主要内容
物理AI（控制现实世界机器人与工业机械的人工智能分支）存在“层级问题”：顶部是OpenAI、Google等开发多模态基础模型，中间是Nvidia搭建平台工具，而日立、西门子等工业制造商则提出更具根基性的观点——不先理解物理世界，就无法训练机器在其中导航。
日立技术创新-人工智能中心副主任柳健介（Kosuke Yanai）指出，实用物理AI需以物理与工业设备基础知识为根基：“缺乏系统性理解，物理AI无法落地。”日立凭借数十年铁路、电力等基础设施建设经验，已积累热流体模拟（气体液体行为建模）、设备状态监测信号处理等技术，构成产品设计与控制逻辑构建的工程基础。
尽管日立的核心物理AI架构（全球综合基础设施模型IWIM，整合多专业模型与数据集的专家混合系统）仍处概念验证阶段，实际部署已显成效。与大金工业合作开发的AI系统，通过设备维修记录、手册和设计图训练，能在异常时定位故障部件，解决了依赖资深工程师直觉的难题。
在东日本铁路（JR East）项目中，AI可识别东京都铁路控制系统故障根源并辅助制定应对方案。研发端，日立在2025年ASE 2025会议发表成果，解决工业AI核心瓶颈：控制软件编写适配耗时高的问题。汽车领域，其系统用检索增强生成技术自动生成ECU测试脚本，多核心测试工时减少43%；物流领域，模块化机器人控制软件（基于ROS）可提前映射仓库环境，快速适配新场景。