物理 AI 正在把人工智能从“屏幕里的认知工具”推向“物理世界里的执行主体”，人形机器人和智能汽车是它最直接的两个载体，而算力则会因为需求从“训练集中式”向“推理分布式”迁移，迎来一轮结构性、而非简单线性的扩张。

物理 AI：把“理解世界”变成“动手做事”

物理 AI 的核心，是让模型理解物理规律，并在真实环境中完成“感知—决策—执行—反馈”的闭环。英伟达将其定义为“使用运动技能理解现实世界并与之交互的模型”，典型封装形式就是机器人和自动驾驶汽车。具身智能是物理 AI 的重要载体，物理 AI 是落地具身智能的核心技术路径，二者一体两面。

物理 AI 正从概念走向落地，数据、模型、本体及零部件、应用等全产业链环节都有望受益，OpenAI 等模型公司自研人形机器人会加速这一进程。这意味着机会不只在下游整机，上游的仿真数据、物理引擎、传感器、执行器、边缘芯片都会同步被拉动。

人形机器人：从“主题”走向“产业”，机会在“智能化能力”

2026 年被多家机构视为人形机器人 0→1 跨越的关键节点，竞争焦点正从硬件本体向智能化能力转移。国联民生证券概括得更具体：产业进入“标准体系完善、产品价格下探、资本持续加码”三重驱动阶段，2026 年有望成为垂类应用大年，而具身智能大脑、世界模型、机器人操作智能是结构性机会所在。

产业链上值得关注的环节包括：

· 模型与数据层：物理 AI 的训练高度依赖合成数据和仿真环境。没有仿真基础设施，机器人无法安全训练；没有合成数据平台，训练数据量就上不去。世界模型的质量直接决定物理 AI 的进化速度。

· 本体与零部件：中国在旋转关节、直线关节等零部件供应链上有扎实基础，软硬结合是本轮机器人产业中的差异化优势。

· 算力“大脑”：人形机器人的端侧 AI 加速器是增量最陡峭的细分方向之一。Counterpoint 预计 2026—2030 年全球人形机器人 AI 加速器出货量 CAGR 高达 144%，到 2030 年累计出货突破 100 万台；GPU 短期仍是主流，但 ASIC 在快速崛起，特斯拉、小鹏等车企正把汽车自研芯片能力迁移到机器人产品线。

智能汽车：物理 AI 最先规模化的载体

相比人形机器人，智能汽车在物理 AI 的落地节奏上更靠前。2026 年上半年，L2 级辅助驾驶乘用车新车渗透率已突破 70%，首批 L3 级车型已在特定区域上路试点；预计 2030 年 L3 渗透率将超过 35%。

自动驾驶的产业链机会沿着两条线展开：

一是车端算力升级。 高级别自动驾驶无法靠单车单一方案实现，AI 与网联化是两大核心驱动力，而释放 AI 价值的前提是“算力协同、数据标准协同”。大算力智驾芯片、舱驾融合芯片持续迭代，国产高性能 SoC 正在进入规模化上车周期。自动驾驶 SoC 产业规模到 2030 年有望达到 520 亿美元，单车算力需求从当前的 200 TOPS 级别向 1000 TOPS 以上跃升。

二是车路云一体化带来的系统性算力需求。 这不仅是“车端堆芯片”，而是云端训练算力、路侧边缘算力、车端推理算力的三层协同。云端负责仿真训练和模型迭代，路侧负责协同感知，车端负责实时决策。受益的不只是芯片公司，还包括传感器、软件、测试评价以及算力基础设施提供商。

算力行业：物理 AI 带来的不是“简单的更大”，而是“结构性更重”

物理 AI 会不会让算力行业大规模增长？ 方向上是会的，但增长的结构比总量更重要。

第一，算力需求的重心正在从训练转向推理。 德勤预计全球推理负载占 AI 算力的比例将从 2023 年的约 1/3 提升至 2026 年的约 2/3，长期有望超过 80%；未来推理算力与训练算力之比可能达到 3:1 甚至更高。物理 AI 的每一次机器人动作、每一次自动驾驶决策，本质上都是端侧或边缘侧的推理任务，而且是持续、低延迟、分布式的推理。

第二，边缘算力是物理 AI 增量最集中的环节。 2024—2030 年全球云端、边缘及端侧 AI 推理芯片市场整体 CAGR 约 31%，其中边缘推理芯片的 CAGR 高达 42.2%，显著快于云端和端侧。机器人不能把每一个动作都传回云端再等回应，自动驾驶更不能容忍毫秒级以上的回传延迟。物理 AI 的“身体”在哪里，算力就必须下沉到哪里。

第三，物理 AI 基础设施本身正在成为一个独立的高增长赛道。 全球物理 AI 基础设施市场（涵盖 GPU 集群、AI 加速器、合成数据平台、仿真基础设施、高速互联和边缘网络）2025 年规模约 134.5 亿美元，预计 2035 年达到 3026.9 亿美元，2026—2035 年 CAGR 36.53%，计算基础设施是其中支出体量最大的板块。更广义地看，高盛预估 2026—2031 年全球围绕算力、数据中心和电力的 AI 资本开支将达到 7.6 万亿美元。

第四，芯片架构会从 GPU“单极主导”走向多元化共存。 人形机器人和自动驾驶对功耗、散热、实时性的约束，会推动 ASIC、SoC 等专用架构在端侧的价值上升；但在云端训练和复杂具身模型开发上，GPU 的全栈生态短期内仍难以替代。这意味着算力机会不是只属于一类芯片，而是分布在“云—边—端”不同层级、不同架构上的组合式机会。

总结来说，物理 AI 让算力从“集中式的智力基础设施”变成“嵌入物理世界的分布式基础设施”。人形机器人和智能汽车是需求最确定的两条落地主线，而算力行业的大规模增长，将更多来自推理算力的持续膨胀和边缘算力的爆发，而非训练算力的简单线性外推。 物理 AI 基础设施 36% 以上的中长期复合增速，以及边缘推理芯片 42% 的复合增速，已经在一定程度上为这个判断提供了量化锚点。