人形机器人、工业自动化、智能驾驶，这些曾经分散在不同赛道、各自独立的板块，突然被同一个概念串联起来。资金大量涌入，板块轮番上涨。但喧嚣之下，有一个根本性的问题值得冷静思考：

物理 AI的热潮，是真实产业驱动的长期趋势，还是二级市场制造的短期泡沫？它真的能够带动自动驾驶走向真正的商业化爆发吗？

一、物理 AI的本质，不是新概念，是旧能力的整合

1.1 什么是物理 AI

简单说，Physical AI=AI+物理世界交互能力。

传统的AI研究，核心是处理数字世界的信息：图像、语音、文本、推荐算法。AlphaGo可以下赢柯洁，但它无法拿起一颗棋子。

物理 AI解决的是这个问题，如何让AI在物理世界中执行任务。

它需要三个核心能力同时具备：

感知能力：AI需要感知物理世界——通过摄像头"看见"，通过传感器"感知"距离、温度、力度。这对应的是计算机视觉、传感器融合等技术。

理解能力：AI需要理解物理世界的规律——物体不会穿墙、雨天路滑刹车距离变长、行人有时候不遵守交通规则。这对应的是世界模型、物理仿真、常识推理。

执行能力：AI的决策需要精确作用于物理世界——打方向盘多少度、踩刹车用多大力。这对应的是控制系统、伺服驱动、实时计算。

1.2 为什么是现在突然爆发

物理 AI 的概念早在十年前就存在。但为什么现在突然爆发？答案藏在三个条件的同步成熟里：

AI大模型带来了"理解能力"的跃升。

五年前的AI，遇到雨天路面积水的情况，只能识别出"有水"。现在的多模态大模型，可以推断"积水可能导致车辆打滑，需要提前减速"。

这种基于常识的物理推理能力，是过去十年AI研究一直在追求但从未突破的。GPT-4V、Gemini、Claude的多模态能力，让机器第一次拥有了接近人类的物理世界理解能力。

传感器成本断崖式下跌。

2018年，一颗车规级激光雷达售价超过1万美元。现在，速腾聚创的车规级激光雷达批量出货价已降至200-500美元。

这个价格跌幅，意味着激光雷达从"豪华车选配"变成了"普通车型标配"的技术可能性。传感器的普及，让自动驾驶的感知层硬件成本进入可接受区间。

芯片算力从云端溢出到边缘。

英伟达的AI芯片产能，在过去三年扩充了将近10倍。GPU不再只是数据中心的稀罕物件，开始出现在汽车域控制器、机器人主板、甚至无人机里。

算力的普及，让边缘AI推理成为可能——汽车的自动驾驶系统，不需要联网也能做出实时决策。

二、物理 AI 与自动驾驶的连接点

2.1 感知层的技术迁移

自动驾驶的感知系统（摄像头、激光雷达、毫米波雷达），与人形机器人的感知系统，使用的是完全相同的技术栈。

区别只在于：汽车安装8-15个摄像头，人形机器人可能只需要2-4个；汽车的激光雷达需要覆盖200米，人形机器人可能只需要覆盖10米。

这意味着，为自动驾驶研发的感知技术，可以零成本或低成本迁移到机器人领域。

反过来说，机器人领域的感知算法进步，也直接推动了自动驾驶感知能力的提升。

这个技术迁移，带来两个商业效应：

研发成本摊薄。同样的感知团队、同样算法，投入一次，可以在两个市场同时产生收益。

供应链规模效应。激光雷达的需求方从"每年千万台汽车"扩展到"汽车+机器人每年千万台"，单品成本进一步下降，形成正循环。

2.2 决策层的算法复用

自动驾驶的决策系统，需要处理复杂的交通场景：前方车辆急刹、行人闯红灯、对面来车占道。

人形机器人的决策系统，需要处理的是另一个版本的同类问题：前方有人阻挡、机械臂关节干涉、物体摆放位置不规则。

这两种场景的共同特征是：需要AI对物理世界的动态变化做出实时响应，并且决策结果具有不可逆的物理后果。

端到端神经网络（End-to-End Neural Network）在这两个领域的应用逻辑完全相通：

输入：传感器原始数据（视觉/雷达/触觉）输出：动作指令（方向盘转角/关节电机扭矩）

一个在自动驾驶领域训练成熟的端到端模型，经过微调后，可以部署到人形机器人上使用。反之亦然。

这意味着，自动驾驶算法公司投入的研发成本，可以通过机器人产品线获得二次变现。

2.3 执行层的制造能力迁移

这是物理 AI撬动自动驾驶最硬、也最容易被忽视的一条链。

减速器、伺服电机、线控底盘——这些是工业机器人的核心零部件。同样也是自动驾驶汽车执行层的核心零部件。

以精密减速器为例：

谐波减速器，主要卖给工业机器人厂商。客户用这些减速器组装六轴工业机器人，用于汽车制造、电子装配等场景。

当人形机器人概念爆发后，大家突然意识到：人形机器人的关节，本质上就是微型六轴工业机器人的关节。所需的精密制造能力，几乎完全相同。

双环传动的RV减速器，同样可以用于工业机器人和人形机器人。RV减速器在新能源车减速器上的应用，则进一步扩展了其市场边界。

精密制造能力的横向迁移，让一批原本做工业机器人的供应商，突然具备了进入汽车供应链的技术能力。

这不是"跨界"，而是"能力的自然延伸"。

2.4 算力基础设施的共享

AI大模型的训练，需要海量的算力。这些算力，用在云端可以训练GPT-5，用在汽车端可以驱动自动驾驶决策系统。

算力芯片的设计能力一旦建立，可以在不同的物理AI终端上部署：

• 云端：大模型预训练
• 数据中心：自动驾驶仿真测试
• 汽车端：量产车型的实时推理
• 机器人端：人形机器人的本地决策

华为昇腾、寒武纪、地平线——这些AI芯片厂商，芯片从云端到汽车到机器人，理论上都可以使用。

当整个社会的算力基础设施建设持续投入，物理 AI的所有终端（汽车、机器人、无人机）都在共享这个基础设施的规模效应。

三、自动驾驶是物理 AI最快速的变现赛道？

3.1 汽车是最大的单一市场

全球汽车年销量约8000-9000万台，中国约2500-3000万台。

一台L3级自动驾驶汽车，对精密减速器、伺服电机、域控制器的需求量，远大于一台人形机器人（假设人形机器人年销量最终达到百万台级别）。

这意味着，汽车产业的规模效应，可以在Physical AI硬件成本下降的过程中，发挥比机器人更大的作用。

成本的快速下降，又会反哺机器人产业的商业化落地。

3.2 汽车产业的支付能力最强

一台售价30万元的中高端智能汽车，可以承受2-3万元的自动驾驶硬件成本（传感器+域控制器+线控底盘）。

一台售价50万元的人形机器人（假设量产初期价格），其目标客户对硬件成本的敏感度远高于汽车。

自动驾驶的高支付意愿，使得相关硬件厂商可以在汽车赛道率先实现盈利，然后用盈利投入机器人赛道的研发。

3.3 法规框架已经初步建立

L3 自动驾驶在全球主要市场已有明确的法规框架：德国的奔驰DRIVE PILOT已实现商业运营，中国的北京、上海、广州已开放L3试点区域。

法规的明确，大幅降低了自动驾驶商业化的政策不确定性。对于投资人来说，这意味着自动驾驶赛道的确定性，远高于尚未有法规支持的人形机器人赛道。

四、物理 AI热潮的真实驱动力与潜在泡沫

4.1 三类驱动力

第一类：真实的产业趋势

传感器成本下降、AI芯片算力跃升、大模型带来的物理理解能力突破——这些是真实发生的技术进步，不可逆。

围绕这些技术进步，自动驾驶的感知系统、决策系统、执行系统都在发生实质性的性能提升和成本下降。这是Physical AI热潮的"基本面"。

第二类：资本市场的正反馈循环

当一个板块持续上涨，基金经理会被迫跟随基准（"不跑输同行"）；当分析师开始密集覆盖，更多资金涌入；当媒体大量报道，公众认知度提升，吸引更多散户资金。

这个正反馈循环，在短期内会放大物理 AI板块的涨幅。但它与产业基本面无关，更多是资金面的现象。

第三类：过度乐观的预期折现

"2026年人形机器人量产"、"2027年L4自动驾驶普及"、"2028年每辆车都装激光雷达"——这些过于乐观的预测，被市场提前折现到股票价格里。

一旦预期落空或延后，股价会面临双杀（估值杀+业绩杀）。

4.2 泡沫的边界在哪里

物理 AI热潮的泡沫，本质上是对远期愿景的过早定价。以自动驾驶为例：

合理的部分：市场对"2030年L3渗透率达到30%"这个趋势进行定价，对应的相关公司PE可以到60-80倍。

泡沫的部分：市场对"2026年L3就达到50%渗透率"进行定价，对应PE到150-200倍。但2026年L3实际渗透率可能只有5-8%。

五、哪条路能率先跑通

5.1 纯视觉路线 vs 多传感器融合路线

特斯拉坚持的纯视觉方案（FSD V12）：只用摄像头，依赖AI算法从2D图像推算3D深度信息。

优势：成本低（不需要激光雷达），算法统一，数据驱动的迭代速度快。

劣势：在极端天气（暴雨、浓雾）和极端场景（强光、逆光）下性能下降明显。

多传感器融合路线（华为、小鹏、百度）：摄像头+激光雷达+毫米波雷达多重冗余。

优势：安全冗余高，各传感器在不同场景下互补。

劣势：成本高，融合算法复杂度大幅提升，不同传感器数据存在一致性问题。

在L3及以下，多传感器融合路线将主导市场。L4以上，纯视觉方案有望凭借数据积累逐步赶超。但两者将长期并存，而非单一路线赢家通吃。

5.2 域控制器集中化 vs 分布式架构

传统汽车电子电气架构是分布式：每个功能（刹车、转向、空调）由独立的ECU控制。

自动驾驶时代，分布式架构的局限性暴露：不同ECU之间需要实时协调，但总线带宽不足以支撑海量数据的实时传输。

域控制器集中化成为趋势：将全车的感知、决策功能集中到2-4个高性能域控制器，通过高速车内网络连接执行器。

对自动驾驶产业的影响：域控制器将成为自动驾驶的核心硬件壁垒。德赛西威、华为等域控制器厂商的战略价值将持续提升。

5.3 高精地图 vs 重感知轻地图

小鹏、华为等国内厂商采用"高精地图优先"路线：依赖高精度地图提供的先验信息，降低实时感知算法压力。

特斯拉坚持"重感知轻地图"：认为依赖高精地图会使系统泛化能力受限，无法应对地图未覆盖的区域。

当前进展：城市NOA（Navigate on Autopilot）在高精地图覆盖的城市进展迅速，但全国范围内的泛化能力仍是挑战。"重感知轻地图"路线在2025-2026年有了重大突破（端到端模型的应用），两种路线的差距在缩小。

六、物理 AI 热潮能否带动

6.1 L3量产渗透率能否在2026-2027年突破10%

这是验证物理 AI+自动驾驶逻辑的最直接指标。

如果2026年L3渗透率超过10%，意味着：消费者愿意为自动驾驶功能付费，主机厂有动力加大投入，传感器和域控制器厂商的订单会持续增长，整个产业链进入正循环。

如果2026年L3渗透率仍低于5%，意味着：消费者对自动驾驶的付费意愿不足，产业链投入会放缓，Physical AI热潮将面临第一次真正的证伪压力。

6.2 端到端算法能否解决长尾场景

自动驾驶最大的技术挑战，不是解决"正常路况怎么开"，而是解决"1%的极端场景怎么开"。

极端场景（corner case）：路上突然出现的塑料袋、前面车辆掉落的货物、穿着特殊服装的行人——这些场景在训练数据中极少出现，但一旦发生可能就是致命事故。

端到端神经网络的一个问题是：它像一个黑盒子，工程师很难解释它为什么做出某个决策。

2025-2026年的关键突破，将是"可解释的端到端"——在保持端到端性能优势的同时，让AI的决策过程可以被人类理解和审计。

6.3 中国能否在车规AI芯片上实现自主可控

美国对华芯片出口管制，已将英伟达H800/A800列入限制名单。

国内自动驾驶厂商能否获得足够的AI芯片算力，直接影响自动驾驶量产节奏。

华为昇腾、寒武纪、地平线等国产AI芯片的性能，与英伟达的差距正在缩小。但在软件生态（CUDA）、制造工艺（5nm以下）上，仍有关键差距需要克服。

七、物理 AI热潮的真实含金量

7.1 哪些是真实的、可持续的

• 传感器成本的持续下降——不可逆，激光雷达、毫米波雷达的普及会持续。

• 端到端AI算法能力的提升——不可逆，大模型的技术进步会持续溢出到自动驾驶领域。

• L3法规框架的建立——不可逆，政策一旦确立，只会越来越完善。

• 精密制造能力的横向迁移——不可逆，中国在精密制造领域的比较优势一旦建立，很难被替代。

7.2 哪些是可能的泡沫

• 对人型机器人量产节奏的过度乐观——量产成本、良品率、消费需求都存在重大不确定性。

• 对L4快速普及的过度乐观——L4的技术成熟度、法规完善、基础设施配套都需要更长时间。

• 对部分高PE公司的过早定价——PE超过150倍的标的，如果业绩增速不及预期，会面临估值回归压力。

物理 AI热潮，有真实的产业基础，不是纯泡沫。

物理 AI：机器人物理 AI：消费芯片的迷雾成

#物理AI