DePAI 赛道 2.7 万字研报：面向 AI 终极发展方向，其能否成为 Web3 的下一个万亿美元增长引擎？全景式拆解其技术基础、生态层次、应用场景、代表性项目、风险挑战及未来潜力

我们在电影中曾看到过这样的科幻场景：《星球大战》里的 R2-D2 机器人能跟人类流畅的对话，会自主使用工具并精通黑客技术，甚至还会 “违抗” 人类命令；《变形金刚》里的变形金刚不管是人形机器人形态，还是变形后的自动驾驶汽车、无人机或者机器狗形态，都能自主思考且灵活行动。这些曾让我们无比震惊且充满向往的机器人和人类、机器人和机器人及机器人和物理世界互动的场景其实都跟今年的一个热门概念——“物理 AI” 密切相关。

今年 1 月，英伟达 CEO 黄仁勋在 CES 大会上首次公开提出了将 AI 应用到机器人等现实世界的物理 AI 的概念，并将其视为 AI 发展的最后一个浪潮；特斯拉则在其发布的《秘密宏图第四篇章》中，将公司发展重心全面转向 AI 和机器人领域，要大规模地将 AI 融入物理世界。

那么巨头们押注的物理 AI 到底是什么呢？区块链与之结合而成的 DePAI 又是什么呢？ DePAI 又将如何解决物理 AI 面临的深层次问题呢？

本份研报将从物理 AI 的概念及其面临的深层次问题开始，详细阐述 DePAI 的技术基础，深入剖析其生态层次，并对其应用场景进行梳理；同时，对 Auki、PrismaX、CodecFlow、Peaq、XMAQUINA 等知名 DePAI 项目进行案例研究；最后，提出 DePAI 机器经济当前面临的挑战和局限性，并对其前景进行展望。通过阅读本文，读者将有望全面理解 DePAI 赛道的当前现状和未来发展潜力。

作者：Felix，外捕研究（Web3Caff Research）研究员

封面：Photo by Unsplash+，Typography by 外捕研究（Web3Caff Research）

字数：全文近 27000 字

DePAI 介绍
- 物理 AI
- DePAI
- DePAI 与 DePIN 的关系
技术基础
- SSI
- zkTLS 协议
- 人工智能
- 支付协议
- 区块链技术
DePAI 的 7 个层次
- AI 代理
- 机器人
- 数据网络
- 空间智能
- 基础设施网络
- 机器经济
- DePAI DAOs
DePAI 应用场景
- 分布式 AI 计算
- 自主机器人劳务服务
- 机器人自组网数据共享服务
- 机器人声誉市场
- 分布式能源服务
- 数字孪生世界
代表性项目
- CodecFlow
- OpenMind
- BitRobot Network
- PrismaX
- RoboStack
- Poseidon
- Peaq
- XMAQUINA
- 小结
DePAI 面临的挑战
- 数据局限性
- 可扩展性
- 协调性挑战
- 互操作性
- 监管挑战
- 伦理挑战
前景展望
结语
要点结构图
参考文献

DePAI 介绍

物理 AI

（1）概念的兴起

在今年 1 月的 CES 大会上，英伟达 CEO 黄仁勋首次在全球舞台上提出了”Physical AI（物理 AI，即 AI 可以与物理世界互动，后文 “（2）什么是物理 AI ？” 处有详解）” 的概念，将 “Physical AI” 定位为继”Perception AI（感知 AI，即 AI 可以理解文字、图像和声音）”、“Generative AI（生成式 AI，即 AI 可以生成图像、文本和声音）” 和 “Agentic AI（代理型 AI，即 AI 能够感知、推理、规划和行动）” 之后的第四个也是最后一个 AI 浪潮，强调不仅需要让 AI 理解重力、摩擦力、惯性等物理规律，还需要理解几何和空间关系，甚至因果关系。[1]

DePAI 赛道 2.7 万字研报：面向 AI 终极发展方向，其能否成为 Web3 的下一个万亿美元增长引擎？全景式拆解其技术基础、生态层次、应用场景、代表性项目、风险挑战及未来潜力-Web3Caff Research 外捕研究 — 图表 1：AI 的演进：从感知 AI 到物理 AI，图源：黄仁勋 CES 演讲视频

在提出概念的同时，黄仁勋还在大会上专门推出了面向物理 AI 的三大旗舰产品：NVIDIA Cosmos、DRIVE Thor 和新版 NVIDIA Isaac Groot。

NVIDIA Cosmos

NVIDIA Cosmos 是全球首个专注于物理 AI 的世界基础模型（World Foundation Model）。这款模型由 2000 万小时的视频数据训练而来，这些视频专注于物理动态，例如人类行走、手部操作物体、快速移动的物件，以及相机运动等场景。目的是教会 AI 理解现实物理世界，而不是生成创意内容。

NVIDIA Cosmos 在物理 AI 中的作用包括：

合成数据生成：利用这些数据来训练模型；

机器人训练：将 Cosmos 模型精炼，作为机器人学习的初始模型；

生成多种可能的未来物理场景：这类似于 “奇异博士” 模拟未来情景的方式（比如，扭曲的城市、折叠的街道、逆行的汽车等等）；

视频标注：模型可以准确地为视频添加标签，这些标签可用于训练多模态大语言模型。

DRIVE Thor

DRIVE Thor 是新一代处理器。Thor 具有超凡性能，可提供每秒高达 2070 万亿次运算 (TOPS) 的算力，功率可配置在 40 W 到 130 W 之间（数据来自于英伟达官网，下同），相较于目前业界标准的 Orin 处理器（每秒 275 TOPS 的算力，功率配置在 15 W 到 60 W 之间），其性能提升了 20 倍。 Thor 能够处理大量传感器数据，包括 20 个高解析度相机、雷达和 Lidar 传感器等，并将其转换为 AI 推理所需的标记（Token），最终生成车辆的路径预测。

Thor 不仅仅适用于汽车，它也是一款通用机器人计算机，可以用于自动移动机器人（AMR）、人形机器人等各种应用。

本文共计 26980 字，订阅会员后继续查阅