10月21日，柏林GTC大会。黄仁勋讲机器人训练时提到一句话："你不能只是把AI写出来，就让它进入物理世界随意尝试。学习应该先在数字孪生中进行。"他讲的是训练方法，可这句话戳到的地方在别处：AI一旦走进物理世界，试错就开始有代价。
仿真模拟管的是训练，管不了真机上岗以后的事。这笔账，已经有公司在算。今年登陆港交所的白鸽在线（02672.HK），过去十年做的事，是把风险拆到极细的颗粒上判断：80个生产与生活场景，22.79万份细分行业风险案例。
这笔账为什么突然要紧？因为物理AI正把机器从产线推到人群里。同一场演讲里，黄仁勋的判断是，物理AI是AI的下一波浪潮，人形机器人很可能成为出货量最大的形态。场景太多，只有标准形态才撑得起规模，有了规模才有迭代和降本。
设备从几十台走到几万台，"能不能造出来"会逐步被解决，"出了问题谁来判断、按什么标准定价"却会越来越难。这道题，硬件公司答不了。
判断和定价，都是风险问题。这类事过去一直由人管，靠有经验的人逐单去看。一笔业务能不能做、风险有多大，问几句就有数。低频、大额、链路清晰的场景里，这套办法够用，样本有限，人看得过来。
物理AI带来的是另一种量级。一台机器人在一天里产生的动作决策点以万计，一个车间几十台，一座城市上千台。要判断哪一次动作偏离了安全边界，哪一类交互正在累积风险，加人手已经追不上。跟专业度关系不大，数量级就不对。
那通用大模型呢？它见过海量文本，能描述机器的结构、产线的流程、事故的成因。可它答不了另一个问题：这一次，会怎样。回答这个问题需要场景的历史、类似行为的后果、处置之后的结果反馈，这三样都不在公开语料里。
通用模型的知识边界，正好是风控数据的起点。这跟能力高低没关系，跟数据种类有关系。白鸽在线攒了超过90亿份业务记录、3.98亿终端主体画像、180种子指标，价值就在这里：每一次判断之后发生了什么，都被记了下来。风控因此能从老师傅的经验变成可训练的模型。
风险预警、动态定价、风险损失预测、智能推荐、信用评估、异常主体识别，六个环节被做成了模型矩阵，连成一条从发现到处置的链条。截至目前，模型服务调用量已经突破750万次。
这套能力可以平移，因为它的结构不绑在某个行业上，绑在"交互"上。以前监测的是人与人、人与物、物与物等等打交道时的风险，现在具身智能设备开始和外界打交道，风险换了形状，判断逻辑还是那一套。公司在中期报告里已经披露，正积极拓展具身机器人等新兴场景，挖掘新的风险管理需求。
产业链上，做本体、做零部件的公司很多，绕不开的一件事是：任何一类新风险，在被定价之前都没法被有效管理。定不了价，就判断不了该不该做。风控在链条上站得很靠前，一道业务能不能开始，先过它这一关；等出了事再补救就晚了。
物理AI越普及，风险定价能力越稀缺。谁能在新场景里先把识别、判断、处置这一圈跑通，谁就拿到了入口。
黄仁勋还提到另一件事：真正让智能体变得有用的，是它能访问到你独有的知识。这类知识在书本和网页里找不到，是十年间积累下来的、带结果的场景经验。它不在任何公开数据集里。
AI风控的分量会越来越重，原因就在这里。模型可以买，算力可以租，唯独"这个判断该不该做"得有人负责。物理AI能走多远，最后要看风险能算多清。
