被熱炒的物理 AI 概念，可能掩蓋了真實的 AI 應用前景

6 月 22 日，“物理 AI 概念股” 天娛數科再次漲停，此時距離它澄清相關概念已有一段日子。

但就在這兩天，港股 “物理 AI 第一股” 深圳多光譜 AI 公司海清智元在港交所掛牌，掀起了市場的巨大興趣，因為它超額認購近 7200 倍，開盤漲幅超過 300%，市值一度突破 200 億港元。

在市場看來，物理 AI 顯然是個長期概念——從實際來説，確實如此，但資本市場給予的短期關注度總是過高的。

這一輪物理 AI 熱潮源自英偉達在 6 月初開源了 Cosmos 3 世界模型，併發布與宇樹合作的人形機器人蔘考平台。畢竟是 “下一個 50 萬億美元的市場機會”，從資本市場到產業界，所有人都在試圖理解它到底是什麼——以及更重要的是，哪些要素決定了它能不能真正跑通。

從底層邏輯來看，大模型時代的 AI 學會了讀文、生圖、寫代碼，但這些能力始終飄在數字空間裏。物理 AI 想要做的事情，是讓 AI 像人類一樣理解物理世界的規律——重力、摩擦力、剛性、柔度、碰撞——然後在這個世界裏行動。它不僅僅是讓機器人動起來，而是讓機器人在真實環境中能看懂、能預測、能操作、能適應。

這件事的難度，遠超大模型的參數競賽。所以物理 AI 真正的要素可能是 “原子化” 的——和發展物理世界 AI 有關的一切，都是未來物理 AI 的潛力股。於是，也就有了現在的市場情況。

而問題在於，物理 AI 並不是某一個單一技術的突破，它需要幾個核心要素同步進化：第一，足夠逼真且規模宏大的物理交互數據來訓練模型；第二，能夠精確模擬物理世界，並且將模擬與真實差距縮到最小的仿真引擎；第三，能夠從真實世界採集高質量感知數據的硬件終端。這三個要素構成了一個閉環：數據驅動模型，模型指導仿真，仿真正反饋到硬件執行，硬件再產生新的數據。

正因為如此，天娛數科這些早已做出澄清的企業，依然會留在資本的視野中。比起物理 AI 這個概念，它手握的真正對 AI 發展有價值的資源，才是關鍵。

一、最深的瓶頸依然是 “數據鴻溝”

如果一定要給物理 AI 找出一項最緊迫的制約因素，那不會是算力，不會是算法——而是數據。

英偉達機器人業務負責人 Spencer 在 GTC 大會後的交流中提到一個判斷：“機器人領域目前最大的挑戰，是依然無法捕獲每一種長尾場景。”

我們知道，大模型之所以能夠在語言和圖像上取得突破，很大程度上得益於互聯網上積累了海量的文本和圖片數據。但物理 AI 需要的數據，是機器人在真實環境中抓取物體、搬運箱子、插拔線纜、躲避障礙的行為數據。這些數據不存在於互聯網上，也無法靠爬蟲抓取。

它們需要被 “製造” 出來。

製造數據有兩種方式。一種是在真實世界中讓人類遠程操控機器人，一條一條地採集示範數據。這種方式成本極高、效率極低，而且很難覆蓋足夠多的場景。

另一種是在虛擬世界裏進行仿真，用計算機生成大量合成數據。成本低、規模大，但面臨一個核心難題：仿真世界與真實世界之間的差距。

這就是物理 AI 領域最深刻的矛盾——Sim-to-Real Gap。仿真器裏模擬得再完美的抓取動作，放到真實世界中可能因為摩擦力參數偏差一丁點就抓不住。而英偉達的 Cosmos 3 世界模型，恰恰是衝着這個矛盾去的。

Cosmos 3 被英偉達定義為 “世界模型”，它的核心能力，是在時序維度上感知、預測並生成物理世界的後續狀態，也就是 “接下來會發生什麼”。

它既可以被當作一個世界推理器來使用，理解場景並做出判斷；也可以作為仿真器，在閉環中測試機器人策略；甚至可以直接為不同的機器人本體生成動作指令。

這四種功能的並列，標誌着 Cosmos 不是一個單一環節的工具，而是整個物理 AI 開發流程的基礎設施層。它的位置，介於數據生成和模型訓練之間——或者説，它本身就是一座通往 “虛擬與真實融合” 的橋樑。

但即便是 Cosmos，也並非萬能。英偉達坦誠，“高精度操作任務所需的物理精度，目前的世界模型尚未完全達到”。例如電子產品的精密裝配，所需要的精確到微米的物理仿真，世界模型還做不到。

在這個層面上，Cosmos 必須依賴 Omniverse——基於傳統物理引擎的精確仿真器——來提供 “物理錨點”。於是出現了一種共生結構：Omniverse 提供精度，Cosmos 提供廣度；前者生成小而準的數據，後者生成大而多樣的數據。

這個共生關係，恰恰也揭示了一個深層現實：物理 AI 的數據難題，短期內沒有單一解法。數據鴻溝的填補，需要仿真精度和數據規模的雙重突破，而這兩件事目前沒有一家公司能夠同時做到最好。

二、感知革命的起點：從 “看得見” 到 “看得懂”

如果説數據是物理 AI 的 “燃料”，那麼感知硬件就是物理 AI 的 “眼睛”。

過去幾年，計算機視覺的主流是 2D 圖像識別——給一張照片，識別裏面有沒有人、有沒有車。但物理 AI 需要的感知能力完全是另一個維度：它需要理解物體的三維形態、空間位置、表面紋理、材質屬性，甚至還需要在光線不足或表面紋理缺失的情況下保持精度。

而這，就讓一些端側模組企業，拿到了物理 AI 這塊金字招牌——它們不一定是這麼認為的，但市場是這麼認為的。其中就包括天娛數科的參股公司，芯明。

6 月 16 日，芯明在張江大會上發佈了 R216g 3D 視覺 AI 模組，它正是這種需求的產物。

這款產品專為人形機器人、靈巧手和協作臂設計，採用主動式散斑技術，在工件紋理性較差或者光線不足的環境下，依然能輸出亞毫米級的深度數據。更關鍵的是，模組內置自研空間智能芯片，提供 3.5 TOPS 端側算力，可以在模組內部實時運行物體識別和姿態判斷，不需要把數據傳回主機處理。

這種 “感算一體” 的架構，反映了物理 AI 對感知硬件的核心要求：低延遲、低功耗、高魯棒性。因為機器人在抓取動作中，從看到目標到發出指令的時間窗口是以毫秒計算的，不可能把每一幀深度數據都上傳到雲端去做推理。端側算力越強，系統響應越快，機器人失敗的概率就越低。

前文提到的 “物理 AI 第一股” 海清智元的多光譜 AI，則代表了感知技術另一個維度的進化。多光譜——紫外、紅外、可見光的融合——讓 AI 不僅能 “看到” 物體的形狀，還能 “感知” 到物體的材料成分、温度變化和隱藏缺陷。這種能力用在消防、工業安全、能源巡檢等場景中，相當於給物理 AI 加了一個 “隱性維度” 的感知通道。

芯明和海清智元，一個做 3D 視覺，一個做多光譜融合，它們都在關注物理 AI 時代的感知革命，後者正在從 2D 走向 3D，從單一譜段走向多光譜融合，從純算法走向 “算法 + 芯片 + 光學” 的系統級集成。這個軟硬一體的感知體系，必然會被市場賦予很多想象力。

三、數據的 “資產化” 與隱形的底座

在數據和感知之間，還需要一層連接——把真實世界採集到的信息，轉化為可以供模型訓練和仿真使用的結構化數據。這是物理 AI 產業鏈中容易被忽視但不可或缺的一環。而 “求賢若渴” 的市場，又把目光放在了天娛數科的數據優勢上。

天娛數科擁有 Behavision 空間智能 MaaS 平台。根據公開信息，公司已累計沉澱超過 150 萬條 3D 數據以及超過 518 萬條多模態數據，其中 10 項核心數據集已經在北京國際大數據交易所完成數據資產登記。平台的核心能力架構是 ABC：Assets（數據）、Behavior（行為）、Client（接口），覆蓋了從數據採集、標註到輸出適配的全流程。

天娛數科首席數據官吳邦毅此前在今年的人形機器人生態大會上提到一個行業共識：“具身智能需要大量任務級、過程級物理交互數據，而行業普遍存在數據碎片化、孤島化、標註難、複用率低等問題。” 天娛數科的策略是，把自己沉澱下來的多模態數據通過資產登記的方式確權，然後通過平台向行業輸出。

這個模式並不賣硬件，不賣模型，而是賣 “數據服務”。它在物理 AI 產業鏈中的位置，類似於一個 “數據煉油廠”——從各種真實場景中採集數據，清洗、標註、結構化，然後以標準化的形式提供給下游的機器人公司、自動駕駛公司和仿真平台。

目前這個方向的商業化還處在很早期。天娛數科自己也澄清過，“沒有物理 AI 業務”，沒有形成相關業務收入。但從產業發展規律來看，物理 AI 要規模化落地，高質量的數據供給是必不可少的基礎設施。當機器人公司數量增多、場景變多、路測規模擴大時，“數據荒” 只會越來越嚴重，而提前卡住數據生產和確權身位的公司，就有了供給側的主動權——至少，在市場看來是這樣。

長遠來看，不必急於用當下的收入來評價這個方向的估值。反而是過早限制物理 AI 的想象力，並將其圈定於 “概念股”，既看小了物理 AI 的真實潛力，也會影響這些企業長坡厚雪的發展預期。

物理 AI 是一個長坡厚雪的賽道，數據基礎設施的建設週期領先於應用爆發週期。這個邏輯在新能源和自動駕駛時代已經被驗證過。

來源：松果財經