01 產業鏈全景圖

下方掃碼直接加入：

02 【物理AI】簡介

AI 的下一個風口，是能看懂物理世界的 AI。

以前的 AI，只會在電腦里聊天、寫代碼、畫圖片。而現在，AI 要從虛擬走進現實，變成能看、能想、能自己動手的智能體。未來的機器人、自動駕駛、工廠自動化，都會靠它實現升級。

物理AI不是靠某一個技術，而是一套完整的系統：讓 AI 學明白現實世界的規則 —— 比如東西會往下掉、推東西會有阻力、不同材質軟硬不一樣。懂了這些，AI 才能在真實環境里做出靠譜的判斷。英偉達、谷歌這些公司推出的相關模型，正在讓這套技術越來越成熟、越來越普及。

02-1、虛擬走向現實

物理 AI、世界模型、空間智能，目標都是解決同一個問題 ——讓 AI 從 “只會理解文字符號”，升級到 “能跟真實世界互動”。它們的核心方向一致，但具體定義和邊界還在演變，行業里還沒有統一說法。

我們可以把它們按分工串起來理解：

空間智能：就像 AI 的眼睛和耳朵，負責感知周圍的環境和物體，是整個系統的 “感知基座”。

世界模型：是 AI 的大腦，它在腦子里建立一套現實世界的運行規則，用來做判斷、想方案，是 “認知與決策中樞”。

物理 AI：則是把感知、認知和行動整合起來的完整系統，是這套能力的最終 “系統整合載體”。

02-2、物理AI的3大支柱

物理 AI 要真正跑起來，得靠以下三個核心部分配合：

03 上游產業鏈：算力、算法、數據

上游產業鏈部分，物理AI主要有如下三大核心要素，具體如下：

03-1 算力：芯片和控制器

芯片和控制器是物理 AI 的硬件中樞，負責感知環境、實時計算和控制動作。它們的核心門檻不只是算力，更是物理計算的效率優化，以及對主流開發生態的兼容性。

英偉達基于 Blackwell 架構，推出了 Thor 系列平臺，分為兩大方向：面向機器人和物理 AI 的 Jetson AGX Thor，以及面向自動駕駛的 DRIVE Thor。

其中，Jetson Thor 的 AI 算力是上一代 Orin 的 7.5 倍，能效提升 3.5 倍，內存和帶寬也大幅升級，專為生成式 AI 推理打造，能驅動 Transformer、VLM、VLA 等模型在端側實時運行，大幅降低對云端的依賴。

主控芯片市場呈現多元化競爭格局：英偉達憑借 Jetson、DRIVE、Omniverse 等完整工具鏈占據生態優勢；高通從車載智能座艙向自動駕駛主控域滲透；地平線等國內廠商以 “算法 + 芯片” 協同設計實現差異化競爭；小鵬、蔚來等整車廠為追求軟硬適配，也開啟了自研芯片進程，目標打通感知到控制的完整鏈路。

控制器與邊緣算力是 “機器人大腦”，承擔環境感知、實時決策與運動控制的核心功能，已從單純的算力單元升級為整合芯片、感知與算法的智能中樞，負責將 AI 模型轉化為物理動作指令，是邁向 AGI 的關鍵通道。

具身智能的商業化，除了依賴機器人本體的算力與實時推理能力，還需要結合芯片廠商的工具鏈，對模型進行深度裁剪優化，適配端側硬件資源，控制器廠商在其中扮演關鍵角色。

03-2 算法：塑造思維的框架

模型與算法是物理 AI 產業的 “智能核心”，是驅動產業鏈價值創造的關鍵。隨著 Thor 等先進芯片迭代，機器人與自動駕駛硬件逐步標準化，產業競爭焦點正從算力比拼，轉向上層算法的創新優化。

未來企業的核心競爭力，將體現在物理規律建模能力、對垂直場景的理解深度與商業化落地效率上。

在模型與算法層，產業格局呈現四類參與者并行發展的態勢：

03-3數據供應

訓練物理 AI，第一步就是要有符合真實物理規律的高質量數據。獲取這類數據的成本和規模，是物理 AI 的核心門檻。

它和普通互聯網數據不一樣，物理 AI 需要的是帶有時空關聯、多模態的結構化信息。目前獲取這類數據有兩條路：

1、從現實世界直接采集高質量數據，或是復用已有的帶物理信息的存量數據；

2、用生成式模型，直接生成符合物理規律的虛擬數據。

案例：

現實世界的感知和數字化，是物理 AI 的 “數據校準源頭”。它的核心工作，就是把真實世界精準地 “復刻” 成數字信息，為后續仿真提供初始模型和校準數據。

在數據采集的上游，思看科技、奧比中光、凌云光等 3D 視覺廠商，提供關鍵技術支撐。它們的機器視覺和深度感知技術，能實時采集物體和環境的三維物理信息，比如形狀、位置、姿態、形變等，為構建數字孿生提供最基礎、最精準的數據輸入。

從底層邏輯看，把真實物體變成數字信號的 “萬物數字化”，和為物理 AI 構建 “虛擬物理世界”，本質上是一回事。

04 中游產業鏈--物理AI

04-1 市場規模

物理 AI 的市場規模，不同機構按不同口徑做了測算，兩種結果的差距，恰恰說明了它的潛力。

窄口徑（只算物理 AI 平臺與軟件）：按 MarketsandMarkets 的預測，全球市場將從 2026 年的 15 億美元，漲到 2032 年的 152.4 億美元，年復合增長率高達 47.2%。其中，亞太地區 2026 年將占全球份額的一半以上；工業機器人是增速最快的細分賽道，年復合增長率 56.7%。

寬口徑（所有 AI 賦能的物理系統）：按 FutureMarketsResearch 的測算，廣義市場涵蓋機器人、自動駕駛、工業自動化、智能基建、AI 醫療與農業系統，規模將從 2026 年的約 3830 億美元，擴張到 2040 年的 3.26 萬億美元，是史上規模最大的科技市場之一。

英偉達 CEO 黃仁勛多次判斷，物理 AI 有望撬動數萬億美元級別的實體經濟。邏輯很簡單：IT 產業年產值約 5 萬億美元，而制造、物流、醫療等實體產業的規模是其百倍甚至千倍。當 AI 的計算能力通過機器人接入這些領域，增量空間不言而喻。

04-2 核心：智能駕駛+具身智能

世界模型是物理 AI 的核心引擎，對自動駕駛、具身智能都至關重要。

它的應用可以分成兩個階段：

訓練端：用世界模型生成符合物理規律的高質量虛擬數據，解決真實數據不足、極端場景覆蓋不全的問題。

推理端：通過物理推理模型，實現感知、決策、執行的閉環控制，確保智能體在真實環境里安全可靠地運行。

訓練端

訓練端的世界模型，靠數字孿生和物理仿真，生成海量符合真實規律的虛擬數據。

它能模擬極端天氣、復雜路況等罕見場景，補上真實數據采集成本高、覆蓋不全的短板。同時，通過重力、摩擦等多物理場建模，生成的數據既真實又多樣，讓模型提前接觸各種邊緣案例，提升穩定性和通用性。

生成式物理引擎的進步，讓虛擬數據更貼近現實。仿真平臺能搭建高度擬真的測試環境，復現危險工況和極端條件，為算法提供安全可控的測試場景。配合自監督學習，模型能自主學習物理規律，大幅提升對物體運動和交互行為的預測準確性。

推理執行端

推理端的物理 AI，靠端到端模型和實時物理推理，實現從感知到動作的閉環控制。新一代 VLA 模型跳過了傳統分步流程，直接把感知信號變成控制指令，大幅降低延遲，響應更快，能處理常規任務，也能應對復雜場景和突發狀況。

物理推理讓 AI 懂了現實世界的常識，理解空間關系、時間規律和基礎物理規則，決策時會自動判斷動作是否可行。這套內置的物理常識，保障了自動駕駛和機器人的安全，即使遇到從未見過的場景，也能做出符合規律的合理判斷。

智能駕駛領域

它推動行業從單一功能向全棧能力進化。基于物理 AI 的自動駕駛系統，不只關注當下的感知與決策，更能進行長周期的行為預測和路線規劃。通過強化學習和場景推演，系統能在虛擬環境中反復自我訓練，持續優化決策策略。

具身智能領域

世界模型是提升機器人通用能力的關鍵。機器人通過它理解環境交互的規律，在工業、服務等場景中自主決策能力越來越強。跨模態知識遷移技術，讓不同形態的智能體可以共享物理常識，形成跨場景的能力閉環，大幅降低機器人適應新環境、新任務的學習成本。

04-3 代表廠商

真實數據廠商--智元機器人

真實數據派機器人廠商，以真實場景數據為核心驅動力，代表玩家包括智元機器人和自變量機器人。

智元機器人：采用 “真實數據為主、仿真數據為輔” 的混合方案。

數據采集上，通過動作捕捉、VR 遙操作等方式，在家庭、工業、零售等真實場景中收集訓練數據，搭建數據工廠；同時和英偉達合作，用 Isaac Sim 仿真平臺和 GR00T-Teleop 工具，在數字孿生環境中補充模擬數據。

數據使用上，仿真數據僅用于早期測試和模型調試，大模型訓練和最終部署階段，100% 依賴真機真實數據。

自變量機器人：堅持純真實數據路線，所有涉及復雜物理交互的場景，比如手部精細操作，完全不使用仿真數據，構建以模型驅動的數據閉環體系。

04-4 代表廠商

自動駕駛--小鵬集團

2026 年，大概率是小鵬 “物理 AI” 從驗證走向放量的關鍵節點。IRON 人形機器人和匯天飛行汽車將同步量產，業務有望從概念期進入現金流與估值貢獻期。

機器人業務：目標在 2026 年實現 IRON 大規模工業化量產，率先在門店服務、工業巡檢場景落地，沖刺國內首批 L3 級量產人形機器人廠商。

飛行汽車業務：2025 年已累計獲得約 7000 臺訂單，建成萬輛級產能基地，計劃 2026 年下半年開啟全球交付。

與特斯拉同源的物理 AI 架構，讓機器人與飛行汽車成為小鵬 AI 生態的第二、第三成長曲線。自研的圖靈 AI 芯片和 VLA 世界模型，實現了汽車、機器人、飛行汽車三端復用，大幅降低研發與算力成本。

疊加工廠與供應鏈協同，小鵬有望在 “單智能體創收能力 + 規模保有量” 上，獲得估值提升空間。

05 下游產業鏈（主流應用場景）

下方掃碼直接加入：