宇树不卖机器人了?它想当物理AI时代的安卓,这盘棋你看懂了吗

引子

先说个真事。

10月22日，杭州，2026世界物理AI大会。宇树科技站在台上，扔出了两个数字：G1人形机器人自2024年5月发布以来，累计下线约1万到2万台。同时启动"宇创计划"，五年孵化200家以上生态企业。

王兴兴说了一句话，G1是全球最畅销的人形机器人。

但真正让我坐直了的，不是这个销量数字。而是宇树给这1到2万台机器人配的"说明书"——Physical AI V1.0预研方向：AI自己查论文、自己写代码、自己仿真、自己测试、自己优化。闭环是：AI → 仿真 → 真机 → 反馈 → AI。

翻译成人话：机器人开始自己训练自己了。

这事儿的味道，跟当年安卓把手机操作系统免费开放给所有厂商，是一个路数。宇树不想只当一家卖机器人的公司，它想当机器人时代的平台方。

问题来了：这个转身，靠谱吗？更关键的是，如果物理AI真是下一轮主线，钱会往哪里流？

今天咱们把这事儿掰开揉碎了聊。

一、从"卖铁"到"卖生态"，宇树赌的是什么？

先看清楚宇树在干什么。

一家机器人公司，正常逻辑是：造机器人、卖机器人、扩产能、降成本、抢订单。这条路上，宇树已经跑得不错了——G1累计下线1到2万台，在行业里是拿得出手的数字。

但宇树偏偏不走这条舒服路。它搞了个"宇创计划"，招募四类团队：机器人本体与核心部件、具身智能算法模型、数据与仿真平台、行业应用与解决方案。

你品品这四层。

本体和部件，是硬件成本。算法模型，是大脑。数据与仿真，是训练场。行业应用，是买单的人。

这四层，恰好对应人形机器人当前最要命的四个卡点：硬件贵、大脑笨、数据缺、客户不掏钱。宇树的意思是：这些我都不打算一个人扛，我把平台开放出来，你们来做，我用产业资本、机器人平台和工程支持换生态位置。

说白了，宇树在从"整机厂商"往"平台方"挪。

这个动作，像谁？像英伟达。英伟达自己不造机器人，但它卖算力、卖CUDA、卖Isaac仿真平台，所有搞机器人的都绕不开它。也像安卓。谷歌自己不造手机，但所有手机厂商都在跑它的系统。

宇树的野心，是想在物理AI时代，占住那个"绕不开"的位置。

但这里有个残酷的现实：五年200家生态企业，是个目标，不是结果。孵化会分散资源，下游应用要是起不来，产能就会变成库存。人形机器人能不能从演示走向规模化，最终取决于客户现场的投资回报率——这台机器替我省了多少钱，或者帮我赚了多少钱。

情怀不能当饭吃，ROI才是硬道理。

二、物理AI到底是个啥？别被名词唬住

聊到这儿，得先把概念捋清楚。现在满大街都在说物理AI、世界模型、端侧AI，这三个词到底啥关系？

物理AI（Physical AI），也叫具身智能。核心是：AI不再只是屏幕里的聊天助手，而是有了身体，能感知真实环境、理解物理规律、并在真实世界里采取行动。它得懂摩擦力、惯性、因果关系——这些连三岁小孩都懂的常识，恰恰是当前大模型最缺的。

传统工业机器人是"教程式"的：路径写死，环境一变就抓瞎。物理AI追求的是"适应性"：杯子快倒了知道调整抓取角度，雨夜有人横穿马路知道怎么刹。它的工作方式是持续闭环——感知→推理→行动→学习。

世界模型（World Model），是物理AI的"大脑"。它让AI在内部重建一个世界，能推演"如果我这样做，接下来会发生什么"。就像下棋高手在脑子里推演后续几十步，不用真落子。大语言模型预测下一个token，世界模型预测下一个物理状态。

端侧AI，是把大脑装进身体里。实时控制不能依赖网络往返，毫秒级的延迟差距，可能就是摔一跤和站稳的区别。

三者怎么咬合？用世界模型在仿真里大规模训练 → 通过端侧AI把模型部署到真实设备 → 形成能在物理环境中感知、推理、行动、再学习的完整系统。

这个链条，就是黄仁勋反复念叨的"下一波浪潮"。

他说过一句话，大意是：当前大多数AI还不懂摩擦力、惯性和因果关系，而这些正是物理智能必须掌握的基础。英伟达2026年6月发布的Cosmos 3，就是开放的物理AI基础模型，支持推理、世界生成与动作预测。GTC柏林大会上，物理AI被列为核心议题，对应的产业机会被描述为数万亿美元。

资本市场的反应很诚实。Capgemini调研显示，约79%的组织已在探索或试点物理AI，其中约27%已进入使用或扩展阶段。注意，这还是"早期"，但方向已经没什么争议了。

三、真正让我兴奋的，是那个"自我进化"的闭环

回到宇树大会上最炸的部分。

现场演示了GPT-6控制机器人：绘画、洗笔、围棋落子、导航规划。几乎零训练、无需额外编程。

这意味着什么？AI已经拥有越来越聪明的大脑，接下来缺的只是更强的身体。大脑的问题，大模型厂商在解决；身体的问题，机器人厂商在解决。两条曲线正在交汇。

但比这更狠的，是Physical AI V1.0的预研方向——AI自己查论文、自己写代码、自己仿真、自己测试、自己优化。形成闭环：AI → 仿真 → 真机 → 反馈 → AI。

机器人自己训练自己。

你想想这个迭代速度意味着什么。大模型的迭代，靠的是人类工程师写代码、调参数、跑实验。而物理AI一旦闭环跑通，是AI自己在仿真里试错几万次、几十万次，把最优策略直接部署到真机，真机反馈再喂回去。

迭代速度可能远超大模型。

这就像什么？就像AlphaGo当年自我对弈，把人类几千年的棋谱积累，几个月就甩在身后。物理AI的自我对弈，对手是重力、摩擦、碰撞——是物理世界本身。

当然，这里得泼盆冷水。闭环听起来性感，但"仿真到现实"的鸿沟（Sim-to-Real Gap）一直是行业难题。仿真里的完美后空翻，到了真机上可能直接趴窝。黄仁勋展示过Hugging Face开源机器人躯体的零样本迁移后空翻，确实惊艳，但那是一个高度受控的演示。真实场景的复杂性，远不是一次后空翻能概括的。

方向对了，但路还长。

四、钱往哪流？底层基础设施才是真主线

现在说最关键的部分。

很多人的第一反应是：物理AI火了，买机器人公司啊。但我的判断恰恰相反——机器人本体是最卷、最容易被颠覆的一环，真正有护城河的是它背后的底层基础设施。

未来资金反复关注的方向，我列一下：

世界模型——物理AI的大脑，谁掌握了更强的世界模型，谁就掌握了训练效率的上限。英伟达Cosmos、DeepMind Genie系列、Meta V-JEPA都在这个赛道。AMD拟收购李飞飞的World Labs，也是冲着空间智能和世界模型去的。

CAE仿真软件——这是很多人忽略的环节。物理AI的训练，离不开高保真的物理仿真。仿真软件越准，Sim-to-Real的鸿沟越小。国内像索辰科技这类公司，卡的就是这个位置。

灵巧手——人手是自然界最精密的执行器之一。灵巧手的自由度、力控精度、成本，直接决定了机器人能干什么活。

机器视觉与传感器——机器人要理解世界，先得"看见"和"感觉到"。视觉、力觉、触觉，多模态感知是物理AI的输入端口。

机器人核心零部件——减速器、伺服电机、丝杠，这些是身体的"关节"和"肌肉"，国产化率提升是长期逻辑。

AI算力——训练要算力，端侧推理也要算力。英伟达Jetson Thor这类平台，就是为机器人端侧世界模型和策略推理准备的。

还有一个容易被忽视的：数据。

物理AI的训练数据，跟大模型不一样。大模型可以爬网页，物理AI的数据得靠人在真实场景里采集——遥操作、动捕、真机演示。

这里有个公司值得单独说说：海天瑞声。

它最近的电话会透露了几个关键信息：物理AI数采主流三条技术路线——EGO、UMI、真机遥操，其中EGO占比较大，公司已积累上万小时高质量遥操数据。市场空间方面，目前单小时数采成本几百元，头部具身大厂2026年数采目标千万小时，行业预计未来数采需求小时数过亿。

公司从2025年开始布局物理AI数据，目前相关签单金额四五千万，在谈订单大几千万，理想毛利率40%到50%。核心优势是真实场景资源能力、多品牌具身硬件适配、具身大脑算法能力、数据工程能力、数据合规路径打通。国家数据集团已挂牌，公司未来将参与集团业务合作。

你看，这就是典型的"卖铲子"逻辑。淘金热里，最稳的生意不是挖金子，是卖铲子。物理AI要训练，就得有数据；要有数据，就得有人采。海天瑞声卡的就是这个位置。

注意，我这里是做行业科普，不是推荐股票。任何公司都有风险，订单能不能兑现、毛利率能不能维持、竞争会不会加剧，都得自己跟踪。消息只是命题，资金才是答案。

五、冷静一下：这轮热潮里的三个"坑"

说了这么多好话，得泼点冷水。物理AI是真趋势，但真趋势不等于所有相关公司都能赚钱。三个坑，得看清楚。

第一个坑：产量数字的水分。

宇树说G1累计下线1到2万台，这个区间给得挺宽。订单、交付、具体使用场景，没有同步披露。这些机器人分布在哪些行业、利用率如何，目前只有公司口径。下线不等于交付，交付不等于在用，在用不等于创造价值。这中间的链条，每一环都可能打折。

第二个坑：Optimus们的"研报口径"。

特斯拉Optimus产能爬坡的消息满天飞，年底目标提升之类的数字，多属调研或研报口径，尚需跟踪官方披露和实际交付。OpenAI机器人目标是2027年展示原型——注意，是"展示原型"，不是量产。资本市场喜欢把"未来时"当"现在进行时"炒，但产业落地有它自己的节奏。

第三个坑：物理AI的"物理"两个字，本身就是门槛。

有篇论文挺有意思，一批物理学家出了50道"从未公布过的"物理题测试AI，涵盖经典物理、量子场论、引力宇宙论等。结果发现，很多题其实就是标准习题级别，AI大概率是从文献里找到了方程。真正开放性的物理问题——比如怎么解释电子方程的自加速现象、哪种有效理论更make sense——一道都没涉及。

这说明什么？AI在"考据和八股文"上很强，但离真正的物理研究还有距离。物理AI要理解的是真实世界的物理规律，而真实世界比考卷复杂一万倍。仿真里的重力是参数，现实里的重力还带着风、带着震动、带着传感器噪声。

可靠性、成本、泛化能力，是物理AI当前的三座大山。翻过去之前，别把愿景当业绩。

六、华尔街的智慧，这次换个人说

聊投资框架，很多人爱引巴菲特。但物理AI这轮，我更想引另一句话，来自彼得·林奇：

"Invest in what you know." —— "投资你了解的东西。"

这话放在物理AI上，特别应景。物理AI的概念很热，但热不等于你懂。你懂世界模型怎么训练吗？懂CAE仿真的精度瓶颈在哪吗？懂灵巧手的力控算法难在哪吗？如果不懂，那"投资你了解的东西"就成了一句空话。

更务实的做法是：沿着产业链，找到那些"不管谁赢，它都受益"的环节。数据标注、仿真软件、核心零部件、算力平台——这些是物理AI的"水电煤"，行业越发展，需求越刚性。

当然，还有一句老话也得记着：

"The trend is your friend, until it bends at the end." —— "趋势是你的朋友，直到它拐弯为止。"

物理AI的趋势，目前看是顺的。但趋势拐弯的时候，往往悄无声息。宇树的200家生态企业能不能孵化出来，海天瑞声的订单能不能兑现，Optimus的量产能不能如期——这些都是趋势是否拐弯的信号灯。

七、写在最后：命题与答案

宇树、英伟达、OpenAI，正在把Physical AI推向全球产业共识。

这个共识的底层逻辑是：AI沿着"生成→代理→执行"的路径演进，从数字世界走向物理世界，是自然而然的一步。生成式AI解决了内容创造，代理式AI解决了数字世界的任务执行，物理AI要解决的是原子世界的行动。

我的观点没有变：未来最大的主线，不只是机器人，而是"世界模型 + Physical AI"。

但记住那句话——消息只是命题，资金才是答案。

谁掌握了物理AI的底层能力，谁就更有机会站上下一轮产业浪。而底层能力，不在发布会PPT里，在数据、在仿真、在零部件、在算力、在那些不起眼但绕不开的环节里。

至于那1到2万台G1，到底是库存还是生产力，五年后见分晓。

就这。