破后，下一步必然是把这种智能外化到真实世界，让机器能够感知、行动、
(摘编自《物理A1:从虚拟到现实的智能进化》，《人民日报》2026年6月)
试错和完成工作。”马晓健说。物理AI和生成式AI的差异，主要体现在技术原理和承载任务上。
1.下列对材料相关内容的理解和分析，不正确的一项是(3分)
具体来说，物理AI的重要能力是在物理世界中承载运动控制、环境交互等任务；而生成式AI的
A.物理AI是能够理解物理世界并可以部署到真实实体上的AI智能体，它的能力建立在真
重要能力是文、图、视频生成等，支撑内容创作、代码编写、数据分析等任务。“物理AI和生成
实物理交互数据之上。
式A1属于AI的两种不同分类维度。”马晓健介绍，两者正在深度结合，如生成式AI强大的语言
B.物理AI和生成式AI属于AI的两种不同分类维度，它们的技术原理和承载任务不同，应
理解、场景生成、规划和代码生成能力，可以帮助物理A更好地理解任务、构建仿真环境等。
用层面也互不相干。
过去数年，科技界从核心算法到工程本体，多措并举推进物理AI落地。
C“现实一仿真一现实”范式让机器人在“数字孪生”场景中大量试错，一定程度上解决了
比如，用于模拟环境动态并预测未来状态的世界模型被称为物理AI的“内部大脑”。学界
真实数据采集难题。
专家提出世界模型的三项重要能力，即生成性、多模态、交互性，为物理AI搭建起环境理解、因
D.物理AI在执行一些不适合人类长期作业、传统自动化又难以完全解决的任务方面具有
果推断与任务规划的框架。
很好的应用前景。
高一语文第1页（共8页）
高一语文第2页（共8页）

展开更多......

收起↑