物理AI与机器人：具身智能的范式演进与产业格局

物理AI：智能技术的下一波增长浪潮

随着人工智能技术从数字世界向物理世界延伸，物理AI正成为行业关注的焦点。英伟达等科技巨头已将物理AI定义为现实世界中的智能体，涵盖机器人、汽车和工厂等能够感知、推理、规划并自主行动的实体。回顾智能技术的发展历程，每一轮技术跃迁均依赖于底层基础设施的完善。从互联网时代的光纤骨干网铺设，到数字AI时代的算力基础设施构建，当前物理AI的发展同样遵循这一路径。全球物理AI市场规模预计将在未来几年内实现显著增长，标志着该领域已从概念验证阶段迈入规模化应用的前夜。

具身智能的核心要素与技术路线

机器人作为物理AI的主流形态，其核心架构由具身模型、机械本体和数据飞轮三大要素构成。具身模型被视为机器人的“大脑”，目前主要存在两种技术路线：VLA（视觉-语言-动作）模型和世界模型。VLA模型通过“感知-动作”直接映射，具备高效的语义理解和低延迟优势，适合实时控制场景；而世界模型则采用“推演式”逻辑，通过学习物理规则预测状态变化，在长程任务规划和鲁性方面表现更优。两者并非替代关系，而是具有互补性，融合模型如WorldVLA正成为研发新方向。机械本体作为机器人的“身体”，执行器和灵巧手在成本结构中占据重要比例。数据飞轮则是具身智能迭代的关键，通过真实场景数据的回流驱动模型升级，进而拓展更多复杂应用场景，形成正向循环。

数据供给：商业化落地的核心瓶颈

在机器人商业化进程中，数据供给已成为制约产业发展的核心矛盾。具身智能训练数据呈现金字塔结构，底层为互联网通用数据，中层为仿真合成数据，顶层为稀缺的真实物理交互数据。尽管仿真数据可低成本规模化扩充，但无法完全替代真实场景数据。数据显示，机器人在标准化仿真环境中的任务成功率远高于真实家庭场景，这种落差主要源于物理交互数据的严重不足。此外，数据采集成本高企也是重要阻碍，真机遥操作等高质量数据采集方式单小时成本高昂，而低成本采集方案又难以满足高精度需求。因此，如何高效获取高质量真实数据，成为提升具身智能性能的关键。

机器人形态分化与商业化路径

当前机器人整机形态呈现多元化发展趋势，主要包括双足人形、四足、轮式和固定式机械臂四大品类。不同形态在机动性、环境适应性、任务灵活性和成本方面各有优劣。四足和轮式机器人因泛化能力要求相对较低，可聚焦于限定场景率先实现商业化闭环，目前已在巡检、割草等领域出现量产落地案例。相比之下，双足人形机器人虽在复杂空间通行和通用工具适配方面具备终极优势，但其技术难度高、制造成本大，规模化落地高度依赖精密机电工程能力。整车厂商凭借在电机、电控及供应链方面的积淀，在人形机器人量产方面具备显著先发优势。

核心零部件与感知技术演进

精密减速器、丝杠和电机是构成机器人关节的核心零部件。谐波减速器和行星滚柱丝杠因人形机器人对轻量化和高精度的需求而广泛应用。无框力矩电机、空心杯电机等新型电机方案正逐步取代传统伺服电机，以满足小体积、高功率密度的要求。在感知层面，触觉技术正从单点式传感器向电子皮肤进化。柔性触觉阵列能够捕捉亚毫米级形变及复合触觉信号，提升机器人抓握和操作的安全性。织物传感器作为差异化创新路线，通过导电纱线织入基底实现全域传感，为触觉感知提供了新的解决方案。

产业格局：三大阵营与投资主线

全球机器人行业已形成类似智能手机时代的三大阵营。特斯拉采取全栈自研的封闭生态模式，类似于苹果；英伟达和谷歌专注于提供基础模型和开发平台，类似于安卓；国产阵营则依托供应链效率和量产优势，加速场景落地。从投资视角看，T链、NV-波士顿动力链以及国产链构成了三大主要关注方向。随着宇树科技等企业推进IPO，具身智能赛道有望获得公开定价锚，吸引更多长期资金配置。尽管面临技术迭代、市场竞争及应用场景适配等风险，物理AI与机器人产业的长期增长逻辑依然清晰。