物理AI发展面临哪些数据瓶颈及投资机会？

物理AI的发展正处于性能快速跃迁的关键阶段，世界模型和机器人模型作为其核心“大脑”，对训练数据的质量和多样性提出了极高要求。当前，物理AI面临的主要瓶颈在于高质量训练数据的稀缺性。具体而言，真机实采数据、仿真数据以及合成数据是支撑世界模型和机器人模型训练的三大支柱，但目前这些数据的供给存在较大缺口，难以满足模型规模化扩展的需求。

真机实采数据能够提供真实物理环境下的交互反馈，对于提升模型在现实世界中的泛化能力至关重要。然而，真机数据采集成本高、周期长，且覆盖场景有限。仿真数据则可以通过虚拟环境生成大量标准化、多样化的训练样本，有效弥补真机数据的不足，但在物理真实感方面仍需不断优化。合成数据借助生成式AI技术，能够低成本地创造极端或罕见场景的数据，进一步丰富训练集。这三种数据源相互补充，共同构成了物理AI数据金字塔的基础。

鉴于数据缺口的存在，围绕数据采集、处理及生成的产业链环节将迎来快速增长期。首先，物理世界数据采集设备制造商将直接受益于需求增加，包括各类传感器、摄像头及专用采集硬件。其次，提供高精度仿真引擎及虚拟环境构建服务的软件企业具有重要价值，它们能够为机器人提供逼真的训练场。此外，具备大规模数据标注、清洗及合成能力的服务商也将获得市场青睐。在投资逻辑上，建议重点关注那些在物理AI数据闭环中占据关键位置，或拥有独特数据资源及技术壁垒的企业，这些主体有望在物理AI规模化落地过程中获得先发优势。