物理AI,赌的是整场

2026 年 1 月，拉斯维加斯 CES 展馆，黄仁勋在台上说了一句话：物理 AI 的 ChatGPT 时刻已经到来。

他把人工智能的进化划成四段——感知 AI、生成式 AI、代理式 AI、物理 AI。前三段，AI 一直被困在数字世界里：能看懂图片、写出诗歌、跟人流畅对话，却从来没真正碰过现实世界。物理 AI 要做的事，是让机器拥有理解重力、碰撞、摩擦力、空间关系的能力，然后在这个世界里感知、推理、行动（来源：《万字长文讲透物理AI简史：技术、产业、企业与投资》）。

这不是孤例。中信证券在 2026 年多份报告里持续看好物理 AI 的落地提速（来源：中信证券 2026 年研究报告）；北京智源人工智能研究院的《2026 十大 AI 技术趋势》把 2026 年定义为分界点：AI 不再局限于虚拟空间，开始向物理世界延伸，也从概念演示转向规模化价值创造（来源：《2026 十大 AI 技术趋势》）。

技术底座：十年前埋下的一行损失函数

2017 年，应用数学家 Maziar Raissi 在布朗大学做博士后时盯着一个尴尬问题：深度学习能拟合任意函数，却完全无视物理定律——你让它预测流体速度，它可能算出「水往高处流」。他的做法是把描述物理定律的微分方程直接写进损失函数，让网络在优化过程中始终记得能量守恒、动量守恒。这就是物理信息神经网络（PINN）（来源：《万字长文讲透物理AI简史：技术、产业、企业与投资》）。

这条线后来一直在长：2025 年出现混合边界物理信息神经网络，处理复杂边界条件；2026 年的 DYNAMICAL GraphNet 把线动量、角动量守恒直接写进图神经网络结构。另一条路更激进——神经算子学的不是输入到输出的映射，而是整个函数空间之间的映射，也就是「解题方法」本身；傅里叶神经算子把方程求解搬到频域，用快速傅里叶变换计算。

物理仿真承担的是训练成本。让实体机器人在真机上练一万次摔倒、抓取，要花几个月，还要赌硬件不坏；放到仿真环境里，把重力、摩擦、形变对齐到现实，机器人可以做到单日百万级试错迭代，练完再迁移到真机。

产业链三层，最卡的是上游

上游是芯片与计算平台、传感器与核心零部件、特种材料。芯片难在实时响应和端侧算力——物理 AI 不只要跑模型推理，还要同步处理海量传感器数据、运行物理仿真。传感器难在力觉和触觉：只靠摄像头，光线和遮挡一来就失灵，要感知重量、软硬、距离、温度，必须多类传感器协同。特种材料门槛最高，既要轻量化降功耗，又要够强度保结构。

中游是物理仿真平台、开发工具链与数据基础设施，这一层越成熟，能参与创新的中小企业越多。下游四类场景的落地节奏差得远：智能汽车走在商业化最前面，工业机器人已小规模普及，人形机器人想象空间最大、难度也最大，特种机器人面向高风险场景，市场小但不可替代。

把时间轴拉长看，本体这一环的破局者出现得很早：1992 年成立的波士顿动力，2005 年做出能在雪地、冰面、瓦砾上行走的 BigDog，2013 年推出身高 1.8 米、重 150 公斤的 Atlas，2020 年 Spot 走向商用。近四十年，它证明的是一件基础的事——机器可以在物理世界里稳定行动。

图注：物理 AI 的训练逻辑是先在仿真里练到百万次试错，再把策略迁移到真机——左侧是虚拟，右侧是实体

巨头各占一层，资本看两段时间

英伟达把自己放在卖铲人的位置：不造机器人，为造机器人的公司提供大脑和工具。2019 年亮相的 Omniverse 最初是 3D 设计协作平台，后来长成数字孪生与物理仿真平台——宝马基于它和 OpenUSD 建了覆盖全球 30 多个生产基地、面积超 100 万平方米的数字孪生虚拟工厂。围绕它铺开的是 Isaac Sim（机器人仿真）、Modulus（科学计算）、Drive（自动驾驶仿真）。2024 年 3 月 GTC 发布 Blackwell 架构，同时宣布 Project GR00T 人形机器人基础模型项目；2025 年 Isaac GR00T N1 开源。

特斯拉把自动驾驶积累的视觉、芯片、电池技术复用到 Optimus 上。2024 年底财报电话会给出的量产表是：2024 年内部生产数千台；2025 年中推出第二代，月产能目标 1 万台；2026 年建第三条线，目标月产 10 万台并开始向外交付；2027 年冲年产百万台，成本降到初代的 30% 以下。

国内这边，华为诺亚方舟实验室这条线长出了昇腾芯片、盘古大模型和机器人平台的组合。2026 年半年报显示利润同比下滑 37%，研发投入却逆势增长 25%；昇腾 950 超节点在同年的世界人工智能大会上首次真机亮相，1024 卡集群部署，为万亿级模型训练设计。

资本的动作分三个时间尺度：短期看能落地的场景能不能交出业绩——工业机器人和港口、矿区、园区这类封闭场景的 L4 最先有现金流；中期看核心零部件国产替代；长期才押平台型企业。2026 年 4 月，成立仅一年多的它石智航宣布完成 4.55 亿美元 Pre-A 轮融资，创下中国具身智能最高单轮纪录：高瓴创投与红杉中国联合领投，美团战投跟投，中金资本、凯联资本、东方富海等 11 家机构参与。

上一轮具身智能热讲的多是本体的运动控制，这一轮的钱更集中落在数据层和仿真层——训练机器人需要的不是更多演示视频，而是能被物理规律约束的数据、能大规模试错的场地。谁把这两样做成基础设施，谁就握住了后面所有本体公司的成本曲线。

图注：从内部试用到对外交付，Optimus 把三年拆成了三段爬坡，这张表也成了资本市场定价的依据

源势AI观点

物理 AI 离企业的距离，比多数人以为的近，也比多数人以为的窄。

近的是工业侧。汽车制造、3C 装配、仓储物流这类场景，作业环境可控、需求清晰、投入产出能算清账，搭载物理 AI 能力的机器人直接省人力。窄的是它能解决的任务类型——柔性抓取、位置偏移、物料外形变化这些「现实扰动」是它的强项，超出这个范围就容易变成展示项目。

我们给企业做落地判断时，看的不是模型跑分的名次，而是三件事：训练数据从哪儿来、仿真和真机之间的差距有多大、异常发生时人怎么接手。第一件决定能不能起步，第二件决定投多少，第三件决定敢不敢上线。

物理 AI 的账，从来不在实验室里结。

源势AI · 企业智能化的推动者

最懂企业业务的 AI 全栈服务商

大模型 Token 聚合平台
企业 FDE 与智能体落地
AIGC 影视制作

官网 www.srcflow.cn ｜ 邮箱 contact@srcflow.cn

关注我们 · 获取更多 AI 前沿洞察