文 | 山自
7 月 20 日，洛杉矶 SIGGRAPH 会场。NVIDIA 的 Neil Ashton 站在台上，身后屏幕亮起四个大字："Physical AI Day"。同一天，Google DeepMind 的 Carolina Parada 对着 WIRED 的镜头说出另一句话：" 这是通往物理 AGI 的里程碑。"
她指的是 Gemini Robotics 2 ——这个能控制人形机器人拧灯泡、系垃圾袋、整理货架的模型。而 NVIDIA 当天扔下的 Cosmos 3 Edge，是一个 40 亿参数的 " 精悍型世界模型 "，能塞进 Jetson Thor 边缘芯片里实时运行，权重、代码、训练配方全部开源。
这不是巧合。这是物理 AI 的历史性拐点。
物理 AI 正在经历一场结构性重估
先上数据，因为数字比任何形容词都诚实。CB Insights 的数据显示，2026 年 Q1，Physical AI & robotics 以 11% 的交易份额领跑所有 AI 细分领域，工业人形机器人开发商和机器人基础模型公司分别拿下交易量的前两位，各 17 笔和 15 笔交易。人形机器人公司 2026 年的融资规模有望达到创纪录的100 亿美元。
2026 年至今，全球物理 AI 领域的公开融资已经达到约73.8 亿美元，超过了 2025 年全年的 37.7 亿美元，更是 2024 年全年 22.4 亿美元的三倍多。中位数融资额从 2025 年的 6100 万美元飙升至1.65 亿美元，72% 的交易都是九位数起步。
这是什么概念？这不是 VC 在投机器人，这是基础设施级别的资本在押注一个新时代。
看看这些名字：Uber 创始人 Travis Kalanick 的 Atoms 拿了17 亿美元，a16z 领投；Figure AI 估值飙到390 亿美元；NEURA Robotics 完成 14 亿美元 C 轮融资，估值 70 亿美元；Mind Robotics 成立仅一年就拿下 4 亿美元 B 轮，估值 34 亿美元。
中国的势头同样凶猛。源自清华大学智能产业研究院（AIR）孵化的求之科技（DISCOVER Robotics）宣布完成1 亿美元天使 + 轮融资，IDG、星连、武岳峰、达晨等联合投资。8 个月内完成三轮天使轮融资的正奇未来，金额达数亿元。资方阵容也颇为亮眼：鼎晖 VGC 投资、线性资本、上汽恒旭、周大福战投，囊括了顶级 VC、车圈产业资本和高端消费产业资本三大类。
智平方 B 轮超 10 亿、星海图两个月拿近 30 亿、生数科技两个月 26 亿…… 2026 年，'AI 新贵们 ' 集体押注世界模型。但最值得关注的变化不是 " 钱多了 "，而是钱的性质变了。
2025 年，物理 AI 市场还是 "formation and experimentation" —— 50% 的交易是首次融资，投的是 " 能不能做出来 "。到了 2026 年，首次融资占比骤降到 8%，92% 的钱都流向了已经证明过自己的公司。投资者的问题从 " 有人能造出物理 AI 吗？" 变成了 "哪家公司能最快把数据、硬件、制造和部署闭环跑起来？"
这不是泡沫。这是平台选择周期。
真实数据瓶颈，物理 AI 的命门
资本的狂热背后，一个被多数人有意无意回避的问题正在浮出水面：真实数据，才是物理 AI 的命门。
Applied Intuition 的 CTO Peter Ludwig 说得直接：物理 AI 比数字 AI 难多了。数字 AI 可以直接抓取互联网公开数据，物理 AI 所需的矿场、农田、港口数据没有公开渠道；数字 AI 出 bug 推个软件更新就行，物理 AI 出 bug 可能死人。
但 Ludwig 没说完的那半句是：即便你有钱、有人、有场景，没有真实数据，一切都是空中楼阁。
真实数据短缺，是当前机器人 / 物理 AI 赛道最核心的痛点与瓶颈。
绝大多数公司的数据尚来自专业采集机构提供的 " 干净数据 " ——在实验室里，工程师把物体摆好、灯光调好、动作设计好，机器人按部就班地完成预设任务。这些数据看起来很美，但有个致命缺陷：它们不包含真实世界的混乱。
真实世界里，外卖车会突然从拐角冲出来，儿童会在机器人面前不可预测地奔跑，地面会有积水和鹅卵石，电梯信号会中断，小型犬会在你脚下绕圈。这些 " 脏数据 " ——包含失败案例、环境干扰、人类意图博弈的数据——才是训练模型泛化能力的核心燃料。
" 完美数据教不出能干活的人形机器人。" 这句话正在成为物理 AI 行业的共识。
Grid Dynamics 与韩国斗山机器人的合作就体现了这一困境。双方试图把物理 AI 软件接入协作机器人，让机器人能够识别变化的物体姿态并根据目标调整抓取策略。但合作声明中特意强调了一点：企业必须明确生产数据的所有权、存储位置和网络安全要求，尤其是在汽车、电子和医药等对工艺信息敏感的行业。
为什么？因为数据就是物理 AI 的石油，而大多数工厂宁愿把数据锁在保险柜里，也不愿分享给机器人公司。
更残酷的是，物理 AI 的数据获取成本是指数级的。数字 AI 训练 GPT-4，可以一次性喂进去整个互联网。物理 AI 训练一个拧螺丝的机器人，需要采集成千上万次 " 拧螺丝 " 的真实动作——每一次都要在真实环境里操作真实物体，失败一次就可能损坏设备。
这意味着什么？意味着物理 AI 的竞争，本质上是 " 谁能以最低成本拿到最多真实交互数据 " 的竞争。 没有数据闭环的公司，模型再漂亮也只是 PPT。
物理 AI 时刻：技术、政策、资本三线并进
如果只看融资数字，可能会以为物理 AI 还是 " 画饼 " 阶段。但过去两周发生的一系列事件，正在把这个饼变成真的。
技术线：大脑正在从云端走向关节
7 月 20 日 NVIDIA SIGGRAPH 的 "Physical AI Day" 上，Cosmos 3 Edge 的发布是一个标志性事件。这不是又一个云端大模型，而是一个 40 亿参数的 " 精悍型世界模型 "，能塞进 Jetson Thor 边缘芯片里实时运行，推理吞吐每秒 28 帧，在 VANTAGE-Bench 视觉理解榜单上拿下同规模模型 TOP1。
这意味着什么？意味着物理 AI 的 " 大脑 " 正在从数据中心走向每一个机器人的关节。 以前你需要一个 DGX 超算集群才能训练机器人，现在一块 Jetson 开发板就能让机器人 " 边跑边思考 "。
同一天，Google DeepMind 发布了 Gemini Robotics 2。这个模型能控制 Apptronik 的 Apollo 2 机器人拧灯泡、系垃圾袋、整理货架——不是预编程的固定动作，而是理解场景后自主规划。Google 的野心很明确：做一个机器人的 "Android 操作系统 "，让所有硬件厂商接入同一个智能层。
政策线：地缘政治的冷风
7 月 28 日，FCC 把 " 外国制造的人形机器人和四足机器人 " 加入了 " 覆盖清单 "（Covered List），意味着新的外国机器人将无法获得进入美国市场的设备授权。虽然没点名，但谁都知道这针对的是谁——中国的人形机器人出货量正在碾压美国。
工信部预计 2026 年全国人形机器人产量将超10 万台，一季度出口同比增长210%。
Unitree 2025 年出货超 5500 台，占据全球约 32% 的市场份额。中国制造商正把数千台人形机器人推入物流中心和工厂，主要目的不是干活，是收集训练数据。
资本线：上市潮来了
7 月底 8 月初，Unitree 的科创板 IPO 启动，募资约 6.22 亿美元，估值 62 亿美元，即将成为全球首家纯人形机器人上市公司。CEO 王兴兴宣布 2026 年计划出货多达2 万台人形机器人，约为 2025 年的四倍。
Agility Robotics 通过 SPAC 上市，估值 25 亿美元，其 Digit 机器人已累积超 65000 小时的运行数据，手握超 3 亿美元多年订单。
物理 AI 公司正在从 " 一级市场的宠儿 " 变成 " 二级市场的标的 " ——这通常是一个技术赛道从 " 概念验证 " 走向 " 商业验证 " 的分水岭。
从 Token 到 Action：两条路线的分野与合流
如果把 AI 比作一场攀登 AGI 的远征，2026 年的行业已经悄然分出了两条关键路径。
第一条路径是 "Token" ——数字世界的认知登顶。 代表是 Kimi K3、GPT-5、Claude Opus 5。它们解决的是理解、推理、编码和智能体任务。拼的是参数规模、上下文窗口、代码能力。这条路的头部格局已经日趋稳定：OpenAI、Anthropic、Kimi、智谱各自占据了生态位。
Token 决定 AI 能想多远，Action 决定 AI 能走多实。
但这两条路不是平行线，它们在加速合流。
Google 的 Gemini Robotics 2 本质上就是一个 VLA（视觉 - 语言 - 动作）模型——它把语言模型的理解能力和动作模型的执行能力缝合在了一起。NVIDIA 的 Cosmos 3 Edge 也是世界模型与动作模型的融合，让机器人能够 " 边感知、边决策、边调整 "。
未来的物理 AI，不会是一个 " 会动的 ChatGPT"，而是一个 " 有身体的 AGI"。 它既能理解 " 把桌上的可乐放进冰箱 " 这个自然语言指令，又能自主拆解成 " 抓取→移动→开门→放入→关门 " 的子任务，还能在过程中实时应对 " 冰箱门被挡住了 " 这种突发干扰。
这才是真正的 " 从 Token 到 Action"。
谁在 " 干活 "，谁在 " 画饼 "？
但是，别急着开香槟。
Mobileye 创始人 Amnon Shashua 在 CES 上被问到 " 人形机器人是不是都是炒作 " 时，他的回答很精彩：" 互联网也曾是炒作，2000 年互联网危机。但这不意味着互联网不是真实的东西。炒作意味着公司在某个时期被高估，然后崩盘。它不意味着这个领域不是真实的。"
物理 AI 现在正处于 " 被高估 " 的阶段。绝大多数公司还在卖路线图，而不是卖产品。
特斯拉 Q2 财报后，Oppenheimer 的分析师 Colin Rusch 直言：" 没看到特斯拉转向物理 AI 有什么实质性成果。"Optimus 的生产线 7 月中旬还没启动，马斯克自己都说早期产量会 " 极其缓慢 "。
但与此同时，真正在 " 干活 " 的公司已经开始产生真实数据了。
Figure 03 的交付数据很说明问题：2026 年 2 月至 4 月，出货量逐月翻倍—— 60 台、120 台、240 台；4 月底累计交付 350+ 台，生产速率从每天 1 台提升到每小时 1 台。5 月，Figure 完成了一场 200 小时连续自主分拣包裹的直播，8 小时内分拣 12732 个包裹，仅以微弱劣势输给一名人类实习生。6 月，Figure 03 进驻宝马集团斯帕坦堡工厂，进行物流排序作业。
比亚迪官方确认其人形机器人将于 8 月正式亮相，计划部署于经销商网络用于客户接待与产品演示；小鹏汽车在广州工厂启动小批量试生产，规划 2026 年第四季度量产。
Airbus 在用优必选 Walker S2 进行航空制造，宝马在德国产线上部署人形机器人，Boston Dynamics 的 Atlas 今年将进入 Hyundai 工厂。
关键区别在这里：有些公司在 " 演示 "，有些公司在 " 干活 "。 而物理 AI 的竞争，最终是数据闭环的竞争——谁能更低成本、更高密度地拿到真实世界的交互数据，谁就能跑得更快。
2030 年预测：物理 AI 商业落地的五阶段爆发
好了，说了这么多现状，该做预测了。物理 AI 不会在某一天突然 " 爆发 "，它会像潮水一样，一波一波地漫过不同的海岸线。以下是到 2030 年的五阶段推演：
关键词：工厂、仓库、危险环境
物理 AI 的第一个大规模落地场景，不是你家客厅，而是工厂产线和物流仓库。原因很简单：这些环境结构化、任务明确、ROI 可量化，且劳动力缺口真实存在。
宝马、Airbus、宁德时代已经在用人形机器人做检测和分拣。2026-2027 年，我们会看到更多 " 机器人进工厂 " 的试点变成常态。PwC Strategy& 预测，全球物理 AI 市场到 2030 年将达到约4300 亿欧元。
SNS Insider 的预测更保守但同样可观：2025 年物理 AI 市场 52.3 亿美元，2035 年将达 874.3 亿美元，CAGR 32.53%。
预计全球工业场景部署的人形机器人将从 2026 年的约 5 万台增长到 2027 年的20 万台 但这一阶段的核心瓶颈是可靠性。工厂可以接受机器人慢，但不能接受它砸坏一条产线。所以 " 安全 " 和 " 可预测性 " 比 " 智能 " 更重要。 关键词：零售、餐饮、酒店、养老 当工业场景跑通了数据闭环和商业模式，物理 AI 会开始向商业服务场景渗透。 零售门店的补货、清洁、引导；餐饮后厨的简单备餐；酒店的行李搬运和客房服务；养老机构的辅助陪护——这些场景的共同点是需要 " 人在回路 "（human-in-the-loop），不需要 100% 自主，但需要足够便宜。 预计 2028 年，全球商业服务机器人部署量将达到50 万台。价格门槛是关键：Unitree 已经把入门级人形机器人打到 1.35 万美元，特斯拉 Optimus 的目标价是 2-3 万美元。 当价格跌破 2 万美元，商业场景的 TCO（总拥有成本）就会低于人类员工。 关键词：家务、陪伴、照护 家庭是物理 AI 的 " 圣杯 "，也是最难啃的骨头。 1X Technologies 的 NEO 已经开了约 10000 台预购，售价 2 万美元或月租 499 美元，承诺 2026 年底开始交付。 但家庭场景的问题是：环境极度非结构化、安全要求极高、用户容忍度极低。 预计 2029 年，家庭场景会出现第一批 " 真 · 有用 " 的消费级人形机器人——不是扫地机器人换个壳，而是能完成 " 整理房间 "" 准备简单餐食 "" 辅助老人起居 " 等复合任务的设备。但渗透率会很低，全球可能在5-10 万台级别。 真正的家庭爆发要等到 2030 年以后。 关键词：多机器人协同、跨场景调度、物理 AI 操作系统 到 2030 年，物理 AI 最大的变化不是 " 单个机器人更聪明了 "，而是多个机器人、多种设备、多个场景开始被同一个智能层编排。 NVIDIA 的 Cosmos、Google 的 Gemini Robotics ——这些 " 机器人基础模型 " 正在演变成一个物理世界的操作系统。它们不再控制单一设备，而是协调工厂里的机器人、AGV、机械臂、传感器，甚至跨工厂、跨仓库、跨门店统一调度。 Applied Intuition 的 Dana 平台、Whale 的 AIOS（管理 60 万个边缘 AI 节点）都是这个方向。物理 AI 的编排层 " 是长期最大的赌注—— AI 系统正在从控制单个机器人，演变为协调机器人、工厂设备和互联工作流程。 预计 2030 年，" 物理 AI 编排层 " 将成为一个千亿级美元的市场——比卖机器人本体更赚钱。 关键词：成本拐点、生态锁定、社会接受度 2030 年，物理 AI 将迎来它的 "iPhone 时刻 " ——不是某一款产品突然改变世界，而是成本、性能、生态、社会接受度四条曲线同时越过拐点。 成本上，人形机器人 BOM 成本可能跌破5000 美元（受益于中国供应链规模效应和专用芯片成熟）。性能上，VLA 模型的泛化能力将接近 " 一个模型管所有家务 "。生态上，Google 的 " 机器人 Android" 或 NVIDIA 的 Cosmos 生态将形成开发者锁定。社会接受度上，00 后将成为第一批 " 和机器人一起长大 " 的劳动力和消费者。 花旗的预测给出了一个更宏大的图景：到 2035 年，全球人形机器人数量将达到1300 万台， caregiving 机器人 1800 万台，送餐机器人 1100 万台，加上自动驾驶车辆和清洁机器人，各类物理 AI 设备总量将超过13 亿台。 到 2030 年底，全球物理 AI 相关设备的部署总量可能达到500 万台，催生一个万亿美元级别的新市场。 从数字到物理 过去十年，AI 的叙事是 " 智力革命 "：AlphaGo 击败李世石、GPT-4 通过律师考试、Kimi K3 登顶编程榜。这些都很了不起，但它们发生在数字世界。 未来十年，AI 的叙事将是" 生产力革命 "：机器人进工厂、进仓库、进家庭，在真实世界里完成真实任务，创造真实 GDP。 人形机器人的领域是真实的，物理 AI 将是未来 4-5 年发展最快的 AI 领域。数字 AI 的边际收益正在递减，物理 AI 的边际收益才刚刚开始。 2030 年回望今天，我们可能会发现：2026 年，就是物理 AI 的 "1995 年时刻 " ——互联网泡沫还在酝酿，但万维网已经改变了世界。物理 AI 的泡沫或许也会来，但物理 AI 改变世界这件事，已经不可逆了。
