回想一下过去两年，资本市场围绕AI交易的核心，其实一直是它的“大脑”。

从ChatGPT、大模型，到GPU、HBM、数据中心，再到光通信和电力基础设施，几乎所有主线都指向同一个方向：让模型更大、训练更快、推理更便宜。这些AI确实能写能画、能编程能剪片子，但说实话，它们大部分时间还是被困在屏幕和数字世界里。

所以，当大模型的能力和算力基础设施逐渐走向成熟，市场自然会追问下一个问题：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，真正去触摸和改变&现实世界？

这正是Physical AI——物理AI——开始走到产业聚光灯下的根本原因。

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就是要让AI从屏幕里走出来，让机器人、摄像头、自动驾驶汽车这些自主系统，能够感知和理解周围环境，进而完成推理、决策和复杂的实际行动。

用大白话说，生成式AI解决的是“机器如何思考”，而物理AI要解决的，是机器思考之后，如何正确、安全且低成本地去行动，让它真正具备与现实世界互动的能力。

从黄仁勋最近几次公开演讲的调门来看，NVIDIA正不断强化Isaac、GR00T、Cosmos、Omniverse和Jetson这些产品线。目标很明确：不是单纯押注某款机器人，而是为机器进入物理世界搭建一整套底层平台——覆盖训练、仿真、推理和部署的全部环节。

真正的物理AI，绝不是往机器人里塞个大模型那么简单。它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，还得在正式上岗前完成海量的安全测试。

在市场语境里，Physical AI和“具身智能”高度重叠，但前者的外延宽泛得多。它不仅包括人形机器人，也涵盖自动驾驶、工业机器人、无人机、智能工厂、仓储系统，以及那些由摄像头和传感器驱动的智能空间。

当然，物理AI并非凭空冒出来的新概念。自动驾驶、工业机器人、机器视觉、仓储自动化，这些领域其实已经发展了很多年。真正让格局发生变化的，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串联起来。

想想看，传统工业机器人大多靠预先编写的程序，在相对固定的环境里反复执行标准动作。而物理AI的目标，是让机器在面对不同的物体、陌生的环境、突发状况时，也能根据实时信息灵活调整判断和行为。

这也就意味着，AI产业链正从“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。下一阶段，资金很可能去寻找那些能承接这些算力，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

为了方便理解，MSX研究院把物理AI产业链粗略拆解成五个关键环节。

1. 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。

这一层包括数据中心GPU、边缘AI芯片、车载计算平台和低功耗处理器。对应标的主要有：

• 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。

这一层的逻辑和过去两年的生成式AI行情很相似，说白了还是“卖铲子”——不管最终哪家机器人公司胜出，底层都需要芯片、算力和计算架构。

2. 模型层

这个也不难理解。物理AI需要的不是单纯的语言模型，还包括机器人基础模型、世界模型，以及视觉-语言-动作模型。

语言模型负责理解指令，视觉模型帮机器识别环境，动作模型把判断转化为具体动作；世界模型更进一步，试图让AI理解物体之间的关系，预测接下来可能发生什么，并在行动前进行推演。

目前这一层主要由大型科技公司和平台型企业推动，包括NVIDIA、Tesla、Google，以及一些机器人创业公司。

和大语言模型比，机器人模型面临的最大瓶颈是数据。互联网上海量的文字、图片和视频唾手可得，但真正高质量的机器人操作数据却少得可怜。如何生成足够多的训练数据，将成为物理AI发展过程中一道关键门槛。

3. 仿真层

现实训练成本高、速度慢、风险大，所以机器人得先在虚拟世界里学习。数字孪生、合成数据和虚拟训练环境，构成了物理AI非常重要的一环。

NVIDIA在这一层搭建了比较完整的工具链：Omniverse用来构建数字孪生和仿真环境，Isaac Sim和Isaac Lab支持机器人训练、测试和验证，Cosmos则提供世界模型和数据生成能力。

这一层的价值在于，它可以把真实世界里昂贵、危险又缓慢的试错，搬到虚拟环境中完成。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，再把验证后的模型部署到真实设备上。

说到底，机器人在现实中训练一次可能需要几分钟，但在仿真环境里可以并行跑成千上万次。

4. 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，而是能稳定地“看见”并理解周围环境。

它得识别物体、判断距离、理解环境变化，在复杂空间里完成定位。做完判断之后，还要通过控制器、电机、机械臂和关节模组，把决策转化成真实动作。

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已经将新一代数字激光雷达接入了NVIDIA Jetson和Isaac生态，在工业机器人、巡检和自主系统里推进应用；Cognex则持续把AI视觉系统部署到制造业检测和自动化场景。

和人形机器人比，机器视觉和传感器的想象空间可能没那么大，但更接近现实的订单和既有客户。

至于电机、减速器、关节模组这些执行端，美股里的纯正标的相对有限，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里。

5. 应用层

作为产业链的最上层，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。对应标的有：

• 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（A VA V.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。

值得注意的是，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，两者都属于间接受益的方向。

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，市场会迅速上修它的收入和估值空间。

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？

从产业兑现的顺序来看，物理AI带来的增量收入和利润，未必会最先出现在最具科幻感的人形机器人上。

更可能的路径是：先卖底层平台，再进封闭场景；先解决标准化任务，再挑战开放世界。说白了，“卖铲子”的确定性仍然最高。

如果说生成式AI第一阶段最大的赢家是NVIDIA，那么物理AI的早期发展，恐怕也很难绕开它。不管最终是Tesla、Amazon，还是某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用它的算力和软件生态就行。

从这个角度看，物理AI第一阶段比较清晰的受益方向，仍然可能是提供算力、仿真、芯片和开发工具的“卖铲人”。当然，“受益路径清晰”不等于股价没有风险——市场是否已经提前计入了增长预期？软件生态能不能形成持续收入？竞争对手能不能拿出替代方案？这些都还需要观察。

其次，工厂和仓库可能会更早跑通商业闭环。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，企业也更容易算清投资回报率——一台机器人投进去，能省多少人工、提多少效率、降多少损耗，都可以直接量化。

Amazon已经在仓储网络里大规模使用机器人，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，分别覆盖协作机械臂和自主移动机器人，已经进入了制造、物流和半导体等实际生产环境。

这些公司的共同点是：它们不只是展示机器人能完成什么动作，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，想让机器人进入家庭做饭、打扫卫生、照顾老人，面对的环境更复杂、安全责任更大，商业化周期显然会长得多。

最后，人形机器人无疑拥有最大的市场想象力。理论上，它能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也因此成为物理AI行情里最受关注的方向之一。但这不等于大规模商业化已经近在眼前。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不能覆盖采购和维护成本。

相比之下，Robotaxi已经走在了更靠前的位置。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分别代表了整车软硬件一体化、自动驾驶系统和专用Robotaxi这几条路线；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已经推进到第六代自动驾驶系统的完全无人化运营，公司披露，搭载该系统的车型已完成超过2000万次全无人驾驶出行。这说明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更容易获得订单验证。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相当明确，AeroVironment和Kratos的自主及无人系统业务已经体现出收入和订单增长，Ondas也在持续拿到反无人机、巡飞弹和自主防御系统的订单。

不过，这类小型公司通常伴随着更高的项目集中度、融资和执行风险。

所以，判断一家物理AI公司是否值得持续跟踪，最终还是要回到三个问题：

• 它是不是产业链里难以替代的核心环节？
• 它有没有真实的客户、订单和应用场景？
• 技术进展最终能不能体现在收入、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，然后是仓库、工厂和专业机器人，再到Robotaxi、无人机和通用人形机器人。

真正决定这条主线能走多远的，并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，能不能进入工厂、仓库、道路和真实的业务场景，并创造出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。