凤凰AI研究院 | 物理AI火了，有那么神吗？

作者|汪小龙

来源|《凤凰AI研究院》

物理AI，成了A股本周最疯狂的题材。

图为凡拓数创近期走势 图源：股票行情APP

截至10月23日收盘，凡拓数创（301313）走出“5天3板”的凌厉行情，股价自启动点接近翻倍；利亚德（300296）三个交易日累计拉升56%，奥比中光、索辰科技等同步大涨。

10月22日，宇树科技CEO王兴兴的一场演讲，也给火热的物理AI概念添了把柴。

图为王兴兴在2026世界物理AI大会演讲 图源：宇树科技

他表示，“随着GPT-6的发布，目前物理AI已经看到被击穿的苗头，很可能就在最近1到2年，或者2到3年。”

王兴兴同时给出了更具体的期许：希望今年年底或明年，宇树机器人就能够进入普通家庭，只要对宇树机器人说“帮我整理一下房间”，机器人就能够实现。

那么，短期内机器人真的能走进普通家庭叠被子吗？这个即将被“击穿”的物理AI，又到底是什么？

01 物理AI并非机器人专属概念

物理AI（Physical AI‌），这个概念最早出自2020年一篇学术论文。

图为物理AI定义 图源：Nature Machine Intelligence

论文中，瑞士联邦材料科学实验室与帝国理工的研究者将其定义为“融合材料、机械、计算机、生物与化学五大学科，构建能在非结构化环境中自主行动、维持稳态的物理系统”。

图为物理AI定义 图源：中国信通院

2026年10月，中国信通院在《具身智能发展报告》中给出本土定义：把物理规律嵌入感知、推理、生成和行动全过程，让人工智能具备更强的真实性、可靠性与可部署性。

这个物理系统不要求拥有人形躯体，重点是让AI跳出纯数字世界，把物理规律嵌入感知、推理、执行全流程，去真实应对现实世界。

落到产业界，不同赛道的公司又站在各自的业务边界上，给出了各有侧重的解读。

图为机器人协作展台 图源：Universal Robots

2026年1月CES展上，黄仁勋把物理AI正式列为AI演进的第四阶段，英伟达解读的重点放在机器人和汽车行业领域，“物理AI模型能够理解指令，在真实世界中感知、交互并执行复杂动作，为机器人和自动驾驶汽车等自主机器提供动力。”

有业内人士对《凤凰AI研究院》表示，“在端侧芯片厂商看来，物理AI的本质是AI从数字世界走向物理世界：依托端侧芯片在本地完成“感知—计算—传输”闭环，让真实设备具备实时感知与自主决策能力。”

他进一步解释道“物理AI不专属于某一类终端，储能、汽车、高端工业、AI数据中心基础设施以及各类数据采集与资产追踪场景，凡需要与物理世界持续、可靠交互的领域，都在这一范畴之内。”

因此，物理AI的边界远比“机器人什么时候能叠被子”要宽泛得多。

它未必都长着人形的手脚，反而大量藏在那些看不见的城市基础设施里，已经有物理AI的身影。

国内不少城市的地下管网里，物理AI已经在自主运行排水系统。

图为南京城市排水监管系统界面 图源：南京水务

例如南京等城市的排水泵站陆续接入大模型调度系统，遍布管网的传感器实时回传雨量、水位、流量数据，AI结合水文规律动态推演，自动控制水泵启停、调节阀门开度，汛期提前预判降水、预降管网水位，在避免内涝的同时减少无效空转能耗。

这些系统都没有人形的外壳，整个城市的排水管网就是它的“物理躯体”，用来感知真实物理世界的参数，遵循物理规律推演决策，再驱动水泵、阀门这些实体设备执行。

除此之外，高压变电站、散粮筒仓、露天矿山等工业生产场景，虽然不具备“科幻感”，但恰恰是物理AI现阶段落地最扎实、最成熟的地方。

回到机器人领域，物理AI运用到机器人身上，核心要解决的是让机器人从被人遥控的状态，变成能自己看懂世界、自主决策干活。

很长一段时间里，宇树乃至整个行业的人形机器人都被贴上“小脑发达、大脑弱” 的标签，上市路演时王兴兴甚至被投资者当面问：“你们是遥控玩具公司吗？”

图为宇树G1、H2人形机器人海报 图源：宇树科技

尽管宇树科技旗下人形机器人运动控制、平衡能力做得极强，可以翻跟头、打武术、走钢丝，但环境理解和任务决策全靠人远程遥控，或者提前写死脚本，换个场景就可能直接失灵。

王兴兴在近期演讲里也承认存在这个瓶颈：规划、导航问题已经解决得不错，目前最大的卡点，是模型输入输出和真实物理世界的对齐，这是具身智能的泛化难题。

02 人形机器人，复用汽车电子经验需加强验证环节

除了模型层面的泛化对齐难题，硬件可靠性与标准化验证体系，也是人形机器人规模化落地需要注意的问题。

入局具身智能硬件的供应链厂商，很多出身汽车电子赛道，习惯以成熟的车规体系作为验证基准。

据盖世汽车研究院统计，汽车与机器人的供应链重合度大约在 60%—70%，感知层的摄像头、雷达，决策层的控制器与芯片，执行层的电机、减速器，再到电池、热管理系统，技术谱系基本相通。

图为特斯拉弗里蒙特工厂产线 图源：特斯拉

特斯拉走得更极端，直接把汽车产线改造成了机器人产线。2026年5月，特斯拉清空了弗里蒙特工厂原本生产 Model S/X 的旗舰产线，4 万平方米场地仅用 4 个月就改造为 Optimus Gen3 专属生产线，设计年产能 10 万台。

但看着六七成的供应链技术同源，真正能直接照搬的验证标准与可靠性体系，却远没有那么多。

有业内人士分析，当前大批从汽车电子切入机器人赛道的厂商，初期普遍沿用成熟的车规验证体系打底。而在技术与可靠性要求上，二者最根本的不同在于“成熟度与确定性”。车规认证体系、环境适应性与功能安全等级都有明确规范，芯片开发围绕既定标准进行长期验证。而新兴应用场景的行业标准与需求形态仍在形成之中，客户往往清楚目标，但具体实现路径需要共同探索。

例如工信部 2026 版标准对伺服关节要求：定位精度≤0.1°、寿命≥10000 小时。但这套指标更多是通用性的合格线，并未定义机器人专属的载荷谱与验证方法。

因为汽车零件按“长周期单向耐久”验证，比如变速箱追求高刚性、高转速、单向持续运转；机器人关节则是反复启停、频繁换向、交变载荷，冲击、震动、受力方向时刻在变，失效模式完全不同。

如果直接套用车规的单向耐久思路做验证，很容易出现台架数据漂亮、真机工况下耐用性大幅打折的情况，这也正是上游供应链厂商不能直接照搬车规体系的原因。

而行业一般会采取“联合定义”模式，与客户从需求、系统到芯片逐层拆解、共同定义产品，把模糊的概念逐步转化为可落地的方案。就技术底层而言，两边是相通的，差异更多体现在成本敏感度、迭代节奏与可靠性等级的取舍组合上。

尽管硬件端还面临着验证标准不统一、耐用性待验证的现实约束，王兴兴给出的具身智能“ChatGPT时刻”时间点很明确，这个节点快则2-3年、慢则5-10年。具体体现为一台机器人可以依靠自然语言指令，在80%的陌生环境中，独立完成80%的任务目标。

从当下的机器人销售和应用情况来看，“爆发”的节点显得确实较为遥远。

图为机器人应用领域分布占比 图源：Counterpoint

据Counterpoint Research数据，2026年上半年全球人形机器人出货量突破2.2万台，同比增长近300%；但拆解去向，27%流向教育科研机构，33.6%用于娱乐表演，真正落地工业场景做实际作业的仅12.8%。

中国信通院《具身智能发展报告（2026年）》显示，单台人形机器人年度综合运维成本约50万到70万元，远高于普通岗位人力成本。

图为人形机器人租赁页面 图源：社交媒体截图

2026国庆节后，有媒体检索二手平台发现，人形机器人表演日租金从2025年初的2万元跌至千元级，跌幅八九成；前两年几十万购入的工程样机，二手残值仅剩数万，缩水近九成。

同时物理AI运用到人形机器人的技术范式，目前不够清晰。

当年自动驾驶至少还有“纯视觉”与“多传感器融合”两条清晰路线之争，而物理 AI 时代的路线分歧，比智驾更为分散。

王兴兴自己也承认，宇树采取的是世界模型（WM）与VLA双路线并行、持续对标的策略，行业内尚未形成统一成熟的技术范式。

回到开篇的两个问题，物理AI没那么“神”，人形机器人或许也远没到“明年进家叠被子”的地步。

物理AI，早就在真实世界里跑了很多年，只是工业生产场景不够性感，没能成为资本市场热捧的对象。

人形机器人作为物理 AI 应用场景中复杂度最高的方向之一，既要突破模型与物理世界的对齐难题，也要补齐硬件标准、可靠性、成本等一系列产业短板，还要面对家庭场景下的安全与交互体验考验，落地难度远高于固定场景的工业级应用。

当前的市场热度是资本对产业长期潜力的提前反映，物理AI在机器人领域的应用价值，终究要落到真实场景里反复检验。