昨晚，美光科技交出了一份刷新历史的季度财报。2026 财年第三财季，公司总收入达 415 亿美元，同比暴增 346%，Non-GAAP 综合毛利率飙升至 84.9%，连续第五个季度创下收入新高。
但比起亮眼的业绩数字，财报电话会上一个被多数人忽略的判断，更值得整个科技行业关注：AI 带来的存储需求远不止数据中心，接下来将向手机、PC、消费电子、汽车、工业、机器人全场景延伸，其中人形机器人、高阶自动驾驶将开启长达数十年的存储增量周期。
美光给出了一组直观的对比：L2 + 及以上自动驾驶车辆的内存与存储容量，是普通汽车的 5 倍以上；而人形机器人的存储容量，大约是 L2 + 自动驾驶车辆的 10 倍。按照其预判，从 2020 年代后半段开始，相关市场将进入大规模增长阶段，周期长达数十年。
一家靠数据中心 AI 需求起飞的存储巨头，开始大谈机器人与自动驾驶，背后藏着整个 AI 产业的叙事转向：产业链已经不满足于 “模型越大、GPU 越多、HBM 越紧” 的数字 AI 故事，正在将下一个十年甚至数十年的增长锚点，转向物理 AI。
物理 AI 的 ChatGPT 时刻正在到来
今年 1 月 CES 上，黄仁勋曾断言 “物理 AI 的 ChatGPT 时刻已经到来”。这句话虽有营销色彩，但趋势正在真实落地：Waymo 自动驾驶在 2025 年底实现每周 45 万次付费出行；亚马逊在 2025 年 6 月部署了第 100 万台仓储机器人，支撑起全球 75% 的订单配送量。
和停留在数字世界的大模型不同，物理 AI 要解决的核心问题是：在充满不确定性的真实环境里，让机器自主判断下一步动作。它的载体是自动驾驶汽车、工业机器人、人形机器人，所有需要 AI 直接操作物理世界的场景，都属于它的版图。
更重要的是，这是一次经济规模的量级跃升。当 AI 从办公、内容创作的数字化场景，走向汽车、工厂、仓库、能源、医疗、家庭，它对接的将是体量庞大的实体经济。据 Future Markets 测算，全球物理 AI 市场规模将从 2026 年的 3830 亿美元，增长至 2040 年的 3.26 万亿美元，成为史上规模最大的技术扩张浪潮之一。
德意志银行判断，2026 年正是行业分水岭：自动驾驶从测试走向规模化落地，人形机器人从实验室步入小规模量产。这也是为什么科技巨头集体调转方向，为 AI 产业链寻找第二条增长曲线。
产业链重构：从云端到物理世界的三层地震
物理 AI 的普及，不只是新增了几个应用场景，更会在现有 AI 产业链之外，催生出全新的需求与价值环节，重构整个产业的价值分配。
芯片与存储：从云端集中式到端侧分布式
短期来看，物理 AI 依然会承接现有产业链的红利 —— 模型训练需要 GPU、HBM，云端推理需要数据中心，这些和大模型时代并无二致。
但长期来看，物理 AI 会催生全新的端侧硬件需求。和数据中心芯片不同，机器人本体的 AI 芯片需要满足低功耗、低延迟、抗震动、强散热、长期稳定运行的要求，同时要接入摄像头、雷达、触觉传感器、电机控制系统等多元外设。英伟达 Jetson Thor、高通 Dragonwing IQ10、AMD 嵌入式方案、Arm 边缘架构，都将成为这条新赛道的核心玩家。
存储的逻辑更是被彻底改写。大模型时代，存储需求集中在云端训练侧；而人形机器人本质是一个移动的多传感器 AI 系统，视频流、环境地图、运动轨迹、本地模型、任务记忆、传感器数据、控制日志，全部需要本地存储与实时处理。低功耗、高带宽、高可靠性的端侧存储，将成为物理 AI 时代最重要的增量市场，这也是美光判断 “长达数十年需求周期” 的核心依据。
模型与软件：从语言模型到世界模型
大模型输出的是文本 Token，物理 AI 输出的是动作 Action—— 这一本质差异，重新定义了软件市场的边界。
物理 AI 的技术底座不再是语言模型，而是世界模型：把物理世界的运行规律压缩进模型参数，让 AI 具备对空间、运动、因果关系的理解能力。在此之上，还需要抓取模型、导航模型、操作模型、安全模型，以及机器人操作系统、远程运维、OTA 升级、集群学习平台等一整套软件体系。
这条赛道已经从概念走向落地：阿里巴巴推出具身智能 Qwen-Robot 系列模型，覆盖导航、操作、物理模拟三大方向；英伟达发布人形机器人基础模型 Isaac GR00T，支持推理、学习与多任务行为。未来机器人厂商无需从零搭建每一层技术，直接采购成熟模型与平台即可，这将诞生一个规模不亚于当前 SaaS 市场的全新赛道。
平台与仿真：物理 AI 的 “CUDA 时刻”
物理 AI 要规模化落地，前提是仿真能力的规模化。机器人需要知道杯子的重量、湿滑地面的摩擦系数、光照变化对视觉的影响 —— 这些知识无法从文本中获取，必须靠海量真实动作数据积累，在虚拟仿真环境中跑通数百万次场景，再把训练好的能力迁移到真实硬件。
这催生出了全新的产品品类：物理 AI 开发、仿真、部署与验证平台。英伟达正在把这套工具链打造成下一个 “CUDA”，将 Isaac（机器人开发仿真）、Omniverse（数字孪生）、Cosmos（世界模型）、GR00T（人形机器人基础模型）四大产品打通，形成完整的物理 AI 基础设施。目前宝马、奔驰等车企已经在用 Omniverse 搭建工厂数字孪生，实现柔性生产与预测性维护。
当这套平台成为训练物理 AI 的必经之路，英伟达的角色就从 GPU 供应商，变成了物理 AI 时代的操作系统入口。
上游的技术变革最终会传导到实体产业：三星宣布 2030 年前将全球制造体系转向 AI 驱动工厂；卡特彼勒用数字孪生做预测性维护与生产调度。这些真实的资本开支转向，意味着一整套生产基础设施的价值将被重新定价。
物理 AI 真正的野心，不是给 AI 多添一个应用场景，而是让 AI 第一次直接对接 GDP 中的实体经济部分。当汽车从交通工具变成自动驾驶机器人，当工厂从自动化产线变成具身智能协同网络，整个制造业的估值逻辑都会被彻底重写。
最先赚钱的，还是 “卖铲子” 的人
如果物理 AI 成为下一轮产业主线，谁会最先吃到红利？很多人的第一反应是机器人公司，但历史经验告诉我们：技术革命初期，最先赚钱的从来不是应用公司，而是 “卖铲子” 的基础设施厂商。
大模型浪潮里，最先兑现业绩的不是 OpenAI、谷歌等模型公司，而是英伟达、台积电、美光、SK 海力士这类上游企业。物理 AI 也会遵循同样的规律：在机器人大规模进入工厂、家庭之前，厂商需要先投入资金训练模型、搭建仿真环境、采集真实数据、采购边缘芯片与存储、搭建运维体系，反复测试安全与稳定性。
所以物理 AI 的早期阶段，最先受益的不是机器人本体公司，而是为整个时代提供基础设施的厂商。只不过这一次的 “铲子” 比大模型时代更复杂，是一套从云端到本体、从仿真到执行、从模型到控制的完整体系。
美光在财报里大谈机器人，价值正在于此：它是产业链传导链上最早感知到需求变化的一环，信号比机器人本体出货量早了至少一两个财报周期。一旦这条传导逻辑成立，物理 AI 就不再只是一个机器人概念，而是整个 AI 产业链的新一轮扩张。
免责声明：本文章来源公众号世界模型工厂,版权归属原作者所有！转载出于传递更多信息和学习之目的，如觉侵权，可回复本平台我们会尽快处理删除。另外，欢迎朋友们推荐或者投稿文章给本微信公众号。
关注抖音【靓哥聊创业】
抖音号｜54707203975
保存二维码打开抖音扫一扫
