人工智能（AI）近年来在内容生成、信息处理等虚拟场景中快速普及，但其影响正逐步延伸至现实世界的物理空间。

在文本创作、邮件撰写等任务中，ChatGPT、Gemini 等聊天机器人已被广泛用于撰写博客文章、生成申诉信件等。这类工具主要处理和输出信息，本质上仍停留在“屏幕之内”，并不直接作用于物理世界。

随着硬件和算法的进步，这一局面正在发生变化。多种迹象显示，人工智能正加速向实体形态渗透，有观点认为，2026 年将成为人工智能大规模“走向实体”的关键节点，这一转变被视为对技术未来及其失误后果具有重要意义的拐点。

自动驾驶成实体 AI 先行者

人工智能“落地”首先在汽车领域取得突破。自动驾驶汽车的概念可追溯至 20 世纪 50 年代，但长期被视为遥远前景。当前，相关技术已进入商业化运营阶段。

据介绍，Waymo、Zoox 等机器人出租车公司每周已为付费用户提供超过 45 万次出行服务。用户可通过应用程序呼叫无人驾驶车辆完成城市出行。

业内普遍认为，自动驾驶的推进得益于多重因素，包括激光雷达等传感器成本下降、电池性能提升等。其中，深度学习和人工智能模型的应用被视为关键驱动力。

报道指出，驱动 Waymo 车辆的人工智能模型在驾驶表现上被认为“远胜于人类司机”，并可通过实时数据持续学习和改进。在旧金山等运营城市，随着对道路环境的熟悉，这些车辆在变道、转弯等场景中的决策被描述为“愈发果断”。

同时，自动驾驶系统对传感器依赖的形态也在演变。有观点称，随着算法能力提升，部分自动驾驶方案正尝试减少对车顶高成本传感器的依赖。特斯拉则主要依靠摄像头进行环境感知，并宣称正逐步接近“真正的自动驾驶”。

类人机器人被寄望填补劳动力缺口

除自动驾驶外，人工智能与机器人技术的结合被视为实体 AI 的另一重要方向。

驾驶场景被认为是人工智能在物理世界的良好“起点”，原因在于道路交通具有相对明确的规则和边界，例如保持车道、识别红灯、避免碰撞等。而在更复杂、开放的物理环境中实现自动化，被认为难度更高，但潜在收益也更大。

多家企业正尝试将大型语言模型和神经网络嵌入类人机器人，为其提供可在现实环境中学习和导航的“人工大脑”。目标之一是让机器人在工厂、仓库等场景中承担多种任务。

与传统工业机器人通常为单一工序专门设计不同，人工智能驱动的机器人被设想为可通过学习完成多项工作，例如既能参与产品组装，又能负责将成品上架。

在劳动力结构变化背景下，照护领域被视为机器人应用的潜在重点。随着全球人口老龄化加剧，照护老年人的需求不断上升，而合格照护人员供给不足的问题日益突出。

在日本等国家，机器人已开始在部分照护环节中“补位”。相关设想包括：由具备灵巧操作能力的人工智能机器人承担洗碗、叠衣服、简单烹饪等家务任务，以支持老年人更长时间保持独立生活能力。

借助更先进的大型语言模型，这类机器人还被设想为可与照护对象进行日常对话，提供情感陪伴，并在记忆力减退等情况下提醒服药等事项。

实体 AI 风险凸显：从自动驾驶到“问题玩具熊”

人工智能从虚拟走向实体的同时，风险维度也在发生变化。

在纯数字环境中，大型语言模型出现“幻觉”（输出错误或不实内容）通常被视为令人困扰，但直接危害有限。例如，若由聊天机器人生成的肉丸食谱口味不佳，或在博客内容中将比熊犬误写为贵宾犬，后果多停留在不便或不准确层面。

一旦人工智能直接控制物理设备，失误后果可能更为严重。自动驾驶系统若发生判断错误，可能导致车辆撞击建筑物或行人。尽管科幻作品中关于“机器人失控”的情节广为流传，当前业界更关注的是现实中可见的工程和安全问题。

目前，部分风险被认为已通过工程手段得到一定程度控制。有观点称，除停电等极端情况外，Waymo 等自动驾驶车辆在道路上较少出现严重事故，工业机器人伤及人类的事件也相对罕见。

更受关注的是人工智能在缺乏充分监管和审查的情况下被快速嵌入实体产品和服务的情形。随着实体 AI 应用扩展以及大型语言模型成本下降，这类应用被认为可能更频繁出现。

一款内置大型语言模型的 AI 泰迪熊被视为典型案例。该产品原本设计用于与儿童对话并讲述睡前故事，但在实际使用中 reportedly 出现了不当内容输出，包括向儿童讲述 BDSM 等不适宜话题，以及涉及服药方式和刀具位置等信息。相关产品随后被迅速下架。

这一事件被部分业内人士视为对大型语言模型特性的警示：与传统确定性计算机程序不同，大型语言模型具有非确定性特征，难以从输入精确推断输出内容。

展望未来，有观点认为，随着人工智能进一步嵌入车辆、机器人以及电力和公用事业网络等关键基础设施，系统在避免事故、快速响应故障等方面的能力有望提升。但同样的非确定性和复杂性也意味着，失败事件在数量和影响上可能同步增加，其中不排除出现个别“灾难性失败”的可能性。

相关讨论指出，大型语言模型的不可预测性既是其生成能力和适应性的来源，也是其在实体世界应用时带来控制难度和系统复杂性的根本原因。随着人工智能加速“出圈”，如何在创新与安全之间取得平衡，正成为技术发展过程中的核心议题之一。