想象一个画面：周日在家折腾了一整天，屋里一片狼藉。周一晚上回来，客厅一尘不染，桌上摆着一顿烛光晚餐，而你分辨不出干这些活的是人还是机器。Jim Fan 在 2025 年 5 月的一场演讲里把这个场景定为通用机器人的验收标准，起名叫物理图灵测试。语言模型早就通过了传统图灵测试，物理版这一关，目前没有任何机器接近通过。他自己的定调是"看起来简单得不像话，实际难得离谱"。
他的论证主线可以压成三步。第一步摆问题：机器人的瓶颈在数据，算法排在后面。语言模型吃互联网长大，机器人吃不了，因为互联网上没有关节控制信号。现在行业主流靠真人遥操作采数据，一个人戴着设备操控机器人干活，一条一条录。他管这叫"人力燃料"，每台机器每天封顶 24 小时，物理上限摆在那里，没法规模化。第二步给解法：仿真。他用三个版本号讲演进，1.0 是数字孪生，手工搭环境用经典物理引擎跑，速度能到真实世界的上万倍；1.x 是数字表亲，环境交给生成模型造；2.0 是数字游民，视频扩散模型直接生成机器人的训练经验。演讲里还有个现场反转，观众以为在看真机视频，他揭底说每一帧都是生成的。第三步画终局：Physical API。五千年来工具一直在换，做一顿晚饭的组织方式基本没变过，他赌的是体力劳动最终变成可编程、可调用的服务。
这套框架的传播力我是服气的。“物理图灵测试"这个词几个月内就成了机器人行业的通用语汇，连媒体评价自动驾驶产品都开始借用。造一个人人可感知的验收标准，比写十篇综述更能占领一个领域的话语权，这是值得内容创作者单独抄走的一课。
但读这类路线图宣言，我给自己定了两条纪律。一条是区分 demo 的类型：仿真到真实的零样本迁移在走路、奔跑这类运动控制上确实成立，可一旦碰上抓取柔性物体、倒液体这类接触密集的操作任务，差距还是公开难题。烛光晚餐恰好是操作密集型的活，靶子和证据之间有错位。另一条是记住讲话人的位置：仿真路线越重要，算力需求越大，NVIDIA 越受益。卖铲子的人论证挖矿路线，论证可以是真诚的，利益结构也是真实的，两件事同时成立。演讲对特斯拉那类真机车队路线几乎没给对等篇幅，对测试何时能通过也没给任何时间表。
到 2026 年年中，没有机器人系统接近通过这道考题，人形机器人商用还集中在工厂搬运和展示场景。我的判断是，这个靶子立得好，路怎么走还远没有定论，仿真派和真机数据派的胜负要再看几年。把框架收下，把结论悬置，这大概是读布道式演讲的正确姿势。
原文: The Physical Turing Test: Jim Fan on Nvidia’s Roadmap for Embodied AI, 作者 Jim Fan, 发布于 2025-05