撰文：Jim，MSX 麦通
编辑：Frank，MSX 麦通
过去两年，资本市场交易的 AI，主要是 AI 的「大脑」。
从 ChatGPT、大模型到 GPU、HBM、数据中心、光通信和电力基础设施，几乎所有核心主线，都围绕着如何让模型规模更大、训练速度更快、推理成本更低展开。
只不过，这些 AI 可以生成文字、图片、代码和视频，却大多仍然运行在屏幕和数字世界之中。
因此，当大模型能力和算力基础设施逐步走向成熟，市场自然会开始追问下一个问题： 这些越来越聪明的模型，最终能不能走出屏幕，进入汽车、工厂、仓库、医院和真实世界？
这正是 Physical AI，即物理 AI 开始走到产业前台的原因。
一、从「会思考」到「会行动」，物理 AI 为什么重要？
按照 NVIDIA 的定义，物理 AI 是让 AI 从屏幕里走出来，让机器人、摄像头、自动驾驶汽车等自主系统，能够感知并理解周围环境，完成推理、决策和复杂行动。
换句话说，如果说生成式 AI 解决的是「机器如何思考」，那么物理 AI 试图解决的就是 机器思考之后，如何正确、安全并且低成本地行动，从而让机器真正具备与现实世界互动的能力。
从黄仁勋近几次公开演讲的表述来看，NVIDIA 正在不断强化 Isaac、GR00T、Cosmos、Omniverse 和 Jetson 等产品线，其目标并不是单纯押注某一款机器人，而是为机器进入物理世界搭建覆盖训练、仿真、推理和部署的一整套底层平台。
因为真正的物理 AI，并不是在机器人里接入一个大模型那么简单， 它还需要理解空间关系和物理规律，需要世界模型、训练数据、仿真环境、边缘算力、机器视觉、传感器和运动控制，并在部署前完成大量安全测试。
在市场语境中，Physical AI 与「具身智能」高度重合，但前者的外延更加宽泛，不仅包括人形机器人，也包括自动驾驶、工业机器人、无人机、智能工厂、仓储系统，以及由摄像头和传感器驱动的智能空间。
当然，物理 AI 并非突然出现的新概念。
自动驾驶、工业机器人、机器视觉和仓储自动化已经发展多年，真正发生变化的是， 大模型、世界模型、仿真技术和边缘算力，正在把这些过去相对割裂的技术路线连接起来。
大量传统工业机器人依靠预先编写的程序，在相对固定的环境中重复执行标准动作；物理 AI 的目标，则是让机器在面对不同物体、陌生环境和突发状况时，也能够根据实时信息调整判断和行为。
这意味着，AI 产业链正在从「大脑」向「身体」延伸。
过去两年，市场首先重估了训练和运行 AI 所需的 GPU、存储、服务器、网络和电力。接下来，资金可能进一步寻找能够承接这些算力，并将模型能力转化为现实生产力的载体：机器人、自动驾驶汽车、无人机、工业自动化设备，以及遍布工厂、仓库和城市的视觉与传感系统。
所以， 物理 AI 并不是一个可以简单等同于「人形机器人」的单点概念，它真正打开的，是一整条从算力到行动的产业链。
二、从算力到机器人，物理 AI 的五层产业链
为了便于理解，MSX 研究院将 物理 AI 产业链粗略拆成五个关键环节。
1.第一层：算力层
无论是训练机器人模型、构建虚拟环境，还是在汽车和机器人端完成实时推理，都离不开算力。
它囊括数据中心 GPU、边缘 AI 芯片、车载计算平台和低功耗处理器，对应标的主要包括：
- NVIDIA（NVDA.M）：覆盖训练算力、Jetson 边缘计算平台，以及机器人开发生态；
- 台积电（TSM.M）：AI 芯片、车载芯片和边缘计算芯片的制造底座；
- Arm（ARM.M）：低功耗计算架构广泛应用于汽车、机器人和智能设备；
- 高通（QCOM.M）：布局车载 AI、边缘推理和智能终端；
- AMD（AMD.M）：AI 算力和嵌入式计算的潜在受益者；
这一层的逻辑与过去两年的生成式 AI 行情相似，延续了「卖铲子」逻辑， 不管最终哪一家机器人公司胜出，底层都需要芯片、算力和计算架构。
2.第二层：模型层
这也不难理解，物理 AI 需要的并不只是语言模型，还包括机器人基础模型、世界模型，以及视觉—语言—动作模型。
语言模型可以理解人的指令，视觉模型帮助机器识别环境，动作模型则负责把判断转化为具体动作；世界模型则更进一步，它试图让 AI 理解物体之间的关系、预测下一步可能发生什么，并在行动前进行推演。
这一层目前仍然主要由大型科技公司和平台型企业推动，包括 NVIDIA、Tesla、Google，以及部分机器人创业公司。
相比大语言模型，机器人模型面临的最大问题是数据， 虽然互联网上有海量文字、图片和视频，但真正高质量的机器人操作数据并不多，如何生成足够多的训练数据，将成为物理 AI 发展过程中的关键门槛。
3.第三层：仿真层
由于现实训练成本高、速度慢、风险大，机器人需要先在虚拟世界里学习，因此数字孪生、合成数据和虚拟训练环境，构成了物理 AI 非常重要的一层。
NVIDIA 在这一层搭建了较为完整的工具链：Omniverse 用于构建数字孪生和仿真环境，Isaac Sim 与 Isaac Lab 支持机器人训练、测试和验证，Cosmos 则提供世界模型及数据生成能力。
这一层的价值在于，它可以把真实世界里昂贵、危险而缓慢的试错，转移到虚拟环境中完成，开发者可以同时运行大量场景，测试不同光线、天气、地形和突发事件，再将经过验证的模型部署到真实设备中。
说到底， 机器人在现实中训练一次可能需要几分钟，在仿真环境中却可以并行运行成千上万次。
4.第四层：感知层
机器人进入现实世界，第一步往往不是拥有灵活的双手，而是能够稳定地「看见」和理解周围环境。
它必须识别物体、判断距离、理解环境变化，并在复杂空间中完成定位，作出判断之后，还需要通过控制器、电机、机械臂和关节模组，将决策转化为真实动作。
这一层包括机器视觉、摄像头、激光雷达、传感器、控制芯片、运动控制和各类执行组件：
- Cognex（CGNX.M）：工业机器视觉和识别系统；
- Ouster（OUST.M）：激光雷达和感知平台；
- 高通、NVIDIA：提供车载和边缘视觉计算平台；
Ouster 已将新一代数字激光雷达接入 NVIDIA Jetson 和 Isaac 生态，并在工业机器人、巡检及自主系统中推进应用；Cognex 则持续将 AI 视觉系统部署到制造业检测与自动化场景。
相比人形机器人，机器视觉和传感器的想象空间可能没有那么大，却更接近现实订单和既有客户。
至于电机、减速器和关节模组等执行端，美股中的纯标的相对有限，相关机会更多分散在工业自动化、模拟芯片和专业零部件企业之中。
5.第五层：应用层
作为产业链最上层，这也是市场最熟悉的机器人、自动驾驶、无人机和工业自动化设备，对应标的包括：
- Tesla（TSLA.M）：Optimus、FSD 和 Robotaxi；
- Alphabet（GOOGL.M）：通过 Waymo 布局自动驾驶；
- Amazon（AMZN.M）：仓储机器人、物流自动化和 Zoox；
- Teradyne（TER.M）：协作机器人和移动机器人；
- AeroVironment（AVAV.M）、Kratos（KTOS.M）、Ondas（ONDS.M）：无人机和无人系统；
- Palantir（PLTR.M）：连接数据、决策和无人设备的软件平台；
其中，Palantir 并不是机器人制造商，更偏向连接数据、决策和无人设备的软件平台；Uber 则可能成为不同 Robotaxi 车队获取用户、调度订单和完成交易的流量入口，二者均属于间接受益方向。
这也是物理 AI 最容易产生高弹性的环节， 一旦某款机器人、Robotaxi 或无人机进入规模化量产，市场会迅速上修其收入和估值空间。
但与此同时，应用层也是竞争最激烈、兑现难度最高的部分。
三、谁会先赚钱：卖铲子，还是造机器人？
从产业兑现顺序来看，物理 AI 带来的增量收入和利润，未必会率先出现在最具科幻感的人形机器人上。
反而更可能的路径是，先卖底层平台，再进入封闭场景；先解决标准化任务，再挑战开放世界， 一言以蔽之，「卖铲子」的确定性仍然最高。
所以，如果说生成式 AI 第一阶段最大的受益者是 NVIDIA，那么物理 AI 的早期发展，仍然很难绕开 NVIDIA。无论最终是 Tesla、Amazon，还是某一家机器人创业公司胜出，它们都需要模型训练、仿真测试、实时推理和边缘部署。
NVIDIA 的优势并不只是 GPU，而是它正在把芯片、模型、仿真软件和边缘计算平台整合成一套完整的开发体系，这也意味着它不需要亲自生产每一台机器人，只需要让越来越多的机器人使用其算力和软件生态。
从这个角度看， 物理 AI 第一阶段较为清晰的受益方向，仍然可能是提供算力、仿真、芯片和开发工具的「卖铲人」； 但「受益路径清晰」并不等于股价没有风险，市场是否已经提前计入增长预期、软件生态能否形成持续收入、竞争对手能否提供替代方案，依然需要观察。
其次则是工厂和仓库，可能更早跑通商业闭环，也即物理 AI 最早进入财报的场景，很可能出现在制造、仓储和物流领域。
这些场景环境相对封闭，路线和任务更加标准化，企业也更容易计算投资回报率——一台机器人投入之后，能够减少多少人工、提升多少效率、降低多少损耗，都可以被直接量化。
Amazon 已经在仓储网络中大规模使用机器人，并通过 AI 模型优化设备之间的调度和路线；Teradyne 旗下的 Universal Robots 和 MiR，则分别覆盖协作机械臂与自主移动机器人，已经进入制造、物流和半导体等实际生产环境。
这些公司的共同特点是并不只是展示机器人可以完成什么动作，而是已经开始把机器人放进工厂和仓库，解决真实的生产问题。相比之下，让机器人进入家庭做饭、打扫卫生和照顾老人，需要面对更加复杂的环境和安全责任，商业化周期可能明显更长。
最后， 人形机器人无疑拥有最大的市场想象力，理论上它可以进入人类已经设计好的工厂、仓库、医院和家庭，直接使用现有的道路、工具和工作台。
Tesla Optimus 因此成为物理 AI 行情中最受关注的方向之一，但这并不等于大规模商业化已经到来，对于人形机器人，真正需要观察的不是发布会上的动作是否流畅，而是单机成本、连续工作时间以及它创造的价值能否覆盖采购和维护成本。
相比之下，Robotaxi 已经走在更加靠前的位置。自动驾驶汽车本质上就是「轮子上的物理 AI」——车辆通过摄像头、雷达和激光雷达感知环境，模型作出判断，再由汽车完成实际行动。
Tesla、Waymo 和 Zoox 分别代表整车软硬件一体化、自动驾驶系统和专用 Robotaxi 路线；Uber 则试图成为连接不同自动驾驶车队与乘客的平台入口；Waymo 已开始推进第六代自动驾驶系统的完全无人化运营，其最新车型搭载该系统时，公司披露已完成超过 2000 万次全无人驾驶出行，说明 Robotaxi 在商业验证上明显领先于通用人形机器人。
除此之外，无人机和国防机器人则更容易获得订单验证。毕竟国防客户对自主化、低成本无人系统和反无人机设备的需求更加明确，像 AeroVironment 和 Kratos 的自主及无人系统业务已体现出收入与订单增长，Ondas 也在持续获得反无人机、巡飞弹和自主防御系统订单。
不过，这类小型公司通常伴随更高的项目集中度、融资和执行风险。
因此，判断一家物理 AI 公司是否值得持续跟踪，最终仍然要回到三个问题：
- 它是不是产业链中难以替代的核心环节？
- 它有没有真实客户、订单和应用场景？
- 技术进展能不能最终体现在收入、利润和现金流里？
写在最后
物理 AI 不会在一夜之间完成兑现。
从产业规律来看，它更可能沿着一条由确定性向高弹性逐步推进的路径：先是算力、仿真和边缘平台，随后是仓库、工厂和专业机器人，再到 Robotaxi、无人机和通用人形机器人。
而真正决定这条主线能走多远的，也不是机器人在发布会上完成了多少动作，而是它们走下舞台之后，能否进入工厂、仓库、道路和真实业务，并创造可以被财报验证的价值。
当这一点发生时，AI 才算真正从屏幕走向现实。
