夜雨聆风
上一篇讲世界模型：AI 动手前必须先会试错。
但试错只是开始。
AI 真要离开屏幕，进入服务器、机器人、汽车电子、电源和工厂现场，它马上会被现实世界审问。
服务器供电不稳，是宕机。光模块误码，是链路抖动。芯片散热过不了，是降频，是失效，是客户现场出问题。机器人动作错了，是碰撞，是工件损坏，是安全责任。工厂参数错了，是报废，是停线，是赔偿。
所以 Physical AI 不能再只讲“AI 进入物理世界”。更准确地说，AI 一旦离开屏幕，就开始受物理约束。
最新材料给了一个提醒
6 月 13 日这批新增报告和材料，表面上看很散。
光模块测试、MLCC、玻璃基板、TGV、金刚石散热、SiC、800V、机器人丝杠、灵巧手、传感器。
如果按赛道列，就会写成一篇很普通的“高景气方向梳理”。
我不想这么写。
真正值得看的，是这些材料共同指向一件事：
AI 正在从模型能力，走向工程验证。
这也和线上最新信号能对上。
NVIDIA 在讲 DSX、Cosmos 3、FOX。
OpenAI 在讲第三阶段，也在发 AI 供应链 RFP，范围从数据中心输入，到消费电子，再到机器人。
Google DeepMind 在讲机器人要理解多视角、仪表读数、安全边界。
Waymo 在讲世界模型和可比较的驾驶行为基准。
这些事情看起来不是一个方向。
但本质上都在说同一句话：
AI 要进入现实，就必须过工程账、测试账和责任账。
第一个故事：1MW 机柜不是口号，是电流在逼人
先看电。
NVIDIA 官方技术博客里讲 800V HVDC，本质上不是一个电压数字。
它是在回答一个非常具体的问题：
当一个机柜功率走到 1MW 级别，传统低压大电流方案还扛不扛得住？
官方材料里有一个很有画面感的数字：
如果继续用 54V 方案，一个 1MW 机柜可能需要大约 200kg 铜排。
这不是工程师矫情。
电压低，电流就大。
电流大，铜就多，发热就多，空间就紧，转换损耗就上来。
机柜越密，问题越硬。
所以 800V 的意义，不是“AI 电源概念又来了”。
它是在让 AI 工厂的供电方式重写。
官方目标里还提到，800VDC 架构希望提高端到端效率，降低维护成本和 TCO。
这些现在都要写成架构目标，不是已经实现的财务结果。
但方向很清楚：
算力越大，电就越难送。
电越难送，高压、高频、高可靠器件就越重要。
SiC、GaN、磁性件、母排、保护器件、SST、电源模块，都可能进入验证窗口。
但谁真正放量，不看概念。
看样机、效率、成本、可靠性、客户认证和订单。
800V / 1MW 机柜背后，是供电、效率、铜排和可靠性的工程账。
第二个故事：工业里不能只看 Demo，要看测试仪器怎么升级
再看光模块测试。
一代光模块，一代测试仪器。
400G、800G 到 1.6T，不是老设备调个参数就能继续用。
采样示波器、时钟恢复、误码分析、老化、眼图、真机测试，都会被代际升级重新拉一遍。
这里可以想象一个实验室场景。
一只 1.6T 光模块送到客户那里，PPT 上写得再漂亮也没用。
客户要看什么？
眼图干不干净。
误码率能不能过。
老化以后指标漂不漂。
温度上来以后链路稳不稳。
插到真实交换机里能不能跑。
量产批次之间一致性怎么样。
这就是测试测量的价值。
报告里提到，1.6T 测试设备价格相较 800G 阶段可能明显提升，800G 以上光模块测试仪器市场空间也被上调。
这些数字我现在只按报告观点处理，还不能写成确定事实。
但方向是硬的。
因为工业里最怕的不是 Demo 不好看。
工业里最怕 Demo 好看，测试不过。
你说 1.6T 能跑，要拿误码率说话。
你说高速互连可靠，要拿老化和真机环境说话。
你说国产替代，要看能不能进头部客户验证。
AI 工厂不是发布会 PPT，它最后会被测试仪器审问。
这句话也适用于机器人。
机器人在台上抓杯子，不等于客户现场能连续抓一万次。
质检模型演示里识别缺陷，不等于在反光、粉尘、振动、脏污、换线情况下还能稳定工作。
AI agent 能总结 SOP，不等于它能在真实异常里承担调度责任。
所以后面看 Physical AI，要少看“能不能演”，多看“能不能验”。
第三个故事：MLCC 不是消费电子复苏，是 AI 服务器供电账
再看 MLCC。
过去很多人看 MLCC，容易按消费电子复苏看。
这个看法太粗。
AI 服务器不是只缺 GPU，它还缺稳定供电。
从 UPS 到 PSU，到 IBC，再到 VRM，电力一路往芯片送。
功率密度越高，对高压、高容、高可靠 MLCC 的要求越高。
报告里有一些口径，比如 AI 服务器 MLCC 用量可能显著高于普通服务器，高压料号和高端料号涨价，村田、三星电机、太阳诱电利用率较高。
这些都必须继续核原始来源。
不能把报告数字直接写成事实。
但我会把它放进观察框架。
因为 AI 基础设施的瓶颈不是单点芯片。
一块 GPU 跑得再快，供电不稳也没用。
一个机柜算力再高，高压料号出问题，系统一样会掉链子。
这也是为什么被动元件会从供应链深处走到台前。
过去它们不性感。
未来它们可能是交付瓶颈。
第四个故事：玻璃基板最怕只讲材料参数
玻璃基板和 TGV 也一样。
玻璃基板的故事很漂亮。
低介电、低损耗、高平整度、低翘曲、面板级封装、光波导潜力。
这些词都对。
但文章不能停在材料参数。
真正要问三件事：
产线有没有建成。
客户有没有验证。
TGV 良率能不能稳定。
TGV 不是打孔这么简单。
激光诱导、蚀刻、PVD、黄光、金属化、填孔、清洗、检测，每一步都可能卡成本、卡良率、卡节拍。
想象一片玻璃基板。
孔打出来只是第一步。
孔壁质量怎么样？
金属化能不能均匀？
填孔有没有空洞？
热循环以后会不会裂？
大尺寸面板级加工翘不翘？
检测能不能跟上节拍？
这才是产业化。
报告里提到一些产线投资和设备占比，我现在只按 B 级报告观点处理。
更要注意的是，部分报告或媒体转述说 Intel 某些产品已经用上玻璃芯基板并进入量产，但目前官方链条不够硬。
这类话不能直接写成事实。
玻璃基板不是不能讲。
恰恰相反，它很值得讲。
但讲法必须换掉。
不要写“新材料革命来了”。
要写：
没有良率，材料参数都是故事。
先进封装到最后，不是参数表比赛，而是工程交付比赛。
第五个故事：热怎么出来，决定芯片能不能活
金刚石散热也是一个典型例子。
材料参数很漂亮。
金刚石热导率远高于铜和硅，热膨胀系数也更接近部分半导体材料。做芯片级热管理，逻辑当然成立。
但这不能直接推成商业化。
真正难的是：
界面热阻。
翘曲。
加工难度。
成本。
良率。
客户验证。
金刚石散热不是液冷替代。
液冷解决的是系统级热怎么带走。
金刚石更像解决芯片内部热出来的第一公里。
这两个问题不能混。
AI 芯片功率继续上去以后，热管理会从机房、机柜、冷板继续往芯片级下沉。
但材料再好，如果不能被客户验证，不能过成本曲线，不能稳定交付，就只能停在小批量和特殊场景。
所以这条线看什么？
不是看热导率海报。
看送样后有没有小批量。
小批量后有没有订单。
订单后有没有收入。
收入后毛利和良率能不能撑住。
第六个故事：机器人开始进入工程账
最后看机器人。
我现在更不想只看本体发布。
NVIDIA 刚推出 Isaac GR00T Reference Humanoid Robot，把 Unitree H2 机身、Sharpa 五指触觉手、Jetson Thor 端侧计算和 Isaac GR00T 软件流程接到一个开放参考设计里。
这件事当然重要。
但它真正重要的地方，不是“又有一个人形机器人样子”。
而是机器人开发流程正在被标准化：
硬件集成。
数据采集。
仿真。
训练。
评估。
部署。
真实验证。
这和一条产业会议线索能对上：如果客户从样机订单走向小批量，从单点零件走向综合交付，机器人就开始进入工程账。
客户不只买一个关节，而是把控制器、驱动板、传感器、电源、电池、线束、结构件、校准流程一起拉进来。
这才是从 Demo 走向工程化。
但边界也要说清楚。
报告里关于 Optimus 单机丝杠数量、价值量占比，或者某些供应链出货增长，目前都不能当成官方事实。
它们是测算或会议线索。
真正要核的是客户、小批量、定点、交付、验收和回款。
回到 Physical AI
所以今天这批材料对我最大的提醒是：
Physical AI 不是 AI 进入物理世界这么简单。
它是 AI 开始被物理世界审判。
过去 AI 的问题是：
会不会说。
会不会写。
会不会生成。
会不会推理。
现在问题变成：
电能不能送进去。
热能不能带出来。
信号能不能不误码。
材料能不能不翘曲。
动作能不能不撞。
传感能不能不漂。
测试能不能过。
责任能不能追。
客户能不能验收。
这才是 Physical AI 真正进入产业的样子。
它不是概念越来越大。
它是约束越来越硬。
所以后面看产业，不要只看谁离 AGI 叙事更近。
要看谁离客户验证更近。
谁能把物理约束变成标准、设备、工艺、订单和交付，谁才可能在下一阶段被重新定价。
这件事放回《近地前夜》，位置也很清楚。
AI 工厂负责生产智能。
世界模型负责行动前试错。
身体负责把智能带回现实。
而测试、供电、散热、传感、执行、校准和 NPI，负责让这件事不在现实里翻车。
最后收一句。
AI 离开屏幕后，真正难的不是变得更像人。
真正难的是扛住物理世界。
