一天吃透一条产业链：物理AI（风口已至）

01 产业链全景图

下方扫码直接加入：

02 【物理AI】简介

AI 的下一个风口，是能看懂物理世界的 AI。

以前的 AI，只会在电脑里聊天、写代码、画图片。而现在，AI 要从虚拟走进现实，变成能看、能想、能自己动手的智能体。未来的机器人、自动驾驶、工厂自动化，都会靠它实现升级。

物理AI不是靠某一个技术，而是一套完整的系统：让 AI 学明白现实世界的规则 —— 比如东西会往下掉、推东西会有阻力、不同材质软硬不一样。懂了这些，AI 才能在真实环境里做出靠谱的判断。英伟达、谷歌这些公司推出的相关模型，正在让这套技术越来越成熟、越来越普及。

02-1、虚拟走向现实

物理 AI、世界模型、空间智能，目标都是解决同一个问题 ——让 AI 从 “只会理解文字符号”，升级到 “能跟真实世界互动”。它们的核心方向一致，但具体定义和边界还在演变，行业里还没有统一说法。

我们可以把它们按分工串起来理解：

空间智能：就像 AI 的眼睛和耳朵，负责感知周围的环境和物体，是整个系统的 “感知基座”。

世界模型：是 AI 的大脑，它在脑子里建立一套现实世界的运行规则，用来做判断、想方案，是 “认知与决策中枢”。

物理 AI：则是把感知、认知和行动整合起来的完整系统，是这套能力的最终 “系统整合载体”。

02-2、物理AI的3大支柱

物理 AI 要真正跑起来，得靠以下三个核心部分配合：

03 上游产业链：算力、算法、数据

上游产业链部分，物理AI主要有如下三大核心要素，具体如下：

03-1 算力：芯片和控制器

芯片和控制器是物理 AI 的硬件中枢，负责感知环境、实时计算和控制动作。它们的核心门槛不只是算力，更是物理计算的效率优化，以及对主流开发生态的兼容性。

英伟达基于 Blackwell 架构，推出了 Thor 系列平台，分为两大方向：面向机器人和物理 AI 的 Jetson AGX Thor，以及面向自动驾驶的 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，内存和带宽也大幅升级，专为生成式 AI 推理打造，能驱动 Transformer、VLM、VLA 等模型在端侧实时运行，大幅降低对云端的依赖。

主控芯片市场呈现多元化竞争格局：英伟达凭借 Jetson、DRIVE、Omniverse 等完整工具链占据生态优势；高通从车载智能座舱向自动驾驶主控域渗透；地平线等国内厂商以 “算法 + 芯片” 协同设计实现差异化竞争；小鹏、蔚来等整车厂为追求软硬适配，也开启了自研芯片进程，目标打通感知到控制的完整链路。

控制器与边缘算力是 “机器人大脑”，承担环境感知、实时决策与运动控制的核心功能，已从单纯的算力单元升级为整合芯片、感知与算法的智能中枢，负责将 AI 模型转化为物理动作指令，是迈向 AGI 的关键通道。

具身智能的商业化，除了依赖机器人本体的算力与实时推理能力，还需要结合芯片厂商的工具链，对模型进行深度裁剪优化，适配端侧硬件资源，控制器厂商在其中扮演关键角色。

03-2 算法：塑造思维的框架

模型与算法是物理 AI 产业的 “智能核心”，是驱动产业链价值创造的关键。随着 Thor 等先进芯片迭代，机器人与自动驾驶硬件逐步标准化，产业竞争焦点正从算力比拼，转向上层算法的创新优化。

未来企业的核心竞争力，将体现在物理规律建模能力、对垂直场景的理解深度与商业化落地效率上。

在模型与算法层，产业格局呈现四类参与者并行发展的态势：

03-3数据供应

训练物理 AI，第一步就是要有符合真实物理规律的高质量数据。获取这类数据的成本和规模，是物理 AI 的核心门槛。

它和普通互联网数据不一样，物理 AI 需要的是带有时空关联、多模态的结构化信息。目前获取这类数据有两条路：

1、从现实世界直接采集高质量数据，或是复用已有的带物理信息的存量数据；

2、用生成式模型，直接生成符合物理规律的虚拟数据。

案例：

现实世界的感知和数字化，是物理 AI 的 “数据校准源头”。它的核心工作，就是把真实世界精准地 “复刻” 成数字信息，为后续仿真提供初始模型和校准数据。

在数据采集的上游，思看科技、奥比中光、凌云光等 3D 视觉厂商，提供关键技术支撑。它们的机器视觉和深度感知技术，能实时采集物体和环境的三维物理信息，比如形状、位置、姿态、形变等，为构建数字孪生提供最基础、最精准的数据输入。

从底层逻辑看，把真实物体变成数字信号的 “万物数字化”，和为物理 AI 构建 “虚拟物理世界”，本质上是一回事。

04 中游产业链--物理AI

04-1 市场规模

物理 AI 的市场规模，不同机构按不同口径做了测算，两种结果的差距，恰恰说明了它的潜力。

窄口径（只算物理 AI 平台与软件）：按 MarketsandMarkets 的预测，全球市场将从 2026 年的 15 亿美元，涨到 2032 年的 152.4 亿美元，年复合增长率高达 47.2%。其中，亚太地区 2026 年将占全球份额的一半以上；工业机器人是增速最快的细分赛道，年复合增长率 56.7%。

宽口径（所有 AI 赋能的物理系统）：按 FutureMarketsResearch 的测算，广义市场涵盖机器人、自动驾驶、工业自动化、智能基建、AI 医疗与农业系统，规模将从 2026 年的约 3830 亿美元，扩张到 2040 年的 3.26 万亿美元，是史上规模最大的科技市场之一。

英伟达 CEO 黄仁勋多次判断，物理 AI 有望撬动数万亿美元级别的实体经济。逻辑很简单：IT 产业年产值约 5 万亿美元，而制造、物流、医疗等实体产业的规模是其百倍甚至千倍。当 AI 的计算能力通过机器人接入这些领域，增量空间不言而喻。

04-2 核心：智能驾驶+具身智能

世界模型是物理 AI 的核心引擎，对自动驾驶、具身智能都至关重要。

它的应用可以分成两个阶段：

训练端：用世界模型生成符合物理规律的高质量虚拟数据，解决真实数据不足、极端场景覆盖不全的问题。

推理端：通过物理推理模型，实现感知、决策、执行的闭环控制，确保智能体在真实环境里安全可靠地运行。

训练端

训练端的世界模型，靠数字孪生和物理仿真，生成海量符合真实规律的虚拟数据。

它能模拟极端天气、复杂路况等罕见场景，补上真实数据采集成本高、覆盖不全的短板。同时，通过重力、摩擦等多物理场建模，生成的数据既真实又多样，让模型提前接触各种边缘案例，提升稳定性和通用性。

生成式物理引擎的进步，让虚拟数据更贴近现实。仿真平台能搭建高度拟真的测试环境，复现危险工况和极端条件，为算法提供安全可控的测试场景。配合自监督学习，模型能自主学习物理规律，大幅提升对物体运动和交互行为的预测准确性。

推理执行端

推理端的物理 AI，靠端到端模型和实时物理推理，实现从感知到动作的闭环控制。新一代 VLA 模型跳过了传统分步流程，直接把感知信号变成控制指令，大幅降低延迟，响应更快，能处理常规任务，也能应对复杂场景和突发状况。

物理推理让 AI 懂了现实世界的常识，理解空间关系、时间规律和基础物理规则，决策时会自动判断动作是否可行。这套内置的物理常识，保障了自动驾驶和机器人的安全，即使遇到从未见过的场景，也能做出符合规律的合理判断。

智能驾驶领域

它推动行业从单一功能向全栈能力进化。基于物理 AI 的自动驾驶系统，不只关注当下的感知与决策，更能进行长周期的行为预测和路线规划。通过强化学习和场景推演，系统能在虚拟环境中反复自我训练，持续优化决策策略。

具身智能领域

世界模型是提升机器人通用能力的关键。机器人通过它理解环境交互的规律，在工业、服务等场景中自主决策能力越来越强。跨模态知识迁移技术，让不同形态的智能体可以共享物理常识，形成跨场景的能力闭环，大幅降低机器人适应新环境、新任务的学习成本。

04-3 代表厂商

真实数据厂商--智元机器人

真实数据派机器人厂商，以真实场景数据为核心驱动力，代表玩家包括智元机器人和自变量机器人。

智元机器人：采用 “真实数据为主、仿真数据为辅” 的混合方案。

数据采集上，通过动作捕捉、VR 遥操作等方式，在家庭、工业、零售等真实场景中收集训练数据，搭建数据工厂；同时和英伟达合作，用 Isaac Sim 仿真平台和 GR00T-Teleop 工具，在数字孪生环境中补充模拟数据。

数据使用上，仿真数据仅用于早期测试和模型调试，大模型训练和最终部署阶段，100% 依赖真机真实数据。

自变量机器人：坚持纯真实数据路线，所有涉及复杂物理交互的场景，比如手部精细操作，完全不使用仿真数据，构建以模型驱动的数据闭环体系。

04-4 代表厂商

自动驾驶--小鹏集团

2026 年，大概率是小鹏 “物理 AI” 从验证走向放量的关键节点。IRON 人形机器人和汇天飞行汽车将同步量产，业务有望从概念期进入现金流与估值贡献期。

机器人业务：目标在 2026 年实现 IRON 大规模工业化量产，率先在门店服务、工业巡检场景落地，冲刺国内首批 L3 级量产人形机器人厂商。

飞行汽车业务：2025 年已累计获得约 7000 台订单，建成万辆级产能基地，计划 2026 年下半年开启全球交付。

与特斯拉同源的物理 AI 架构，让机器人与飞行汽车成为小鹏 AI 生态的第二、第三成长曲线。自研的图灵 AI 芯片和 VLA 世界模型，实现了汽车、机器人、飞行汽车三端复用，大幅降低研发与算力成本。

叠加工厂与供应链协同，小鹏有望在 “单智能体创收能力 + 规模保有量” 上，获得估值提升空间。

05 下游产业链（主流应用场景）

下方扫码直接加入：