“生成型AI的数据来自互联网，但物理人工智能（AI）所需的重要数据则在现场。通过在实际工业现场部署机器人生成高质量的物理数据，并将其与AI学习和再部署相结合，形成‘制造紧密型良性循环生态系统’是韩国独特的物理AI发展方向。”

丹尼斯·洪教授在9月2日下午于首尔中区的德普拉扎酒店举行的第18届善良增长、良好就业全球论坛（2026 GGGF）上，提出了韩国物理AI产业的独特生存战略。

洪教授表示：“韩国不必完全跟随以大科技公司为中心的美国AI开发模式或依赖强大的硬件供应链的中国模式。韩国拥有汽车、半导体、造船等世界顶级的制造业现场，应该基于现场数据的优势提升产业竞争力。”

洪教授指出，机器人技术领域最近最大的变化是机器人控制机制的范式转变。过去，机器人依赖传感器接收外部信息，计算机进行判断后通过电机或液压装置进行运动，程序员需要逐一编写算法。然而，近年来，传感器输入到最终动作控制的处理方式逐渐转向一个AI模型来完成。

然而，实施这种基于AI的控制方式需要大量数据。洪教授指出，与大型语言模型（LLM）或生成型AI不同，物理AI领域面临严重的“数据干旱”。虽然文本、图像和视频可以从互联网上收集大量数据进行学习，但用于训练机器人的关节位置、速度、加速度和摩擦力等精细物理数据在互联网上并不存在。

目前全球技术公司尝试的数据收集方式也显露出局限性。例如，虚拟世界的模拟学习因与现实的差距，在实际机器人应用时会出现多种错误。人类佩戴虚拟现实（VR）设备进行远程控制收集数据的方式耗时且经济成本高，而YouTube等视频学习无法提供力量大小或接触感等“触觉数据”。

洪教授强调，在物理数据难以获取的情况下，韩国独特的“制造业现场”将成为物理AI时代的关键反转卡。汽车、半导体、造船等世界顶级的K-制造业工厂正是实时提取最精细和庞大的实际物理数据的最佳“数据生产基地”。

他还提醒，机器人行业应警惕过度幻想和夸大（Hype）。基于AI的控制方式虽然展现出卓越的灵活性，但存在无法理解内部工作原理的“黑箱”问题，导致故障或错误发生时难以追溯原因。他强调，过去100年发展起来的基于模型的传统控制方式与AI方式的结合研究应并行进行。

洪教授表示：“人形机器人和物理AI的成败最终取决于谁能最有效地收集和应用现实世界的精细数据。韩国工业界应最大化制造现场的强大实际优势，构建实用的物理AI生态系统。”