过去两年，资本市场聚焦于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，核心逻辑围绕如何让模型更大、训练更快、推理更便宜。然而，这些AI虽能生成文字、图像、代码乃至视频，却仍局限于屏幕与数字世界。
当大模型能力与算力基础设施逐步成熟，市场自然追问：这些越来越聪明的AI，能否真正走出屏幕，进入汽车、工厂、仓库、医院乃至日常生活？这正是物理AI（Physical AI）走向产业前台的关键动因。
从「会思考」到「会行动」：物理AI为何重要？
据NVIDIA定义，物理AI旨在让AI走出屏幕，赋能机器人、摄像头、自动驾驶汽车等自主系统，使其能感知环境、理解上下文、推理决策并执行复杂动作。如果说生成式AI解决“机器如何思考”，物理AI则解决“思考之后如何安全、高效、低成本地行动”。
黄仁勋近期多次强调Isaac、GR00T、Cosmos、Omniverse和Jetson等产品线，目标并非打造单一机器人，而是构建覆盖训练、仿真、推理与部署的完整物理AI平台。真正的物理AI远不止在机器人中接入大模型，还需融合空间理解、物理规律、世界模型、传感器融合、边缘算力与运动控制，并经过大量安全验证。
物理AI与“具身智能”高度重合，但外延更广，涵盖人形机器人、自动驾驶、工业机器人、无人机、智能工厂及由视觉与传感驱动的智能空间。其本质是将过去割裂的自动化技术，通过大模型、世界模型、仿真与边缘计算重新整合，使机器能在陌生环境中动态适应与决策。
这意味着，AI产业链正从“大脑”向“身体”延伸。继GPU、服务器、电力等“算力基建”被重估后，资金或将流向能承接算力、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、工业设备及遍布物理世界的感知系统。
物理AI的五层产业链
1. 算力层
涵盖数据中心GPU、边缘AI芯片、车载计算平台等，核心标的包括：
- NVIDIA（NVDA.M）：训练算力、Jetson边缘平台及机器人生态；
- 台积电（TSM.M）：AI与车载芯片制造基石；
- Arm（ARM.M）：低功耗架构广泛用于机器人与汽车；
- 高通（QCOM.M）：布局车载AI与边缘推理；
- AMD（AMD.M）：AI算力与嵌入式计算潜在受益者。
2. 模型层
需语言模型、视觉-语言-动作模型及世界模型协同。世界模型可预测环境变化并推演行动后果。当前由NVIDIA、Tesla、Google及部分创业公司主导。最大瓶颈在于高质量机器人操作数据稀缺。
3. 仿真层
通过数字孪生与虚拟训练降低现实试错成本。NVIDIA已构建完整工具链：Omniverse用于构建仿真环境，Isaac Sim/Lab支持训练测试，Cosmos提供世界模型与合成数据生成。仿真可并行运行数万次实验，大幅提升开发效率。
4. 感知层
机器人需先“看见”世界：识别物体、判断距离、定位导航，并通过控制器、电机、关节模组执行动作。关键组件包括：
- Cognex（CGNX.M）：工业机器视觉系统；
- Ouster（OUST.M）：激光雷达，已接入NVIDIA Jetson生态；
- 高通、NVIDIA：提供边缘视觉计算平台。
5. 应用层
涵盖机器人、自动驾驶、无人机等终端产品：
- Tesla（TSLA.M）：Optimus人形机器人、FSD与Robotaxi；
- Alphabet（GOOGL.M）：Waymo自动驾驶；
- Amazon（AMZN.M）：仓储机器人与Zoox；
- Teradyne（TER.M）：协作与移动机器人；
- AeroVironment（AVAV.M）、Kratos（KTOS.M）、Ondas（ONDS.M）：无人机与无人系统；
- Palantir（PLTR.M）：连接数据、决策与无人设备的软件平台；
- Uber：潜在Robotaxi调度与流量入口。
谁会先赚钱：卖铲子，还是造机器人？
产业兑现路径清晰：先卖底层平台，再进封闭场景；先标准化任务，再挑战开放世界。“卖铲子”的确定性最高。NVIDIA凭借芯片+软件+生态整合，仍是物理AI早期核心受益者。
其次，工厂与仓库最可能率先跑通商业闭环。环境封闭、任务标准、ROI可量化。Amazon已大规模部署仓储机器人；Teradyne旗下Universal Robots与MiR已在制造、物流等领域落地。
人形机器人虽具最大想象空间，但商业化周期长。关键看单机成本、续航能力及价值产出是否覆盖采购维护成本。Tesla Optimus备受关注，但尚未进入量产验证阶段。
相比之下，Robotaxi进展更快。作为“轮子上的物理AI”，Tesla、Waymo、Zoox已推进完全无人驾驶运营。Waymo第六代系统已完成超2000万次全无人出行，商业验证显著领先。
此外，无人机与国防机器人因需求明确、订单可见，也较早体现收入增长。AeroVironment、Kratos、Ondas均获自主系统与反无人机订单，但小型公司面临项目集中与执行风险。
结语
物理AI不会一蹴而就。其发展将沿“确定性→高弹性”路径推进：先算力与仿真平台，再专业机器人与封闭场景，最后才是通用人形机器人与家庭应用。真正决定主线成败的，不是发布会上的炫技，而是机器人能否走进工厂、仓库、道路，并创造可被财报验证的价值——唯有如此，AI才算真正从屏幕走向现实。