物理AI的本质：让人工智能从数字世界进入物理世界

随着人工智能加速从数字世界向物理世界延伸，物理AI（Physical AI）正成为人工智能产业发展的重要方向。作为深耕北斗应用、智慧交通及数据服务领域的上市公司，信息发展（300469）依托北斗车载终端、多模态数据采集、端侧智能计算及中心侧行业模型，逐步形成连接真实物理世界与智能决策的技术体系。其保险科技与北斗自由流两大业务，不仅为物理AI提供了具体的产业应用场景，也展现出公司在真实世界数据积累、行业模型开发和数据要素商业化方面的潜在价值。

物理AI走向产业应用，真实世界数据与智能决策成为关键

过去，人工智能的应用主要集中在文本生成、图像识别、信息检索与知识推理等数字化场景。随着多模态模型、边缘计算、传感器技术及智能终端不断发展，AI正在突破传统数字空间的限制，逐步具备感知、理解、预测和影响现实世界的能力。

与传统AI相比，物理AI的核心并不在于设备是否具有人形形态，而在于人工智能能否与真实世界建立持续的感知、判断、决策及反馈关系。从智能汽车、工业设备到智慧交通和城市基础设施，凡是能够通过传感器感知物理环境、依托模型开展分析，并将决策结果反馈至实际业务的系统，都具备物理AI的应用特征。

一套完整的物理AI技术体系，可以分为七个层级，并且代入信息发展：

从技术架构来看，一套完整的物理AI体系通常包括物理世界、物理感知、端侧智能、数据治理、中心侧AI、应用执行及反馈进化七个层级。其中，物理世界提供真实场景，传感器负责将运动状态及环境信息转化为数字信号，端侧模型承担实时识别和初步推理，数据治理体系负责信息加工与融合，中心侧模型完成复杂分析、风险预测及智能决策，最终通过业务执行与反馈形成持续优化的闭环。

因此，物理AI并非单一的硬件或者算法，而是围绕真实物理世界构建的一套感知、计算、决策与应用体系。

从这一角度看，信息发展具有较强的物理AI产业属性。公司围绕北斗应用构建的车载终端、时空数据采集、主动安全算法、GBCM平台及行业数据服务体系，与物理AI多个核心技术层级具有较高的契合度。尤其是保险科技和北斗自由流两大业务，分别面向车辆安全运营与交通通行计量，为物理数据的智能分析和商业应用提供了实际业务基础。

从北斗终端到智能计算，信息发展构建端云协同物理AI架构

在物理AI产业体系中，真实世界的数据入口至关重要。

与主要处理互联网文本信息的AI应用不同，信息发展的数据基础来源于车辆在真实道路环境中的持续运行。根据公司业务介绍，其北斗车载终端能够采集北斗定位、车辆行驶轨迹、三轴加速度、三轴陀螺仪、道路图像、视频及车辆操作行为等多维信息，并融合ADAS、AEBS、BSM等系统产生的相关数据。

这些数据不仅能够描述车辆所处的位置，还能够反映车辆的运动状态、驾驶员操作行为及其与周围道路环境的交互关系，具有鲜明的时间、空间、运动和行为特征。

例如，当车辆发生急刹车时，单纯的加速度变化只能反映车辆出现异常减速；但如果进一步结合北斗定位、前方道路视频、车辆速度、驾驶员状态及道路环境，模型便有机会对急刹车行为的原因、潜在风险及其影响进行更加深入的分析。

这正是多模态物理AI的重要价值：通过不同类型传感数据的融合，使人工智能从简单记录物理状态，逐步走向理解复杂物理场景。

信息发展的物理AI体系，可以概括为：

北斗终端规模化部署 → 多模态物理数据采集 → 端侧AI实时计算 → 中心侧AI模型分析 → 行业智能决策 → 真实场景反馈 → 模型持续迭代。

这一体系具有三个突出特点。

1.以北斗为入口，构建面向真实物理世界的数据感知网络

信息发展的数据并非主要来源于互联网文本，而是来源于车辆在真实道路上的持续运行。

根据公司业务介绍，车载终端能够采集的核心数据包括：

• 空间轨迹数据： 北斗定位、经纬度、行驶轨迹、道路位置等。

• 六轴惯导数据： 三轴加速度和三轴陀螺仪，反映车辆加速、制动、转弯、姿态变化等物理状态。

• 图像与视频数据： 道路环境、驾驶舱、车轮及预碰撞场景等多视角信息。

• 车辆行为数据： ADAS、AEBS、BSM等系统产生的制动、车距、车道偏离和驾驶风险相关信息。

• 道路环境数据： 路况、天气、道路条件和交通事件等。

这些数据有一个共同特征：它们不仅记录车辆在哪里，更能够反映车辆如何运动、驾驶员如何操作，以及车辆与周围环境发生了什么关系。 因此，信息发展所积累的数据具有明显的空间属性、时间属性、运动属性和行为属性，是物理AI理解真实交通场景的重要数据基础。

2. 以端侧智能为核心，实现从数据采集向实时AI推理升级

在此基础上，信息发展进一步向端侧智能计算延伸。 公司业务材料展示的ASLM安全算法体系，以及可扩展ADAS、DSM、AEBS等功能的车载终端，使终端设备具备从数据采集向本地智能识别升级的技术基础。 在实际交通运营场景中，部分风险事件具有极强的时效性。当车辆出现疲劳驾驶、异常车距、车道偏离、紧急制动或者潜在碰撞风险时，系统需要尽可能在本地完成识别和初步判断，而不能完全依赖将数据传输至远端服务器后再返回结果。 通过部署轻量化模型，端侧可以按照低、中、高不同风险等级，对车辆运行状态进行分析，并根据具体情况完成提示、预警、事件记录及信息上报。 端侧AI的核心价值不仅体现在算力配置，更体现在低延迟推理、风险识别准确性、误报漏报控制及复杂环境下的稳定运行能力。其本质是让智能判断能力直接进入现实物理终端。

3. 以中心侧模型为核心，实现跨车辆、跨场景的智能分析

信息发展通过GBCM主动安全优化决策模型、ASLM相关安全算法及数据平台，对车辆状态、驾驶行为、道路环境和历史事件等信息开展融合分析，逐步形成面向交通安全和保险风控的行业模型体系。 相较于单一车辆的即时判断，中心侧模型能够基于跨车辆、跨道路、跨时间的多维数据，分析不同驾驶行为与风险事件之间的关联，形成风险评级、预测分析、风险干预评估及行业应用报告。 在具备有效业务反馈与数据使用权限的前提下，中心侧还可以通过持续的数据训练、模型验证及算法优化，将适合本地部署的模型能力进一步下沉至车载终端，实现端云协同的持续迭代。 由此，信息发展形成了较为清晰的物理AI技术逻辑：端侧负责实时感知和快速判断，中心侧负责复杂分析与深度决策，两者共同构成从真实物理数据到行业智能应用的核心技术基础。

保险与北斗自由流：两大业务与物理AI的分层匹配

在信息发展的现有业务体系中，保险科技是其物理AI属性较为突出的应用方向。 传统车险业务主要依靠车辆属性、历史赔付及承保经验进行风险评估，对车辆日常运营中的实际驾驶行为和动态风险，往往缺乏连续、精细的观察能力。 随着北斗定位、多模态传感及AI模型的引入，保险风控正在从传统的事后理赔向事前预防、事中干预及事后分析延伸。 这一体系使保险科技不再局限于提供车辆定位或者简单的驾驶行为记录，而是进一步服务于保险公司的风险评估、定价支持、理赔辅助及科技降赔等业务需求。 对于保险公司而言，真正具有价值的并不是某一辆车在某个时间点所处的位置，而是车辆在特定运营环境下具有怎样的风险水平、可能发生何种事故，以及通过主动干预能否有效降低未来出险概率和赔付成本。

AI深度嵌入业务链条，多模态数据与行业模型构筑技术价值

衡量一家企业的AI含量，不能仅以模型参数规模、GPU采购数量或者是否接入通用大模型作为判断标准。

对于物理AI企业而言，更值得关注的是AI在核心业务中的参与深度，包括是否具备真实世界数据获取能力、是否拥有端侧推理体系、是否形成中心侧行业模型，以及是否能够通过实际业务结果验证和优化模型。从这一角度看，信息发展的AI应用具有较强的业务渗透特征。

首先，公司所处理的数据具有鲜明的物理属性和多模态特征。车辆在实际运营中产生的位置、速度、姿态、驾驶行为、道路图像及视频信息，相互之间存在复杂的时间与空间关系，为多模态模型训练、风险识别和行为分析提供了数据基础。

其次，AI能够直接进入车载终端，参与物理世界的即时判断。与单纯依靠云端进行数据分析的模式相比，端侧计算能够满足部分高风险场景对实时性和低延迟的要求。

再次，中心侧模型具备更深层次的分析任务。信息发展围绕ASLM安全算法和GBCM主动安全优化决策模型所构建的技术体系，能够将分散的车辆运行数据进一步加工为风险因子、模型评分和行业决策信息。

更为重要的是，这些模型并非完全脱离现实的理论计算，而是与保险科技、主动安全和交通运营等实际业务相结合，可以通过事故事件、风险干预、赔付表现及运营效果等结果进行验证。

对于物理AI而言，真实世界的数据积累与反馈具有重要意义。随着有效样本、应用场景和业务结果不断增加，企业可以在合规前提下持续优化算法模型，提升复杂场景下的识别能力与预测水平。

因此，信息发展的AI价值并不只体现在某一个算法或者产品上，而是有机会贯穿数据采集、端侧计算、数据治理、中心侧分析、行业决策及模型迭代的多个环节。

这也意味着，公司AI业务的评价维度应更加多元，既包括模型性能，也包括真实场景覆盖、数据质量、端侧部署、行业适配以及商业转化能力。

其具备的多环节AI应用基础，体现出较强的物理AI产业特征。不过，技术架构的完整性并不直接等同于所有AI应用已经实现规模化商业落地，具体成效仍需要通过终端部署规模、模型运行指标、客户使用情况和实际业务收入进一步验证。

数据价值不止于AI，跨行业复用打开更广阔商业空间

值得关注的是，信息发展的长期产业价值并不局限于人工智能应用本身。AI是提升数据分析深度和商业附加值的重要技术手段，但并不是数据实现商业价值的唯一方式。信息发展依托北斗终端所形成的真实世界数据，经过清洗、治理、融合、建模和授权应用，可以转化为不同类型的数据产品，服务于保险、交通、地图、自动驾驶、新能源及智慧城市等多个领域。

对于保险公司，相关数据可以用于车辆风险评级、驾驶行为分析、保险定价支持和科技降赔；对于交通管理与收费运营主体，可以用于通行计量、道路运行统计、路网分析及交通管理。

对于地图图商，经过合规处理的道路级轨迹、道路事件和环境信息，可以支持道路变化识别、导航优化及地图数据更新。

对于自动驾驶与智能网联产业，多模态驾驶事件、车辆动态行为和特定道路场景数据，具有支持模型训练、算法测试及场景验证的潜在价值。

对于新能源及能源运营企业，车辆运行里程、运营强度、道路环境及相关能耗信息，可以进一步用于补能需求预测、充电网络规划和运营效率分析。

此外，相关数据还有望在道路异常识别、城市扫描、基础设施巡检、交通数字孪生及智慧城市管理等方向拓展应用。

这些场景并不全部依赖AI模型。部分业务需要深度学习和智能推理，部分业务则依赖数据治理、统计分析、规则计算及行业软件服务。但无论最终采用何种技术方式，其共同基础都是对真实物理世界信息的持续获取、有效处理与商业应用。这也是信息发展数据业务的重要特点：同一套物理感知基础设施，可以围绕不同客户需求，形成不同的数据产品与智能分析服务。从商业逻辑看，公司有机会逐步形成“一次规模化感知、多层次数据加工、多类型模型分析、多行业应用变现”的数据服务体系。

随着数据产品标准化、行业模型成熟度和商业应用能力不断提升，相关业务有望由基础终端服务向平台服务、智能分析和数据要素应用进一步延伸。当然，跨行业商业化仍取决于数据合法来源、使用授权、产品质量以及客户的实际采购需求。

从北斗数据入口到物理AI产业应用平台，信息发展打开新的成长逻辑

综合来看，信息发展的物理AI产业属性，可以从三个层面理解。

首先，是以北斗终端和多模态传感体系为核心的物理世界数据入口。公司能够围绕车辆运行场景，持续形成具有时间、空间、运动和行为属性的真实世界数据。

其次，是端侧智能与中心侧模型相结合的AI技术体系。端侧承担实时识别和风险判断任务，中心侧负责多模态融合、复杂分析、行业预测和模型优化，两者共同推动数据向智能决策能力转化。

最后，是以保险科技和北斗自由流为代表的产业应用场景。两大业务分别围绕安全风险管理和交通通行计量展开，并为地图导航、智能网联、新能源、智慧城市等领域的数据应用提供进一步拓展的可能。

与单纯提供终端设备或者基础软件的企业不同，信息发展围绕北斗感知、数据治理、AI模型和行业应用，形成了多个环节相互衔接的业务布局。其核心竞争力的形成，将取决于真实数据资源、端云协同能力、模型实际效果以及多场景商业化效率的持续提升。

从更长远的视角看，北斗终端决定了企业连接物理世界的广度，端侧和中心侧AI模型决定了数据加工和智能分析的深度，而多行业应用能力则决定了数据能够转化为多大规模的商业价值。

信息发展的发展逻辑，正在从传统北斗终端及智慧交通服务，向“北斗物理感知入口+端云协同AI+行业数据要素应用”的综合产业体系延伸。

随着物理AI向交通运输、智能网联和城市基础设施等领域持续渗透，具备真实世界数据采集能力、行业模型技术基础和实际业务场景的企业，有望在产业融合过程中获得新的发展机会。

从北斗数据入口，到端云协同模型，再到多行业智能应用与数据要素商业化，信息发展所展现的，不仅是较强的物理AI属性，更是人工智能与真实产业深度融合背景下，面向多元行业的数据服务和智能决策平台发展潜力。