昨晚，美光科技交出了一份创纪录的季度财报。
在2026财年的第三财季期间, 公司所获取的总收入金额达到了415亿美元之多, 与同比情况相比呈现出暴增346%的情形, Non - GAAP综合毛利率急剧飙升至84.9%, 并且连续第五个季度实现了对收入纪录的刷新。
但相比起这些数字来, 更值得予以关注的, 乃是财报电话会上, 一个被众多人给忽略掉了的信号。
美光持有这种观点, 即由AI所带来的存储需求并非仅仅局限于数据中心, 后续它将会朝着手机、PC、新消费设备、汽车、工业应用以及机器人这些方面进行延伸。
特别是被称为机器人之中的人形机器人, 以及具备高阶自动驾驶功能的相关类型, 将会营造出一种带来长期持续性存储需求的环境条件呢。
对此，美光还给出了一个非常直观的比较：
内存以及存储量方面, L2+往上范畴里的自动驾驶车辆, 乃是普通汽车的5倍还得多, 存储这个领域, 增量来源是智能驾驶。
人形机器人的存储容量，大约是L2+自动驾驶车辆的10倍。
更关键的是时间窗口。
美光作了预计, 在从2020年代后半段兴起后, 也就是早于2030年之时, 与之相关的市场就会开启那种大规模的, 且会持续数十年时长的内存需求周期。
为何, 有这样一家, 将AI数据中心当作核心增长引擎的存储领域巨头之企业, 开始探讨机器人之事以及自动驾驶之方面啦?
明显地, AI产业链压根就不再甘愿依旧去讲述“模型变得越大, GPU也就越多, HBM愈发紧凑”这般的事情了。
它们正把增长的下一个十年, 甚至是还会延续数十年的增长锚点, 从数字AI转变到物理AI那里。
物理世界的GPT时刻
二零二六年一月, 黄仁勋站于拉斯维加斯参加CES的那个舞台上头, 表述出了一句话言道: “物理AI的GPT时刻已然来临”。
这句话多少有点营销成分，但他所说的趋势正在发生。
在 2025 的年底之时, 自动驾驶车辆 Waymo 已然达成了每周拥有肆拾亖万次的付费出行之情况。
2025年6月之时, 亚马逊部署了第100万台机器人, 这些机器人用于辅助处理, 其全球75%的客户订单的配送量。
这恰是物理AI正在着手解决的问题, 怎样于充斥不确定性的真实状况之内, 令一台机器判别出随后的动作将会是什么。
有这样一种情况, 它的承载体是机器人哎, 还有自动驾驶车辆, 以及工业控制系统, 在所有那些需要AI亲自去进行操作的场景当中, 都是需要物理AI的。
然而, 需要留意的是, 从大模型人工智能转变至物理人工智能, 这并非仅仅是一种技术概念方面所产生的改变, 而更是一次经济规模层面的大幅提升。
倘若AI可以从数字化办公场景, 迈向汽车领域, 走进工厂之中, 步入仓库里面, 踏入医院之内, 进入能源设施范畴, 走向家庭之地, 那么它所面对的便是更为庞大的实体经济市场。
英国的咨询机构Future Markets所发布的名为《全球物理AI市场2026-2040》的报告表明, 全球的物理AI市场存在这样的情况, 预计会从2026年的大约3830亿美元, 发展到2040年的3.26万亿美元。
这将是历史上规模最大的技术市场扩张之一。
年初时, 德意志银行作出判断, 2026年是这样一个年份, 在这一年, 自动驾驶会从此前的测试阶段朝着规模落地迈进, 人形机器人会从实验室状态走向小规模量产。
这同样是为何, 越来越多的大公司, 开始讲述物理AI的叙事了, 甚至已把资源押注到该方向上了。
科技巨头们集体在为AI产业链寻找第二条增长曲线了。
物理AI的产业链地震
因技术变革之故, 究物理AI于何等程度, 会对现存AI产业链价值分配起着影响作用呢?
要明白这场地震的烈度情况, 那就必须先回应一个问题, 这个问题是, 物理AI这件事能不能创造出全新的产品品类呢?
短期来看开云app官方最新下载地址，物理AI仍然吃的是现有AI产业链的存量红利。
模型训练之时需要用到GPU, 训练以及展开推理这二者均需要HBM, 云端方面是需要数据中心的，机器人厂商所需之物有云、芯片、存储还有软件工具。
也就是说, 美光的HBM必须得有, 英伟达的GPU不可或缺, 各大云厂商所具备的计算资源不能缺失, 模型能力同样不能缺少, 物理AI也是一样需要存在, 一样都不能少。
从长远的角度来看, 物理人工智能在现有的产业链范围以外, 将会衍生出一些在过去原本并不存在的全新的需求。
丨芯片与存储层
而今, 大模型AI展开训练, 主要凭借的数据中心为GPU。然而, 物理AI呢, 除了在云端进行训练之外居然还另外特别需要, 机器人本体之上所配备的AI芯片。
这种AI芯片的工作环境, 与其他的不大一样, 它有着低功耗的要求, 有着低延迟的要点, 有着抗震动的条件, 有着可散热的需求, 有着可长期运行的期望, 并且还要能够接入摄像头, 能够接入雷达, 能够接入IMU, 能够接入触觉传感器, 能够接入电机控制系统。
成为这条新链路核心玩家的有, 名为英伟达Jetson Thor的产品, 还有高通Dragonwing IQ10, 以及AMD Embedded这一产品, 外加Arm边缘架构。
存储的逻辑同样被重写。
大模型的存储需求, 集中于云端训练那一侧, 然而人形机器人呢, 它属于一个移动着的多传感器AI系统。
低功耗的内存和存储, 高带宽的内存和存储, 高可靠性的内存和存储, 会成为物理AI 的重要增量。
这正是美光认为人形机器人"长达数十年需求周期"的根本原因。
丨模型与软件层
由大模型输出的是Token, 此外, 物理AI输出的则是Action, 就是这样的差异, 重新定义了软件市场的边界。
物理AI的技术底座，不再是语言模型开云手机入口app下载开云app官方入口网站，而是世界模型。
它的目标在于, 将物理世界之中运行的规律, 压缩到模型参数里面, 使得AI拥有对空间的理解能力, 拥有关于运动的理解能力, 拥有对于因果关系的理解能力。
但仅有世界模型远远不够。
一个机器人, 它能够在物理世界里展开行动, 这还得要有一整套模型以及软件服务来给予支撑才行, 举例来说。
捕捉模型, 导航模型, 操控模型, 安全模型, 机器人运作系统, 远程维护, OTA升级, Fleet Learning平台。
这个概念清单正在变成现实。
阿里巴巴公布了具身智能Qwen - Robot这个模型系列, 它有不同分工, 有的负责导航, 有的负责操作, 有的负责物理世界模拟。
英伟达推出了针对人形机器人的开放式基础模型Isaac GR00T, 它能够支持推理, 它能够支持学习, 它能够支持多任务行为。
在未来, 机器人制造厂商或许将不再非得从最开始去研发每一个层次了, 他们能够去采购已经存在的模型以及平台。
这即将成为一个全然崭新的市场, 此市场之规模兴许不逊色于当下的模型市场以及SaaS市场, 然而它的服务对象转变为于物理世界里展开行动的机器了。
丨平台与仿真层
物理AI要规模化落地世界杯直播平台，首先需要仿真能力的规模化。
对于机器人而言, 其务必要清楚杯子有着怎样的重量, 地面处于潮湿状态之际摩擦系数到底是多少, 光照发生变化之时视觉系统会不会出现误判距离的情况。
这些知识没办法从文本当中读取到, 得靠众多真实动作数据积累起来, 要让机器人在虚拟仿真环境里跑数百万次场景, 然后把训练好的能力转移到真实硬件。
这便催生出了一个全新的产品品类, 这个全新的产品品类是开发平台, 也是仿真平台, 亦是部署平台, 还是验证平台。
目前英伟达正在把这套物理AI工具链做成下一个CUDA。
它将四个核心产品串联一块儿, Isaac负责机器人开发以及仿真, Omniverse负责数字孪生, Cosmos负责世界模型, GR00T面向人形机器人的基础模型还有数据管线。
车企中的宝马, 以及梅赛德斯 - 奔驰等, 已然在使用英伟达的Omniverse仿真平台去构建全工厂的数字孪生。
如果这套平台变为了开展物理AI训练时不得不经历的途径, 那么英伟达所扮演的角色, 便从原先单纯售卖GPU, 转变成为了物理AI的操作系统入口。
丨整车与工厂
处于前面三层的那些变化, 最终必定会传递辗转引向工厂的产线, 传递辗转引向仓库的货架, 传递辗转引向智能汽车的驾驶位。
再比如说, 三星于MWC 2026时宣称, 会在2030年之前, 将全球范围内的制造体系朝着以AI驱动运行的工厂予以转变。
卡特彼勒通过利用Omniverse创建工厂数字孪生, 来施行预测性维护以及开展柔性生产调度。
这些均是实际资本支出的方向变动, 所引发的乃是一整套生产基础设施进行新一轮定价。
被重新计算的有, 人工成本, 工厂折旧, 供应链弹性, 生产效率, 安全风险, 维护成本。
这才是物理AI真正的野心。
AI所关联的并非仅仅是增添了一处应用场景, 而是于初次之际, 达成了AI与GDP里实体部分的直接连接, 这种直接连接是实实在在的。
在汽车历经转变, 从原本的交通工具摇身一变成为智能驾驶机器人之际, 在工厂也发生改变, 从自动化产线转而成为具身智能的协同网络之时, 整条制造业估值的逻辑将会被重新改写。
谁会受益于物理AI？
倘若物理人工智能切实变成接下去那一轮产业的言说内容, 究竟哪一家公司会成为最早从中获取益处的呢?
市场的第一反应常常是那些做机器人的公司, 举例来说, 有机器人本体公司, 还有灵巧手公司, 以及减速器公司, 再就是电机公司, 另外还有传感器公司等。
但反直觉的是，机器人公司很可能不是最先受益的一波。
AI产业过去两年的经验已经证明了一件事：
通常, 一场技术革命刚开始之际, 并非应用公司最先获取利益, 而最先能盈利的往往是那些“卖铲子”的团体。
兴起的大模型浪潮里, 并非像OpenAI、Google这般一类的AI应用公司最先实现盈利, 相反地, 却是诸如英伟达、台积电、美光、SK海力士、博通等属于基础设施范畴的公司做到了这点。
物理AI也会重复这个过程。
在使机器人真正大规模进入工厂, 进入仓库, 进入家庭, 进入服务业前, 厂商应先训练机器人模型, 搭建仿真环境, 采集真实数据, 要采购边缘芯片, 对本地存储展开配置, 建立远程运维系统, 之后反复测试安全性, 反复测试稳定性。
所以, 最先在物理AI早期受到益处的, 并非一定是售卖机器人的公司, 而是针对机器人时代销售铲子的公司。
只不过，这一次铲子的形态，比大模型时代更复杂。
它已绝非单纯的GPU跟HBM了, 反倒成了一套完备的, 涵盖从云端直至本体的, 从仿真延伸到执行的, 从模型拓展至控制的基础设施。
因此, 美光于财报电话会之中诉说机器人的实在价值为, 它属于这条传导链里最早敏锐闻到信号的那一个环节, 相较于机器人本体的出货数量早了起码一两个财报周期。
倘若这条传导链得以成立, 那么于此情形下, 物理AI所起到的作用, 就必将超越仅仅只是一个机器人故事的范畴, 而是会演变成整个AI产业链展开新一轮大范围扩张的起始点。
还木有评论哦，快来抢沙发吧~