▲ 全文思维导图:AI生成
如果复盘今年全球科技产业的演进脉络,会发现一条清晰的分水岭。
统治了舆论场数年的生成式 AI,正将聚光灯移交给一个更具重量的词汇:Physical AI(物理 AI)。
从年初拉斯维加斯国际消费电子展(CES)将“物理 AI 的 ChatGPT 时刻”确立为全行业的核心议题,到各大机构纷纷将其列为继大语言模型之后的下一条主线,这条赛道的轮廓在一年之内就清晰了起来。
起初,外界或许以为这只是科技巨头的又一次概念造势,但站在今天审视,产业的齿轮已然紧密咬合:
从特斯拉将 Optimus 量产写进核心考核,到 OpenAI 重启机器人整机研发;
从 OpenAI 发布旗舰模型 GPT-6 Astra 后,全球实验室掀起将新模型接入真机测试的热潮;
再到世界物理 AI 大会上,宇树科技创始人王兴兴作出“物理 AI 已看到被击穿的苗头”的判断。
如果说过去几年的生成式 AI,是一场发生在发光屏幕里的字符与像素的狂欢,那么正在拉开帷幕的物理 AI,则是数字智能第一次成规模地推开屏幕的边界,试图在遵循牛顿力学与热力学定律的真实世界里,长出骨骼与血肉。
01 什么是物理 AI:当屏幕中的智能撞上自然法则
要理解物理 AI 的本质,最好的参照系正是我们熟知的大语言模型。
无论是早期的 ChatGPT 还是 DeepSeek,它们本质上都是一颗高度发达的屏幕中的智能。人类向它输入一段字符,它输出一篇锦绣文章、一段代码或一幅图像。
它的诞生与演化完全悬浮在比特构成的数字温室里,交付的始终是“信息”。
而物理 AI 最终要交付的,从来不是一段精妙的文本,而是一个不可逆的物理结果——将汽车平稳驶过暴雨中的闹市、将散乱的异形零件精准嵌入凹槽,或是在动态博弈中将工厂的工艺参数调至最优。
用英伟达 CEO 的定义来说,物理 AI 是“能够理解自然法则的 AI”。
为什么在人类考卷上无往不利的大语言模型,一旦接入真实世界便显得笨拙?因为语言的尽头,才是物理世界的起点。
▲ 训练数据维度瓶颈:纯大语言模型与物理 AI 智能体的闭环差异
大模型吞吐了人类文明积攒的千亿级文字与平面影像,但文字里写不出重力的拖拽,像素中也测不出摩擦的阻尼。你可以让今天的模型在数秒内撰写一份详尽的《房间整理指南》,它能将收纳逻辑剖析得丝丝入扣;但倘若给它装上机械臂去收拾一张真实的书桌,它往往会陷入无所适从的境地。
它无法感知拉开一个生锈抽屉需要克服多大的静摩擦力,也难以预判手腕偏移一厘米是否会碰翻桌角的玻璃杯。
二十世纪哲学家波兰尼曾提出著名的默会知识(Tacit Knowledge)理论:我们所知道的,远比我们能言说的多。
就像人类学习骑自行车,一个人哪怕将刚体力学公式推导得滴水不漏,只要身体不曾真切地与地面发生过碰撞、不曾在失衡的瞬间建立起肌肉与前庭的微调记忆,跨上车座依然会摔倒。现有的数字大模型所缺失的,正是这种无法被文字编码、只能在物理世界的“试错与受阻”中习得的默会常识。
一个智能体要在真实世界中完成闭环,底层的认知链条通常分为三步:看懂环境的结构,是感知;权衡利弊并规划路径,是决策;驱动硬件改变环境状态,是执行。
在这三步之中,壁垒最高、最接近人类智慧本源的,是居于中枢的“决策”。数字世界里的错字可以按退格键抹去,但现实世界受制于时间之箭的不可逆性——杯子碎了就是碎了,车辆撞上护栏便无法重来。
因此,AI 在付诸行动之前,脑海中必须具备一套前瞻推演的机制:假定当前环境状态为 St,若采取动作 At,下一秒的世界将如何向 St+1 坍缩?这种在内部重构物理因果律的能力,被学界称为世界模型(World Model)。
▲ 世界模型(World Model)在虚拟脑海中的物理因果推演机制
世界模型并非某种玄奥的造物,它其实是人类与生俱来的生存本能。老练的司机在倒车入库前,脑海中早已预演了车轮的包络线;棋手在落子之前,心中已推演了数步之后的弃取。
▲ 世界模型的核心功能分支与技术演进路径(资料来源:钱振兴、甘振良《人工智能中世界模型的起源与研究路径》,公开资料整理)
为 AI 注入世界模型,本质上是在其算法深处构筑一座内生沙盘——让玻璃杯滑落桌沿、湿滑地面导致轮胎打滑的千万次试错,先在虚拟的神经元中完成推演,最终只把那个收敛后的安全解交付给现实。在物理 AI 的价值链条上,这是天花板最高的认知底座。
沿着这一脉络,我们便能轻易厘清行业中常被混用的三个概念——物理 AI、具身智能与人形机器人。它们并非并列关系,而是层层嵌套的关系:
▲ 物理 AI、具身智能与人形机器人的三层嵌套边界
✦ 三大核心概念的层层嵌套关系
最外层的大集合是物理 AI(Physical AI):它未必需要一副看得见的钢铁躯壳。只要底层算法内化了物理定律,能够在现实或高保真仿真空间中推演物理因果,皆属此列。最具代表性的载体便是工业数字孪生(Digital Twin)。例如英伟达基于 Omniverse 平台为宝马构建的虚拟工厂,在算力空间中毫厘不差地复刻了整座车间——传送带的摩擦系数、机械臂高速挥动时的转动惯量、乃至车间内的气流扰动,尽数遵循真实物理法则。AI 在数字镜像中完成千万次产线排布与干涉排查,待寻得全局最优解后,再一键映射至实体工厂。虽无实体机械臂挥舞,却已是物理 AI 的深水区。
向内收敛一层,是具身智能(Embodied AI):它强调智能必须摆脱算力卡的幽居,寄寓于一具真实的物理本体之中,通过与环境的动能交换来完成感知与行动的闭环。
最核心的内核,才是人形机器人(Humanoid Robot):它是具身智能中形态最契合人类社会、通用化想象空间最丰沛的一种硬件载体。
简言之,人形机器人是具身智能的一支,具身智能又是物理 AI 的一隅。物理 AI 所掀开的产业版图,远比单一的机器人赛道更为辽阔。
02 为什么是现在:当进化的三条河流汇入同一片海
工业机械臂与扫地机器人早已问世数十载,为何直到今天,产业界才将“物理 AI”推上时代的风口?
分水岭在于机器如何面对“无常”。传统的工业自动化建立在绝对的确定性之上,工程师将环境参数与运动轨迹写死在代码里,机器便能不知疲倦地重复一万次精准点焊。
然而,真实世界本质上是熵增的、充满随机扰动的。桌面多了一滩水渍、光线在金属表面产生反光、或是待抓取的杯子换了陌生的形制,都会让依赖预设规则的传统系统瞬间停摆。
这种无穷无尽的边缘意外,即困扰业界多年的长尾问题。而物理 AI 的使命,正是让机器在面对未曾预设的现实时,依然拥有审时度势的自主性。
一场技术革命的爆发,往往需要多条独立演进的技术曲线在同一时间窗口内完成交汇。物理 AI 在当下的破局,正是源于躯干成本的坍塌、大脑范式的跃迁,以及时代刚需与资本共振的三重合力。
第一重力量:来自中国制造供应链对硬件躯干的“降维复用”
曾几何时,一台人形机器人造价动辄数百万元,只能作为实验室里的孤品。而今,国产整机价格已迅速下探至十万元乃至万元区间(如宇树 G1 起售价已从 9.9 万元降至 8.5 万元,R1 Air 更是压到 2.99 万元)。
▲ 国产人形机器人价格迅速下探至万元区间(来源:京东商城,以上仅作为示例引用,不构成个股推荐)
成本断崖式下降的秘密,在于中国过去十年在新能源汽车与消费电子领域沉淀的庞大工业底座。驱动机器人的动力电池、电机电控、激光雷达、视觉模组与陀螺仪,与智能电动车及智能手机同源同宗。
当国内成熟的供应链将车规级与消费级的零部件调整公差与尺寸、嫁接至机器人躯干时,昔日高不可攀的精密仪器,便顺理成章地具备了规模化量产的成本基础。
第二重力量:源于模型大脑跨越了两个决定性的技术拐点
其一是训练场的虚实迁徙。
过去训练机器人依赖真机在现实中摸爬滚打,样本采集慢、硬件损耗高;如今,高保真物理引擎将训练场搬进了虚拟空间,算法在数字沙盘中一日便可经历数百万次摔打。例如英伟达基于超 2000 万小时视频训练的 Cosmos 世界基础模型,已能批量生成遵循物理定律的合成数据。
▲ 英伟达 Cosmos 世界基础模型生成的物理合成画面(来源:NVIDIA 企业解决方案公众号)
尽管从虚拟仿真到现实世界(Sim2Real)仍横亘着地面油污、齿轮磨损等微妙的物理落差,真机实训依然不可或缺,但最昂贵的早期试错成本已被大幅抹平。
其二是 VLA(视觉-语言-动作)架构的成型与前沿大模型的跨界破壁。
▲ VLA(视觉-语言-动作)模型端到端架构流程(数据来源:张文涛《面向具身智能的视觉-语言-动作模型动作表征和生成策略综述》、广发证券发展研究中心)
以往机器人每换一道工序便需重写一套控制算法,而 VLA 模型首次将视觉感知、语义理解与动作生成熔铸于同一套神经网络之中。
▲ VLA 模型演进脉络:新架构与算法持续涌现(资料来源:《视觉-语言-动作模型研究综述:迈向通用机器人》,国金证券研究所)
更具指标意义的是,通用大模型对物理空间的泛化能力正在发生肉眼可见的质变。近期 OpenAI 发布旗舰模型 GPT-6 Astra 后,独立评测机构将其接入真机实测,发现在抓取、旋转、递送等任务中的控制成功率一举跃升至 95%(同期竞品仅徘徊在 40% 左右)。
正是这一实测反馈,让宇树科技创始人王兴兴公开给出了远比过往更乐观的判断。
10 月 22 日的世界物理 AI 大会上,他说随着 GPT-6 发布,“物理 AI 已经看到被击穿的苗头”,窗口在最近一到三年;十天前的工博会上,他把话说得更满,“明年如果 GPT-7 出来,可能直接把具身智能的问题打穿”。
他甚至直言,包括自己在内,“全世界几乎所有人对 AI 的重视程度和信仰都还不够”。
从 GPT-6 Astra 展现的苗头,到王兴兴所期许的 GPT-7“打穿全局”,大模型正在向物理世界最幽微的力觉与接触控制发起最后的总攻。
第三重力量:时代刚需与千亿资本的共振
与此同时,无论是全球制造业熟练工人的代际断层,还是仓储物流行业日趋紧绷的用工缺口,都指向同一个方向:以机器补足人力,正从企业的降本选项,变成产业的长期必需。
成本持续下探的硬件躯干、日益通晓物理世界的智能大脑,迎面撞上迫切的产业需求与千亿级资本浪潮——物理 AI 的时代大幕,由此拉开。
03 产业链的五重阶梯:当轻盈的算法装进厚重的躯壳
如果将物理 AI 的产业大厦自下而上剖开,可以清晰地看到五层拾级而上的架构:算力底座、数据与仿真、行动模型、硬件本体,以及终端场景。
第一层是算力:云端“深思”与端侧“本能”的分野
物理 AI 的算力部署与大模型有着本质差异。因为它必须与现实世界进行实时能量交换,算力被自然切割为“云端训练”与“端侧推理”两套体系。
云端训练犹如棋手在静室中复盘千局,追求的是算力的广度与深度——训练百亿参数的世界模型,或是在虚拟引擎中并发推演数百万次车辆碰撞,需要庞大的数据中心集群支撑,对数秒的延迟并不敏感。
而端侧推理,则是车辆在疾驰中遭遇前车急刹、或机械臂迎面拦截飞来的网球,必须在数毫秒内当场决断。倘若此时仍需将视觉画面回传至千里之外的云端机房,哪怕只增加几十毫秒的通信迟滞,现实中的碰撞便已酿成。
代表性公司与产业坐标
海外代表:英伟达、特斯拉、高通、AMD;
国内代表:华为昇腾、地平线、瑞芯微。
以上仅作为示例引用,不构成个股推荐
第二层是数据与仿真:入口不同、终点趋同
互联网早已为语言模型备好了浩如烟海的文本,但物理世界从未留下现成的关节力矩与触觉反馈数据集。面对数据荒漠,产业界分化出两条路径:
英伟达押注虚拟物理引擎 + 合成数据,通过持续开源世界模型与仿真平台,试图成为物理 AI 时代的“造物主”。只要全球开发者的机器人在它的虚拟沙盘里练习行走,最终便离不开它的算力底座。
而特斯拉则更笃信真实世界的第一视角经验,在加州和得州的工厂里,头戴五目摄像头头盔与传感背包的数据采集员在产线上躬身劳作,将人类第一视角的操作轨迹悉数录下。与此同时,上千台下线的 Optimus 在车间里边干活边回传本体传感数据。
Optimus 这个名字取自《变形金刚》里的汽车人领袖擎天柱(Optimus Prime),中文圈因此习惯直接叫它擎天柱。
用科幻经典给产品命名是马斯克的一贯作风,猎鹰系列火箭的 Falcon 同样来自《星球大战》里的千年隼号(Millennium Falcon)。
▲ 特斯拉 Optimus(擎天柱)人形机器人从原型机(Bumblebee)到 Gen 3 量产版迭代演进路径
英伟达试图用算力模拟万物法则,特斯拉则执着于从真实的物理接触中直接萃取经验。除此以外还有一条新开辟的低成本路径:互联网上的人类第一视角视频。
这是物理世界中唯一已经现成、不用专门采集的行为数据,难点在于要从二维像素中反推三维手部姿态和接触发生的时刻。代价同样清晰,视频里没有力和触觉,而且人终究不是机器人,跨本体迁移带来的损耗目前还缺少量化办法。
代表性公司与产业坐标
海外代表:英伟达、特斯拉、Google DeepMind、达索系统、Figure AI;
国内代表:五一视界、群核科技、索辰科技、海天瑞声、智元机器人。
以上仅作为示例引用,不构成个股推荐
第三层是模型:模仿人脑的“快与慢”
如果说世界模型是预演未来的沙盘,那么 VLA 模型便是直接号令四肢的统帅。以英伟达的 GR00T N1 系列为例,其架构设计令人想起诺贝尔经济学奖得主丹尼尔·卡尼曼在《思考,快与慢》中揭示的人类心智双系统:
模型上层的视觉语言模块如同人类的系统 2(慢思考),负责审视环境、理解人类意图并拆解复杂任务;下层的动作生成模块则如同系统 1(快思考)与小脑反射,负责将抽象意图转化为每秒上百次的电机扭矩微调,让机械手稳健地探出。
▲ 具身智能双系统 VLA 架构:以英伟达 GR00T N1(System 2 + System 1)为例(资料来源:NVIDIA,国盛证券研究所)
谷歌基于自家大模型构建的 Gemini Robotics,以及硅谷明星初创公司 Physical Intelligence 的 π0 模型,皆在这一方向上竞逐。
国内头部整机厂则走出了一条务实的借力进化之路。宇树、智元、优必选等企业普遍引入通义千问、DeepSeek 或上海 AI 实验室书生(InternVL)等国产开源大模型,将其作为机器人的视觉与语义中枢,再嫁接自家积累的真机运动数据与动作解码器,锻造出专属的具身大脑。
此外,银河通用、千寻智能、自变量机器人等初创势力,乃至 DeepSeek 创始人梁文锋的资本触角,也纷纷指向这颗通用具身大脑。
这恰恰解答了一个大众常有的困惑:为何今天的机器人在春晚舞台上翻跟头、扭秧歌、舞棍弄棒矫健非凡,却依然无法走进寻常百姓家端茶倒水、整理床铺?症结在于,当下机器人的“小脑”已高度成熟,而“大脑”才刚刚起步。
舞台上的空翻与武术,本质上是预设轨迹下的四肢协调与动平衡控制,属“小脑”管辖;而走进一间陌生的客厅,将茶几上的果皮收进垃圾桶,顺手扶正散落的靠垫,面对的是光照、遮挡、物体材质千变万化的非标环境,需要“大脑”具备深厚的常识泛化与柔性力控能力。
这一层正如智能手机爆发前夜的操作系统混战,格局未定。但“谁赢”尚无答案,“往哪走”已渐渐清晰:把预演与执行合进同一个模型。学界将这个方向称为世界动作模型(World Action Model,WAM)。
这不只是实验室里的提法。中国人工智能学会今年发布的《中国人工智能系列白皮书—具身智能(2026版)》,已把“从 VLA 向 WAM 的范式跃迁”列为未来方向。二者的差别在底座:VLA 以视觉语言模型为底,看到什么便直接映射成动作;WAM 以视频世界模型为底,先推演“这么做下去,下一秒会变成什么样”,再反推该出什么动作。
▲ VLA 动作大模型与世界模型(World Model)核心差异对比(资料来源:自动驾驶之心,长江证券研究所)
今年 10 月谷歌发布 Genie 4 时展示的联合方案,已让市场看到这条路的雏形——Gemini 负责拆解任务、检查进度,Genie 4 负责实时生成可交互的场景。
不过,这条路上目前还没有真正跑通的产品,实时性与物理保真度仍是两道难关。谁能先把沙盘和统帅装进同一个脑子,谁就更有可能执掌下一个时代的生态权杖。
第四层与第五层:硬件本体、隐形材料与场景集成
聪慧的大脑仍需敏锐的五官(视觉、激光雷达、触觉与六维力传感器)去丈量世界,需强健的肌骨(电机、减速器、丝杠、灵巧手)去施加力量,亦离不开特种工程塑料 PEEK(兼具塑料之轻盈与金属之坚韧,稳居高分子材料金字塔尖)与镁铝合金等轻量化材料为躯体减重,以换取更长的续航与更安全的跌倒冲击阈值。
最终,这一切由整机厂商精密整合,投向具体的商业场景。
04 四大落地场景:技术在不同水位的真实兑现
任何技术概念的终局,都要回到具体的商业场景里去算经济账。当算法走出实验室,物理 AI 目前主要在四个方向上寻找落脚点:人形机器人、工业机器人、智能驾驶,以及 AI for Science(科学智能)。
前三个方向,是让 AI 拥有实体去替代人类的体力与操作;第四个方向,则是让 AI 潜入微观世界,用物理规律去替代漫长的科研试错。
1. 人形机器人:适应人类尺度的“通用载体”
代表性产品:机器人 ETF
很多人曾提出过一个朴素的疑问:洗碗有洗碗机,扫地有扫地机,专用机器的效率明明更高,为什么产业界非要把机器人做成人的形状?
答案并不在科幻电影里,而在现实世界的基建成本中。我们生活的整个地球,就是按照人类的身体尺度建造的。从楼梯台阶的高度、门把手的旋转半径,到工厂里的扳手和流水线工位,过去几百年积累的所有基础设施,都是为双足直立、双手协作的人类设计的。
如果不改变环境,就只能让机器去适应环境。把机器人做成“人形”,意味着我们不需要为了迁就机器而推倒重建现有的工厂与房屋,它可以直接拿起人类的工具,走进人类的工位。
但要把机器做成人的形态并具备劳动能力,它身上成本占比最高、工程难度最大的“执行端四大件”必须严丝合缝地配合,每一个环节都对应着人体的生理结构。
▲ 人形机器人执行系统拆解与特斯拉 Optimus 执行器成本拆分测算
核心零部件里,减速器就是机器人的“关节”,可以把电机的高速旋转变成精准的慢速发力。其中,谐波减速器主要用于手臂和手腕,海外龙头是日本的哈默纳科(Harmonic),国内绿的谐波位居全球第二;RV 减速器用于重载关节,海外龙头是日本的纳博特斯克(Nabtesco),国内双环传动在 RV 领域已撕开口子。
电机(尤其是伺服电机)相当于机器人的“肌肉”,负责驱动每个关节的运动,汇川技术、鸣志电器是重要玩家;行星滚柱丝杠的作用是把旋转运动转化为直线推拉,相当于机器人的“肌腱”,贝斯特、恒立液压在布局;此外,传感器是机器人的“感官”,执行器是完成动作的“手脚”,三花智控、拓普集团、长盈精密也是关键供应商。
回看整条硬件链条,完整的制造业体系与供应链配套,恰恰是中国制造业最具确定性的长板。
弗若斯特沙利文的数据显示,2026 年上半年全球人形机器人营收排名前五的整机厂(优必选、智元、宇树、银河通用、乐聚)全部来自中国。
以上仅作为示例引用,不构成证券推荐
2. 工业机器人:当机械臂开始有眼力
代表性产品:机床 ETF
汽车工厂里早就布满了焊接和搬运的机械臂,这与物理 AI 有什么区别?
核心区别在于,传统的工业机械臂只是“盲人木偶”。工程师提前写死坐标代码,它就能闭着眼睛往同一个位置分毫不差地焊一万次;可只要传送带上的零件歪了一厘米,它就会照常把焊枪戳向空气。它执行的是死板的程序,而不是实时的判断。
当工业机械臂叠加上物理 AI、3D 视觉和力传感器之后,机器第一次有了眼力和手感。面对杂乱堆放的零件,它能自己识别抓取角度;在插线束、曲面打磨、柔性装配这些过去只能依赖老师傅手感的环节,它能根据接触时的阻力变化实时调整力道。
在全球工业机器人市场上,瑞士 ABB、日本发那科、安川电机和德国库卡(现已归入美的集团)长期占据主导地位。但借着国内新能源制造与产线智能化升级的窗口,以国内出货量第一的埃斯顿、以及从底层工控和伺服系统一路向上延伸的汇川技术为代表,国产品牌正在实质性地改写市场份额。
▲ 中国工业机器人市场核心厂商份额演变(2019–1H2026,数据来源:MIR 睿工业,Macquarie Research)
以上仅作为示例引用,不构成证券推荐
3. 智能驾驶:开放道路上的“四轮机器人”
代表性产品:智能汽车 ETF
如果跳出传统交通工具的框架,一台行驶在马路上的智能汽车,本质上就是一台长着四个轮子、在开放环境中高速移动的机器人。
在自动驾驶从 L0(纯人工)向 L5(全场景无人驾驶)演进的过程中,它也是目前物理 AI 商业化走得最快、真实物理数据积累最深的载体。
▲ 国际通用自动驾驶 L0–L5 六级演进图谱(当前家用车处于 L2→L3,Robotaxi 属于 L4)
这两年智能驾驶之所以能跨过可用性的门槛,背后的核心技术转折是“端到端大模型”与车载 VLA。早期的自动驾驶靠程序员手写几十万行 if-else 的规则代码(比如看到红灯就刹车、看到白线就居中)。但真实马路上的突发状况是无穷无尽的,遇到前面临时修路摆了路障、或者交警在路口打手势,无法被穷尽写进代码里的情况就会让车子不知所措。
现在的端到端模型不再靠人工写死规则,而是让神经网络直接通过海量人类驾驶视频去领悟驾驶逻辑。从 FSD V12 到如今融合多模态能力的 V14,特斯拉删掉了三十多万行 C++ 控制代码,让传感器看到的画面直接转化为方向盘转角和刹车深度的指令,车辆在复杂路况下的博弈反应越来越接近人类老司机。
▲ 特斯拉 FSD / Robotaxi(Cybercab)与华为乾崑智驾合作车型
目前,Alphabet(Google 母公司)旗下的 Waymo 已经在多个城市实现了无人出租车的规模化运营;特斯拉取消了方向盘和踏板、纯靠摄像头与端到端网络驱动的 Cybercab,也已在得州奥斯汀的限定区域上路。
国内市场则形成了两大阵营:一方是以华为乾崑(ADS)、Momenta 以及智驾芯片龙头地平线为代表的供应商体系;另一方则是坚持高阶智驾自研的小鹏、理想、蔚来,以及布局无人出行的百度萝卜快跑。
以上仅作为示例引用,不构成证券推荐
4. AI for Science:把物理规律带进微观世界
代表性产品:恒生医药 ETF
如果说前三个场景处理的是宏观世界里的机械运动,那么 AI for Science(科学智能)则是把物理 AI 带进了肉眼看不见的微观尺度,用来辅助研发新药、合成新材料。从广义上看,这也是物理 AI 理解自然法则的一种延伸。
为什么在电脑里算分子结构也属于物理 AI?因为大多数现代靶向药治病的原理,本质上是一道微观尺度的物理几何题。
比如癌细胞之所以失控分裂,往往是因为它表面的某个蛋白质“开关”卡死在了开启状态;靶向药的作用,就是让药物分子像一把钥匙一样,精准卡进致病蛋白质表面的凹槽里,把这个开关关掉。我们平时退烧吃的布洛芬,也是靠卡进人体内产生疼痛和发热信号的酶凹槽里起效。
而在微观世界里,分子每时每刻都在热运动中扭动和碰撞,两个结构能不能稳稳吸在一起,完全受分子间引力、斥力和量子力学规律支配。
过去研发一款新药,科学家只能在实验室里把成千上万种化合物挨个配出来试错,行业里素有“十年时间、十亿美元”的说法。
现在的逻辑分成了两步:
第一步先在电脑里“算”,让 AI 顺着物理规律把上亿种分子模拟碰撞一遍,几天内筛出最靠谱的几个候选配方;
第二步再交给无人实验室的机械臂,24 小时自动配液合成验证。这实际上是把过去漫长偶然的科研试错,改造成了高效率的筛选流水线。
▲ 全球 AI4S 主要应用领域市场结构预测:药物发现占比预计 2030 年达 46%(数据来源:Omdia 等,国泰海通证券研究)
这一领域的海外标杆,是拿下诺贝尔化学奖的谷歌 DeepMind 团队,以及由它孵化出的独角兽 Isomorphic Labs——后者不仅拿下了礼来、诺华的合作大单,其由 AI 设计的药物,预计将在 2026 年年底启动首次临床试验。
国内则有先后在港股上市的晶泰科技和英矽智能:晶泰科技靠“量子物理算法 + 实验机器人”帮药企和新能源厂做分子筛选;英矽智能用 AI 发现的抗肺纤维化新药已由北京协和医院牵头推进到三期临床,成为全球首个进入三期临床的 AI 设计新药;此外,深势科技也是这一赛道的代表玩家。
以上仅作为示例引用,不构成证券推荐
05 写在最后
回头看这四个方向,它们眼下其实处在完全不同的商业化水位上:
✦ 四大落地场景的商业化水位对比
智能驾驶已率先驶入商业化兑现的快车道,端到端大模型飞速普及,无方向盘的无人车已汇入城市车流;
工业机器人本就具备深厚的商业造血能力,正凭借物理 AI 的能力提升,从固定工位向插线束、打磨等高附加值的柔性环节渗透;
AI for Science 的前端算力筛查与自动化实验已跑通商业闭环,但真正由 AI 从零设计的创新药,还在等待人体三期临床的最终验证;
而聚光灯下最炙手可热的人形机器人,实则仍处于从 0 到 1 的产业导入期。尽管中国供应链已将硬件成本大幅削减,但据 IDC 统计,2026 年上半年全球近 2.5 万台人形机器人出货量中,科研教育、展演展示与政府数采中心仍占据了 69% 的份额,真正扎根工业流水线实现正向盈利的全尺寸机型尚属凤毛麟角。
这也让我们能够更客观地看待王兴兴在工博会上的那句预判。即便未来一两年内 GPT-7 等下一代模型果真如期“打穿”具身智能的技术临界点,商业化的浪潮也不会在同一天漫过所有堤岸。
最先起量的,大概率是对效率要求没那么苛刻、容错空间更大的商业服务(导览、巡检)与工业固定工位;而环境每天都在变化、对安全性和泛化能力要求最高的家庭家务场景,依然排在时间表的最后。
对 AI 的信仰不能替代工程学的严苛验证,机器人在聚光灯下稳稳拿起一根筷子,是模型泛化的里程碑;但它能否在嘈杂的车间里连续工作五千小时不出故障、能否算平拧一颗螺丝的折旧与电费低于人工的经济账,中间仍隔着数据闭环、良率爬坡与成本控制的漫长跋涉。
如果说过去两年的数字大模型,是人类在比特海洋里建造的巴别塔;那么接下来的物理 AI,则是人类尝试将这座塔上的火种取下,锻入钢铁、硅片与齿轮之中,去分担现实世界的重量。
这门将最轻盈的智能装进厚重躯壳里的生意,才是未来十年科技产业真正的硬仗。
— 风险提示与合规声明 —
本资料观点仅供参考,不作为任何法律文件,资料中的所有信息或所表达意见不构成投资、法律、会计或税务的最终操作建议,我公司不就资料中的内容对最终操作建议做出任何担保。在任何情况下,本公司不对任何人因使用本资料中的任何内容所引致的任何损失负任何责任。以上内容不构成个股及基金推荐。基金的过往业绩及其净值高低并不预示其未来表现,基金管理人管理的其他基金的业绩并不构成对本基金业绩表现的保证。管理人不保证盈利,也不保证最低收益。投资人应当充分了解基金定期定额投资和零存整取等储蓄方式的区别。定期定额投资是引导投资人进行长期投资、平均投资成本的一种简单易行的投资方式。但是定期定额投资并不能规避基金投资所固有的风险,不能保证投资人获得收益,也不是替代储蓄的等效理财方式。市场有风险,入市须谨慎。