撰文：Jim，MSX 麥通

編輯：Frank，MSX 麥通

過去兩年，資本市場交易的 AI，主要是 AI 的「大腦」。

從 ChatGPT、大模型到 GPU、HBM、資料中心、光通訊和電力基礎設施，幾乎所有核心主線，都圍繞著如何讓模型規模更大、訓練速度更快、推理成本更低展開。

只不過，這些 AI 可以生成文字、圖片、程式碼和影片，卻大多仍然運行在螢幕和數位世界之中。

因此，當大模型能力和算力基礎設施逐步走向成熟，市場自然會開始追問下一個問題：這些越來越聰明的模型，最終能不能走出螢幕，進入汽車、工廠、倉庫、醫院和真實世界？

這正是 Physical AI，即物理 AI 開始走到產業前臺的原因。

一、從「會思考」到「會行動」，物理 AI 為什麼重要？

按照 NVIDIA 的定義，物理 AI 是讓 AI 從螢幕裡走出來，讓機器人、攝影機、自動駕駛汽車等自主系統，能夠感知並理解周圍環境，完成推理、決策和複雜行動。

換句話說，如果說生成式 AI 解決的是「機器如何思考」，那麼物理 AI 試圖解決的就是機器思考之後，如何正確、安全並且低成本地行動，從而讓機器真正具備與現實世界互動的能力。

從黃仁勳近幾次公開演講的表述來看，NVIDIA 正在不斷強化 Isaac、GR00T、Cosmos、Omniverse 和 Jetson 等產品線，其目標並不是單純押注某一款機器人，而是為機器進入物理世界搭建覆蓋訓練、模擬、推理和部署的一整套底層平台。

**因為真正的物理 AI，並不是在機器人裡接入一個大模型那麼簡單，**它還需要理解空間關係和物理規律，需要世界模型、訓練資料、模擬環境、邊緣算力、機器視覺、感測器和運動控制，並在部署前完成大量安全測試。

在市場語境中，Physical AI 與「具身智慧」高度重合，但前者的外延更加寬泛，不僅包括人形機器人，也包括自動駕駛、工業機器人、無人機、智慧工廠、倉儲系統，以及由攝影機和感測器驅動的智慧空間。

當然，物理 AI 並非突然出現的新概念。

自動駕駛、工業機器人、機器視覺和倉儲自動化已經發展多年，真正發生變化的是，大模型、世界模型、模擬技術和邊緣算力，正在把這些過去相對割裂的技術路線連接起來。

大量傳統工業機器人依靠預先編寫的程式，在相對固定的環境中重複執行標準動作；物理 AI 的目標，則是讓機器在面對不同物體、陌生環境和突發狀況時，也能夠根據即時資訊調整判斷和行為。

這意味著，AI 產業鏈正在從「大腦」向「身體」延伸。

過去兩年，市場首先重估了訓練和運行 AI 所需的 GPU、儲存、伺服器、網路和電力。接下來，資金可能進一步尋找能夠承接這些算力，並將模型能力轉化為現實生產力的載體：機器人、自動駕駛汽車、無人機、工業自動化設備，以及遍布工廠、倉庫和城市的視覺與感測系統。

所以，物理 AI 並不是一個可以簡單等同於「人形機器人」的單點概念，它真正打開的，是一整條從算力到行動的產業鏈。

二、從算力到機器人，物理 AI 的五層產業鏈

為了便於理解，MSX 研究院將物理 AI 產業鏈粗略拆成五個關鍵環節。

1.第一層：算力層

無論是訓練機器人模型、構建虛擬環境，還是在汽車和機器人端完成即時推理，都離不開算力。

它囊括資料中心 GPU、邊緣 AI 晶片、車載計算平台和低功耗處理器，對應標的主要包括：

NVIDIA（NVDA.M）：覆蓋訓練算力、Jetson 邊緣計算平台，以及機器人開發生態；
台積電（TSM.M）：AI 晶片、車載晶片和邊緣計算晶片的製造底座；
Arm（ARM.M）：低功耗計算架構廣泛應用於汽車、機器人和智慧設備；
高通（QCOM.M）：布局車載 AI、邊緣推理和智慧終端；
AMD（AMD.M）：AI 算力和嵌入式計算的潛在受益者；

這一層的邏輯與過去兩年的生成式 AI 行情相似，延續了「賣鏟子」邏輯，不管最終哪一家機器人公司勝出，底層都需要晶片、算力和計算架構。

2.第二層：模型層

這也不難理解，物理 AI 需要的並不只是語言模型，還包括機器人基礎模型、世界模型，以及視覺—語言—動作模型。

語言模型可以理解人的指令，視覺模型幫助機器識別環境，動作模型則負責把判斷轉化為具體動作；世界模型則更進一步，它試圖讓 AI 理解物體之間的關係、預測下一步可能發生什麼，並在行動前進行推演。

這一層目前仍然主要由大型科技公司和平台型企業推動，包括 NVIDIA、Tesla、Google，以及部分機器人創業公司。

**相比大語言模型，機器人模型面臨的最大問題是資料，**雖然網際網路上有海量文字、圖片和影片，但真正高品質的機器人操作資料並不多，如何生成足夠多的訓練資料，將成為物理 AI 發展過程中的關鍵門檻。

3.第三層：模擬層

由於現實訓練成本高、速度慢、風險大，機器人需要先在虛擬世界裡學習，因此數位孿生、合成資料和虛擬訓練環境，構成了物理 AI 非常重要的一層。

NVIDIA 在這一層搭建了較為完整的工具鏈：Omniverse 用於構建數位孿生和模擬環境，Isaac Sim 與 Isaac Lab 支援機器人訓練、測試和驗證，Cosmos 則提供世界模型及資料生成能力。

這一層的價值在於，它可以把真實世界裡昂貴、危險而緩慢的試錯，轉移到虛擬環境中完成，開發者可以同時運行大量場景，測試不同光線、天氣、地形和突發事件，再將經過驗證的模型部署到真實設備中。

說到底，機器人在現實中訓練一次可能需要幾分鐘，在模擬環境中卻可以並行執行成千上萬次。

4.第四層：感知層

機器人進入現實世界，第一步往往不是擁有靈活的雙手，而是能夠穩定地「看見」和理解周圍環境。

它必須識別物體、判斷距離、理解環境變化，並在複雜空間中完成定位，作出判斷之後，還需要透過控制器、電機、機械臂和關節模組，將決策轉化為真實動作。

這一層包括機器視覺、攝影機、光達、感測器、控制晶片、運動控制和各類執行組件：

Cognex（CGNX.M）：工業機器視覺和識別系統；
Ouster（OUST.M）：光達和感知平台；
高通、NVIDIA：提供車載和邊緣視覺計算平台；

Ouster 已將新一代數位光達接入 NVIDIA Jetson 和 Isaac 生態，並在工業機器人、巡檢及自主系統中推進應用；Cognex 則持續將 AI 視覺系統部署到製造業檢測與自動化場景。

相比人形機器人，機器視覺和感測器的想像空間可能沒有那麼大，卻更接近現實訂單和既有客戶。

至於電機、減速器和關節模組等執行端，美股中的純標的相對有限，相關機會更多分散在工業自動化、類比晶片和專業零部件企業之中。

5.第五層：應用層

作為產業鏈最上層，這也是市場最熟悉的機器人、自動駕駛、無人機和工業自動化設備，對應標的包括：

Tesla（TSLA.M）：Optimus、FSD 和 Robotaxi；
Alphabet（GOOGL.M）：透過 Waymo 布局自動駕駛；
Amazon（AMZN.M）：倉儲機器人、物流自動化和 Zoox；
Teradyne（TER.M）：協作機器人和移動機器人；
AeroVironment（AVAV.M）、Kratos（KTOS.M）、Ondas（ONDS.M）：無人機和無人系統；
Palantir（PLTR.M）：連接數據、決策和無人設備的軟體平台；

其中，Palantir 並不是機器人製造商，更偏向連接數據、決策和無人設備的軟體平台；Uber 則可能成為不同 Robotaxi 車隊獲取用戶、調度訂單和完成交易的流量入口，二者均屬於間接受益方向。

這也是物理 AI 最容易產生高彈性的環節，一旦某款機器人、Robotaxi 或無人機進入規模化量產，市場會迅速上修其收入和估值空間。

但與此同時，應用層也是競爭最激烈、兌現難度最高的部分。

三、誰會先賺錢：賣鏟子，還是造機器人？

從產業兌現順序來看，物理 AI 帶來的增量收入和利潤，未必會率先出現在最具科幻感的人形機器人上。

反而更可能的路徑是，先賣底層平台，再進入封閉場景；先解決標準化任務，再挑戰開放世界，一言以蔽之，「賣鏟子」的確定性仍然最高。

所以，如果說生成式 AI 第一階段最大的受益者是 NVIDIA，那麼物理 AI 的早期發展，仍然很難繞開 NVIDIA。無論最終是 Tesla、Amazon，還是某一家機器人創業公司勝出，它們都需要模型訓練、仿真測試、即時推理和邊緣部署。

NVIDIA 的優勢並不只是 GPU，而是它正在把晶片、模型、仿真軟體和邊緣運算平台整合成一套完整的開發體系，這也意味著它不需要親自生產每一台機器人，只需要讓越來越多的機器人使用其算力和軟體生態。

從這個角度看，**物理 AI 第一階段較為清晰的受益方向，仍然可能是提供算力、仿真、晶片和開發工具的「賣鏟人」；**但「受益路徑清晰」並不等於股價沒有風險，市場是否已經提前計入增長預期、軟體生態能否形成持續收入、競爭對手能否提供替代方案，依然需要觀察。

其次則是工廠和倉庫，可能更早跑通商業閉環，也即物理 AI 最早進入財報的場景，很可能出現在製造、倉儲和物流領域。

這些場景環境相對封閉，路線和任務更加標準化，企業也更容易計算投資回報率——一台機器人投入之後，能夠減少多少人工、提升多少效率、降低多少損耗，都可以被直接量化。

Amazon 已經在倉儲網路中大規模使用機器人，並透過 AI 模型最佳化設備之間的調度和路線；Teradyne 旗下的 Universal Robots 和 MiR，則分別涵蓋協作機械臂與自主移動機器人，已經進入製造、物流和半導體等實際生產環境。

這些公司的共同特點是並不只是展示機器人可以完成什麼動作，而是已經開始把機器人放進工廠和倉庫，解決真實的生產問題。相比之下，讓機器人進入家庭做飯、打掃衛生和照顧老人，需要面對更加複雜的環境和安全責任，商業化週期可能明顯更長。

最後，人形機器人無疑擁有最大的市場想像力，理論上它可以進入人類已經設計好的工廠、倉庫、醫院和家庭，直接使用現有的道路、工具和工作台。

Tesla Optimus 因此成為物理 AI 行情中最受關注的方向之一，但這並不等於大規模商業化已經到來，對於人形機器人，真正需要觀察的不是發佈會上的動作是否流暢，而是單機成本、連續工作時間以及它創造的價值能否覆蓋採購和維護成本。

相比之下，Robotaxi 已經走在更加靠前的位置。自動駕駛汽車本質上就是「輪子上的物理 AI」——車輛透過攝影機、雷達和光學雷達感測環境，模型作出判斷，再由汽車完成實際行動。

Tesla、Waymo 和 Zoox 分別代表整車軟硬體一體化、自動駕駛系統和專用 Robotaxi 路線；Uber 則試圖成為連接不同自動駕駛車隊與乘客的平台入口；Waymo 已開始推進第六代自動駕駛系統的完全無人化營運，其最新車型搭載該系統時，公司揭露已完成超過 2000 萬次全無人駕駛出行，說明 Robotaxi 在商業驗證上明顯領先於通用人形機器人。

除此之外，無人機和國防機器人則更容易獲得訂單驗證。畢竟國防客戶對自主化、低成本無人系統和反無人機設備的需求更加明確，像 AeroVironment 和 Kratos 的自主及無人系統業務已體現出收入與訂單增長，Ondas 也在持續獲得反無人機、巡飛彈和自主防禦系統訂單。

不過，這類小型公司通常伴隨更高的專案集中度、融資和執行風險。

因此，判斷一家物理 AI 公司是否值得持續追蹤，最終仍然要回到三個問題：

它是不是產業鏈中難以替代的核心環節？
它有沒有真實客戶、訂單和應用場景？
技術進展能不能最終體現在收入、利潤和現金流裡？

寫在最後

物理 AI 不會在一夜之間完成兌現。

從產業規律來看，它更可能沿著一條由確定性向高彈性逐步推進的路徑：先是算力、仿真和邊緣平台，隨後是倉庫、工廠和專業機器人，再到 Robotaxi、無人機和通用人形機器人。

而真正決定這條主線能走多遠的，也不是機器人在發佈會上完成了多少動作，而是它們走下舞台之後，能否進入工廠、倉庫、道路和真實業務，並創造可以被財報驗證的價值。

當這一點發生時，AI 才算真正從螢幕走向現實。

疑似Ansem關聯錢包花費23.3萬美元買入279萬枚CASHCAT

熱門文章