Der Artikel von Shuai Guo auf Towards Data Science unternimmt eine systematische Begriffsklärung rund um „Physical AI" – ein Schlagwort, das laut dem Text von Nvidia, Beratungsfirmen, Investoren und Robotik-Startups gleichermaßen verwendet wird, oft ohne konsistente Definition. Als Arbeitsdefinition formuliert der Autor: Physical AI ist KI, die den Regelkreis zwischen Wahrnehmung und Aktion in der realen physischen Welt schließt – bestehend aus Sensorik, Situationsbewertung, Vorhersage, Planung, Ausführung und Feedback. Abgegrenzt wird das Konzept zunächst von World Models, die zwar innerhalb eines Physical-AI-Systems existieren können, aber für sich allein nur mögliche Zukünfte simulieren, ohne zu handeln. Gegenüber Embodied AI betont der Autor den Unterschied in der Akzentuierung: Physical AI beschreibt, was ein System tut, während Embodied AI – gestützt auf die Embodiment Hypothesis – beschreibt, wie Intelligenz durch einen physischen Körper geformt wird; in der Praxis überschneiden sich beide Konzepte jedoch stark. Physics AI wiederum bezeichnet einen gänzlich anderen Ansatz, nämlich KI-Methoden, die physikalische Gesetzmäßigkeiten in ihre Modellformulierung integrieren – Paradebeispiel ist das Physics-Informed Neural Network (PINN), das klassische Verlustfunktionen um Strafterme für Verletzungen bekannter physikalischer Gleichungen ergänzt. Capgeminis Innovationschef wird im Text als konkretes Beispiel für die verbreitete Gleichsetzung von Physical AI und Embodied AI zitiert – eine Aussage, die der Autor als vereinfachend einordnet.