洞察 AI 行业的下一阶段变迁，最好的切入点仍然是 NVIDIA（英伟达，NVDA）。英伟达已经不再只是 GPU（图形处理器）公司，而是在用财报口径、产品路线、合作伙伴生态和开发者平台，重新定义 AI 基础设施的边界。
英伟达最新财报已将公司业务重新划分为两大市场平台：Data Center（数据中心）与 Edge Computing（边缘计算）。前者对应 AI 的训练、推理、云端部署与 AI Factory（AI 工厂），后者对应 AI 进入真实世界后的设备端、机器人、汽车、工作站、PC、游戏主机与 AI-RAN（AI 原生无线接入网）基站。
在 Edge Computing 之下，英伟达的布局可以进一步拆成五条主线：机器人 / Physical AI（物理 AI）、汽车 / Autonomous Machines（自主机器）、AI-RAN / 6G 边缘网络、Vision AI（视觉 AI）/ 视频智能体、AI PC / Workstation（工作站）/ 本地智能体。本系列第一篇先看 Physical AI。
Physical AI 的第一波商业兑现，未必从家庭人形机器人开始，而更可能先发生在工厂、仓库、半导体产线、电子制造和医疗机器人等企业场景。人形机器人负责长期想象空间，工业 Physical AI 负责短中期 ROI 验证。
NVIDIA（英伟达）在 Physical AI 中的角色，不只是提供 GPU，而是通过 DGX（训练计算机）、Omniverse（数字孪生与仿真平台）、Cosmos（世界模型平台）、Isaac（机器人开发平台）、GR00T（机器人基础模型）和 Jetson Thor（机器人端侧计算平台），构建从训练、仿真到真实部署的完整技术栈。
Jetson Thor 是这条链的端侧关键。英伟达官方资料显示，Jetson Thor 最高提供 2070 FP4 TFLOPS AI 算力、128GB 内存，功耗范围 40W 至 130W，AI 算力较 AGX Orin 提升 7.5 倍，能效提升 3.5 倍。其意义在于让机器人在本体上处理摄像头、传感器、语言指令、地图、路径规划和动作控制。
Physical AI 不能只看人形机器人。更成熟的路线，是工业 Physical AI（工业物理 AI）：工厂数字孪生、工业机器人训练、自动叉车、电子制造、半导体产线和仓储物流。工业场景边界更清晰，客户预算更明确，ROI 更容易用人工节省、良率提升、停线减少和周转效率计算。
ABB（ABB，ABB）与 NVIDIA（英伟达）合作，把 Omniverse 用于工业机器人虚拟训练，目标是缩小机器人在虚拟仿真与真实工厂中的表现差距。Reuters 报道称，该系统将集成到 ABB 的机器人控制软件中，预计 2026 年下半年推出，Foxconn（鸿海 / 富士康，2317.TW）已经试点该技术，用于此前因阴影影响机器人视觉而较难完成的消费电子装配任务。
KION Group（凯傲集团，KGX.DE）与 NVIDIA（英伟达）、Accenture（埃森哲，ACN）推进自主仓储方案，用 Omniverse 构建物理准确的仓库 Digital Twin（数字孪生），训练和测试基于 Jetson 的自动叉车，并面向 GXO Logistics（GXO 物流，GXO）等物流客户推进应用。这个案例说明，仓储物流可能是 Physical AI 最先算清经济账的场景之一。
工业 Physical AI 更接近短中期收入兑现。它不是等待家庭机器人普及，而是先进入汽车制造、电子制造、半导体产线、仓库和自动叉车场景。
人形机器人代表 Physical AI 的长期弹性。它的核心价值不是“长得像人”，而是能否在真实场景中连续、稳定、低成本完成任务。
Figure AI（非上市）是人形机器人创业公司。2024 年，Figure 完成 6.75 亿美元融资，Microsoft（微软）、NVIDIA（英伟达）、OpenAI Startup Fund、Amazon Industrial Innovation Fund、Jeff Bezos 等参与投资，融资后估值约 26 亿美元。Figure 的案例说明，英伟达既通过平台赋能，也通过投资方式卡位人形机器人整机公司。
近期 Figure 进行了包裹分拣连续作业展示。Business Insider 报道称，Figure 机器人与一名实习生进行 10 小时包裹分拣比赛，人类最终分拣 12,924 件，比机器人多约 192 件；人类平均每件 2.79 秒，机器人约 2.83 秒。这组数据不能说明机器人已经超过人类。相反，它说明 Figure 机器人在一个受控、重复、边界清晰的包裹分拣任务中，速度已经接近人工，但仍未胜出。
该案例真正的价值在于：人形机器人开始进入连续作业、长时间运行、单位任务耗时、错误率和人工介入程度等可量化指标的验证阶段。同时需要注意，报道中也提到，机器人专家认为该技术距离真实物流中心的完全自主部署仍有距离，原因包括条码朝向错误、包裹处理失误等准确性问题。因此，Figure 案例更适合作为“连续作业验证样本”，而不是“人形机器人已经商业成熟”的证据。
Tesla（特斯拉，TSLA）的 Optimus（擎天柱）代表另一条路线：整机公司自研 AI、芯片、数据、制造和应用场景的垂直整合路线。Optimus 不属于英伟达典型生态样板，但它是 Physical AI 中最重要的整机变量之一。
AP 报道称，Tesla 中国负责人认为上海工厂可能帮助解决人形机器人大规模量产挑战；同篇报道还提到 Tesla 2025 年智能机器人出货量低于 500 台，说明 Optimus 仍处于早期部署阶段。Reuters 此前也报道过，马斯克曾表示 Tesla 计划先将 Optimus 用于公司内部，再逐步扩大生产。
| 维度 | Figure AI | Tesla Optimus |
|---|---|---|
| 路线 | 创业公司人形机器人，融资生态强，强调 VLA 与连续作业验证 | 特斯拉内部战略项目，强调 AI、制造、数据和工厂场景垂直整合 |
| 与英伟达关系 | 英伟达为投资方之一；Figure 机器人曾采用 NVIDIA GPU 相关端侧算力路线 | 不属于英伟达典型合作样板，更偏自研与垂直整合 |
| 代表案例 | 包裹分拣连续作业，接近人工速度但未超过人工；仍需验证准确率与完全自主程度 | 自家工厂训练与内部部署，长期目标是量产与多场景应用 |
Physical AI 的投资机会不能只看整机。更完整的框架应拆成平台层、工业自动化层、运动控制层、机器视觉层、工业软件层和应用场景层。
不管哪家机器人整机胜出，训练、仿真、端侧推理与开发生态都可能继续向英伟达集中。
工厂和仓库场景边界清晰、ROI 清楚，是 Physical AI 最可能率先产生订单的领域。
减速器、伺服、电机、线性运动、传感器和执行器，是机器人从演示走向量产的物理基础。
下表采用 Kerwin 当前跟踪口径。YTD 为年初至今涨跌幅，FPE 为 Forward P/E（预期市盈率），毛利率用于衡量商业模式与定价能力。高估值不一定意味着泡沫，但需要后续订单、收入增速和利润率兑现配合。
| 赛道 | 代码 | 公司 | YTD | FPE | 毛利率 |
|---|---|---|---|---|---|
| 平台税 | NVDA | NVIDIA（英伟达） | +14.0% | 17.0 | 74.1% |
| 整机 | 6954.T | Fanuc（发那科） | +36.7% | 49.3 | 38.3% |
| 整机 | 6506.T | Yaskawa（安川电机） | +52.7% | 36.8 | 35.3% |
| 自动化 | ABB.ST | ABB | +46.6% | 37.9 | 40.4% |
| 协作 | TER | Teradyne（泰瑞达） | +72.8% | 37.7 | 58.7% |
| RV减速 | 6268.T | Nabtesco（纳博特斯克） | +50.6% | 53.5 | 31.1% |
| 谐波 | 6324.T | Harmonic（哈默纳科） | +104.1% | 103.3 | 30.4% |
| 线性 | 6481.T | THK | +87.6% | 38.8 | 30.4% |
| 气动 | 6273.T | SMC | +17.1% | 20.3 | 45.3% |
| 视觉 | 6861.T | Keyence（基恩士） | +38.6% | 42.3 | 83.0% |
| 控制 | 6645.T | Omron（欧姆龙） | +43.9% | 21.0 | 45.7% |
| 软件 | SIE.DE | Siemens（西门子） | +13.8% | 21.1 | 38.8% |
当前机器人链条已经出现明显分化：Harmonic、THK、Teradyne 等弹性标的 YTD 涨幅较高，说明市场已经提前交易人形机器人与工业自动化复苏；SMC、Omron、Siemens 的估值相对克制，更偏稳健工业自动化和软件底座。Keyence 毛利率明显高于其他硬件链公司，体现其传感与检测设备的高定价能力。
第一，英伟达财报已经设立 Edge Computing 口径，但 Physical AI / 机器人收入仍未单独披露，当前更多是战略布局和混合收入贡献。
第二，人形机器人从连续演示到大规模商业部署仍有差距，真实自主程度、错误率、维护成本、充电换班、量产良率和安全责任都需要验证。
第三，机器人运动链今年以来部分日本标的已明显上涨，估值可能提前反映人形机器人叙事，后续需要订单、毛利率和产能利用率确认。
Physical AI 是 Edge Computing 五大方向中最能体现 AI 从数据中心进入现实世界的主线。它不是单纯的人形机器人主题，而是由英伟达平台层、工业自动化、运动控制、机器视觉、工业软件和应用场景共同构成的产业链。
工业 Physical AI 更接近短中期商业兑现，人形机器人提供长期想象空间。英伟达给出平台路线，ABB + Foxconn 和 KION + GXO 给出工业场景样本，Figure 和 Optimus 给出人形机器人路线样本。未来真正的投资机会，将出现在三者交汇的位置：AI 大脑足够强，机器人身体足够稳定，应用场景能够算清经济账。