我是池池，每天给大家带来最新动态 ，内容随缘更，每篇都掏干货；如果你觉得这些信息对生活有用，就点个关注～
最近一两年，整个科技赛道出现一条非常清晰的主线，物理 AI，也就是大家常听到的具身智能，正在快速和人形机器人产业深度绑定。很多人看这个赛道，习惯简单拆成两块：一边是做模型、做算法的软件团队，另一边是做电机、减速器的硬件厂商。但真正值得留意的一批企业，走的是双向布局路线，一边打磨智能模型、仿真系统，一边深耕实体硬件，软硬件两条腿同步往前走，而不是只押注单一环节。

所谓双向布局，通俗来讲，就是一家公司既看得懂机器人的“大脑”，也能搞定机器人的“身体”。单纯做算法的团队，很容易卡在硬件适配环节，模型再好，装到实体设备上就会出现延迟、控制失效的问题；只生产零部件的制造企业，如果不懂物理 AI 的底层逻辑，做出来的硬件很难适配新一代智能模型，长期只能停留在传统自动化设备赛道，拿不到新的增量红利。
今天这篇文章，我们就把视角放在已经完成双向布局的企业。一共梳理出七家，每一家的布局思路、技术路线、核心壁垒，全部基于公开调研纪要、企业公告、行业研报来客观拆解，不带夸大，不做短线价格预判，完整讲清楚物理 AI 叠加机器人这条赛道，产业逻辑到底是什么，不同企业各自卡在什么位置，长期成长的看点又在哪里。
一、先把底层逻辑讲透：物理 AI 和机器人为什么必须绑定
很多人听过物理 AI，但很难理解，为什么它是人形机器人绕不开的核心。传统工业机器人，本质上就是一套提前写死的程序。工程师提前设置好所有动作，设备只能在固定位置、固定环境，重复完成同一个操作。一旦环境出现微小变化，比如工件摆放偏移，地面出现杂物，这套设备直接报错停机，没有自主调整的能力。
物理 AI 的核心，就是教会机器看懂真实世界的物理规则。物体多重、摩擦力多大、抓取需要多大力度、摔倒之后怎么平衡，全部交给模型自主判断。想要实现这套能力，机器人就必须形成闭环：传感器采集环境数据，端侧模型快速完成推理，再把指令下发给电机、关节，驱动实体完成动作。整套流程必须在极短时间之内完成，如果中间任何一环脱节，机器人就没有办法稳定完成任务。
这也就解释了，为什么单向布局很容易遇到瓶颈。软件团队如果没有自研硬件的能力，在调试的时候就会处处受限，芯片算力、传感器精度、关节响应速度，全部要依赖外部供应商，迭代速度被别人牵着走。反过来，如果硬件厂商不懂物理世界模型，设计关节、控制器的时候，就不知道新一代模型对延迟、功耗、采样频率提出了什么样的要求，最后造出来的硬件，只能适配老一代自动化方案，很难跟上具身智能的升级节奏。
所以，最理想的发展路径，就是双向布局，打通仿真、模型、算力、感知、执行部件整条链路。从虚拟世界的仿真训练，到实体机器人落地，整套体系内部打通，模型迭代和硬件迭代同步推进，互相优化。这也是全球头部科技企业共同选择的路线。不管是海外巨头，还是国内的创新企业，都在朝着一体化的方向推进。
二、七家双向布局企业，完整拆解
下面我们依次来看这七家企业，每一家的赛道定位、双向布局的路径、核心优势，以及现阶段面临的挑战，全部客观说明。
第一家：汇川技术
汇川技术，最早扎根工业自动化，伺服电机、控制器是它的基本盘。很多人只知道它是工业电控龙头，却很少留意，它很早就在同时布局机器人控制算法与硬件整机。这就是典型的双向布局。
硬件层面，汇川的伺服电机、运动控制器，已经大量用在工业机械臂上。面向新一代人形机器人，公司专门开发适配具身智能场景的小型伺服模组，兼顾扭矩输出、体积大小和功耗。机器人想要平稳行走、灵活抓取，每一个关节都需要高精度的电机驱动，运动控制器负责把上层模型输出的指令，转换成每一个关节的转动角度。如果控制器本身就是自家研发，模型下发指令的时候，延迟就可以压到最低。
软件层面，汇川持续投入机器人控制算法、运动规划库的研发。它不是做大通用的大语言模型，而是聚焦运动控制模型，专门解决机器人如何平稳行走、如何完成复杂动作。对于物理 AI 来说，运动控制模型，是连接通用大模型和实体硬件之间最关键的中间层。通用模型给出一句指令，比如“捡起地上的箱子”，中间层就要把这句话拆解成上百个关节的连续动作。
核心逻辑：依托成熟的工业自动化供应链，直接向下游延伸到人形机器人关节硬件，向上自主开发运动控制模型，打通模型指令到电机执行的整条链路。它的优势在于多年积累的工业级可靠性，产品经过大量工厂场景验证，量产交付能力很强。短板在于通用物理世界模型的研发起步相对晚，更多聚焦在运动控制环节，通用多模态推理能力还需要持续迭代。
第二家：拓斯达
拓斯达，早期业务集中在工业机械手、注塑自动化设备，最近几年，正式切入物理 AI 的底层仿真平台，走出一条很有辨识度的双向路线。硬件端，公司可以独立完成工业机器人本体、控制器的研发制造；软件端，联合合作伙伴推出工业物理世界仿真平台 Fysiverse，专门用来生成海量仿真训练数据，服务物理 AI 的训练工作。
做物理 AI，最缺的就是高质量的交互数据。直接拿实体机器人反复做实验，成本极高，设备损耗大，测试周期漫长。仿真平台的价值，就是在电脑里面复刻真实的物理环境，自动生成海量的抓取、搬运、碰撞数据，喂给模型训练。仿真出来的模型，再拿到实体机器人上验证，再把真机采集的数据回传到仿真平台，不断修正仿真参数，形成闭环迭代。
拓斯达 的双向布局，就是硬件本体和仿真底座同步推进。硬件团队负责实体机器人的制造调试，软件团队打磨仿真环境，两边互相提供反馈。硬件在真实环境里遇到的问题，可以直接反馈给仿真团队，用来修正虚拟场景里面的参数；仿真训练出来的新一代模型，直接放到自家硬件上测试。
核心逻辑：以工业场景作为落脚点，先把工业环境下的物理模型跑通，再慢慢向通用人形机器人延伸。工业场景需求明确，客户付费意愿更强，可以一边落地项目，一边迭代技术，依靠工业订单持续养活研发团队，不用单纯依靠融资烧钱。它的优势在于，仿真平台和实体设备可以直接联动，完成仿真到真机的闭环。局限在于，现阶段目标场景以工业为主，通用人形机器人整机还处在研发阶段。
第三家：绿的谐波
绿的谐波，是国内谐波减速器龙头。谐波减速器相当于机器人关节里面的传动心脏，决定关节转动是不是顺滑，定位准不准。很多人简单把它理解成纯粹的零部件厂商，事实上，这家企业已经开始向上游的运动控制、关节一体化方案延伸，不再只是单纯供应减速器零件。
硬件板块，谐波减速器是核心产品，已经大批量供给国内多家人形机器人研发团队。人形机器人全身有大量关节，每一处转动关节，几乎都需要配套谐波减速器。随着国内多款人形样机陆续进入测试阶段，减速器的需求持续上涨。公司新建产线，专门面向人形机器人小尺寸、轻量化的需求，定制开发微型谐波产品。
软件层面，绿的谐波的研发团队，深度参与关节一体化控制方案的开发。减速器不是单独工作，它要和电机、编码器、驱动芯片搭配在一起，组成完整的关节模组。想要适配物理 AI 的实时控制需求，整套关节的控制参数，必须提前做好调校。团队会根据物理 AI 模型的输出特征，优化减速器响应曲线，降低传动间隙，减少指令延迟。
核心逻辑：以减速器作为根基，向上做一体化关节模组，深度参与机器人运动控制方案的联合调试。它的独特优势，在于对传动部件的底层理解。只要机器人关节需要运动，减速器就是刚需。当越来越多的机器人厂商选择外购整套关节模组，而不是零散采购零件，绿的谐波就可以直接交付一套软硬件调好的关节单元，降低下游整机厂商的调试成本。它的短板，是没有布局通用仿真和大模型，更多聚焦在关节控制层。
第四家：瑞芯微
瑞芯微，大众最熟悉的身份是芯片设计企业。它的双向布局，一边是端侧算力芯片，另一边是完整的机器人开发生态。物理 AI 如果想要落地，就必须有一块放在机器人本体内部的算力芯片，负责本地推理。云端算力延迟太高，不能直接用来控制机器人肢体动作。
硬件板块，瑞芯微 的系列芯片，已经大量用于商用服务机器人、巡检机器人，很多人形机器人研发团队，直接选用它的芯片作为端侧计算单元，充当机器人的“小脑”，负责视觉识别、运动规划、传感器数据融合。芯片内置专门的 NPU，用来加速 AI 模型推理，在有限功耗之内，满足多模态模型本地运行的基础需求。
软件板块，公司持续搭建配套开发栈，提供模型压缩、部署、调试全套工具链。想要把一套庞大的物理模型装进端侧芯片，需要大量的优化裁剪工作。如果芯片厂商只卖芯片，不给配套的软件工具，下游客户移植模型的难度就会非常高。瑞芯微 开放完整的开发接口，配合下游研发团队，完成物理模型在芯片上的适配调试，形成芯片加开发工具的一体化方案。
核心逻辑：从芯片出发，向下游延伸完整软件生态，帮助机器人团队把物理 AI 模型部署到终端硬件。芯片是整条链路里面算力的载体，只要端侧推理的需求持续扩张，芯片厂商就可以深度绑定整条赛道。它的优势，在于成熟的量产芯片方案，成本可控，落地案例丰富。短板在于，它本身不生产机器人本体，定位属于算力生态供应商。
第五家：地平线
地平线，从创立之初，赛道方向就锁定边缘智能芯片，早期大量资源投入自动驾驶，之后顺势切入机器人赛道，走的是芯片、算法一体化的路线，是非常典型的双向布局。
硬件板块，地平线自研的 BPU 架构，专门面向边缘场景设计，主打低功耗、实时推理，非常适配人形机器人的需求。机器人需要一边读取摄像头、惯性传感器的数据，一边实时输出动作指令，整套任务对实时性的要求极高。专门优化的边缘算力芯片，可以同时处理感知、规划、控制多组任务。
软件板块，地平线不只是交付芯片，同时提供完整的机器人感知与控制算法栈，包含三维感知、状态估计、运动规划模块。很多做机器人的团队，不需要从零开始开发底层感知算法，可以直接调用这套成熟的算法组件，快速搭建自己的物理 AI 系统。整套软硬件打包交付，大幅降低客户的研发门槛。
核心逻辑：依托自研的专用算力架构，配套完整机器人算法库，面向具身智能提供全套计算方案。地平线的差异化特点，就是软硬件联合设计，芯片架构在设计阶段，就提前考虑机器人感知模型的运算特点，做到硬件和算法协同优化。它的短板，同样是不做整机生产，定位是核心算力方案供应商。
第六家：埃斯顿
埃斯顿，国内老牌工业机器人本体厂商，完整走过工业机器人产业化的全过程。它的双向布局，就是本体硬件加上机器人智能控制体系，两条业务线同步推进。
硬件板块，埃斯顿 可以独立完成机器人控制器、伺服电机、机械臂本体的全套生产制造。工业机械臂本身，就是物理 AI 很好的试验载体。很多具身智能的基础实验，都会先放在工业机械臂上完成抓取、操作测试，验证模型的可用性，之后再迁移到人形整机。
软件板块，公司持续投入机器人智能操作系统的研发，把大模型能力接入自有机器人控制系统，搭建面向物理 AI 的开发平台。外部的通用大模型，可以接入这套系统，直接控制机械臂完成作业。公司内部的研发团队，长期研究运动规划、力控、视觉抓取，积累了海量的真机调试经验。
核心逻辑：以工业机器人本体作为试验平台，一边生产硬件，一边搭建机器人智能操作系统，作为物理 AI 的落地载体。工业机器人可以持续贡献稳定营收，支撑研发投入，同时作为测试平台，持续验证新一代智能模型。一旦通用人形机器人走向商业化，多年积累的控制经验，可以直接复用。
第七家：索辰科技
索辰科技，主攻仿真软件，是国内仿真赛道里面代表性企业。很多人把它简单归类为软件公司，但它的布局思路，是仿真软件加硬件标定方案，双向打通虚拟仿真和实体试验环节。
硬件板块，索辰开发配套的硬件标定设备，用来采集真实材料、零部件的物理参数，把真实世界的数据输入仿真引擎。仿真能不能足够逼真，核心取决于参数准不准。如果仿真里面的材料硬度、摩擦系数、形变参数和真实物体不一样，模型训练出来的效果就会大打折扣。标定硬件就是用来采集这些基础物理参数。
软件板块，核心产品是通用仿真引擎，能够完成刚体、流体、形变等多种物理过程的模拟，为物理 AI 生成海量高质量训练素材。对于物理 AI 的长期发展来说，仿真引擎属于底层基础设施，所有机器人的训练，都离不开虚拟环境。
核心逻辑：以仿真引擎作为核心，配套实体标定硬件，打通真实世界参数采集与虚拟训练数据生成。这条赛道的价值，在于它处在整条产业链最上游，不管最后哪一家的机器人整机成功量产，都离不开仿真训练。它的短板在于距离终端整机较远，业绩兑现节奏偏慢，属于底层基础设施供应商。
三、两条不同的成长路径，要分清
看完七家企业，我们可以清晰看到，双向布局其实分成两条不同路线。
第一条路线，硬件起家，向上补充软件能力。代表企业是汇川、绿的谐波、埃斯顿、拓斯达。这类企业本身就具备成熟的硬件制造能力，有稳定的营收来源，现金流更好。它们向上拓展仿真、控制算法、模型适配能力，优势在于量产交付，只要下游订单起来，可以快速扩产供货。缺点是通用大模型、仿真平台的研发，需要持续投入大量研发费用。
第二条路线，软件或者芯片起家，向下补齐硬件配套能力。代表企业是瑞芯微、地平线、索辰科技。这类企业的核心壁垒，集中在芯片架构、仿真引擎、算法栈。它们向下开发配套标定硬件、开发套件，方便下游客户快速接入整套方案。优势在于掌握底层工具，赛道通用性很强，可以供给很多不同的机器人厂商。缺点是不掌握整机制造，最终的业绩兑现，高度依赖下游整机客户的出货进度。
两条路线没有绝对优劣，只是成长节奏不一样。硬件厂商的业绩兑现，更容易跟随零部件订单逐步释放；仿真、芯片厂商，属于卖铲子的角色，只要整个赛道热度持续上升，无论最后哪家整机胜出，它们都有机会分到红利。
四、现阶段产业必须面对的几大难点
物理 AI 和机器人，整体仍然处在产业化早期，机遇背后，同样存在不少现实难题。
第一个难点，模型和硬件适配难度远超预期。就算仿真里面模型表现很好，移植到实体设备上，经常出现各种各样的问题。传动间隙、传感器噪声、温度变化带来的参数漂移，全部都会干扰模型输出，想要做到稳定可靠，需要海量的调试工作。
第二个难点，成本居高不下。一台完整的人形样机，零部件成本很高。想要走进工厂、家庭，必须持续压缩成本，依靠规模化量产摊薄开支，而大规模量产，还需要很长时间。
第三个难点，商业化落地场景还在打磨。现在绝大多数项目，停留在样机展示阶段，真正可以稳定创造收益的商业化场景，还需要持续探索。工业场景落地速度会更快，通用家用机器人距离大规模普及，还有很长一段路。
第四个难点，研发投入巨大。仿真、芯片、电机、传感器，每一项都需要持续投入资金，短期很难看到回报，非常考验企业长期资金储备和研发定力。
五、长期价值判断：底层基础设施的机会
拉长时间看，物理 AI 和机器人的融合，不是短期题材，是人工智能产业自然演化的方向。大模型从文字、图像，走向可以感知、操控物理世界，是技术发展的必然。整条产业链里面，能够做到双向布局的企业，抗风险能力明显更强，不用完全依附产业链里面的其他环节。
只做单一零部件的厂商，如果下游客户选择更换供应商，业绩就会直接受到冲击；只做算法的团队，如果找不到合适的硬件载体，技术很难落地。双向布局的企业，掌握两端能力，可以主动调整技术路线，适配产业迭代，拥有更强的长期竞争力。
话题讨论：在物理 AI 和机器人整条产业链中，你更看好算力芯片仿真软件，还是精密零部件？欢迎大家在评论区理性交流。
我是池池，每天给大家带来最新动态 ，内容随缘更，每篇都掏干货；如果你觉得这些信息对生活有用，就点个关注～
免责声明：本文仅为产业科普，基于公开资料整理，不构成任何投资建议。科技产业迭代存在不确定性，投资风险自担。