猜你想问
物理AI的核心观点是什么？
研报核心观点认为，物理AI的最佳载体是机器人，当前最大瓶颈并非算法或本体，而是数据。由于物理世界真实交互数据积累近乎为零，行业叙事正从“整机发布”切换到“数据基建”。具身智能第一阶段竞争焦点在于数据广度、标注密度与跨本体复用效率。受益方向首推数据基建与仿真软件，长期看好整机落地。
物理AI行业发展趋势如何？
物理AI行业正从单纯的概念期进入底座技术与本体应用同步验证的关键阶段。近期英伟达GTC、宇树世界物理AI大会及特斯拉业绩会等事件推动行业发展。技术栈分为世界模型、VLA、3D感知、运动执行四层，运行链路为LLM拆解任务→ VLA生成策略→世界模型校验→底层执行→真机数据回流。具身智能通过学习物理规律，通过实体载体完成感知—推理—规划—执行的闭环。
报告重点分析了哪些方向？
报告重点分析了物理AI的技术栈与运行链路，以及数据采集面临的挑战。技术栈分为世界模型、VLA（视觉-语言-动作）、3D感知（Ego数采）、运动执行四层。数据采集面临物理域Gap、数据稀缺、算力约束三重约束，具身智能第一阶段竞争焦点在于数据广度、标注密度与跨本体复用效率。报告还梳理了受益方向与标的，短期确定性最高的是数据基建与仿真软件，长期看好整机环节。
当前市场现状如何判断？
当前物理AI行业正从概念期进入验证阶段，机器人板块表现强劲。主要催化剂包括英伟达GTC、宇树世界物理AI大会、特斯拉Q3业绩会等。行业最大的瓶颈是数据采集，由于物理世界真实交互数据积累近乎为零，必须从头采集。这一轮叙事逻辑正从“整机发布”切换到“数据基建”，谁能先将有效小时数做上规模，并将单小时采集标注成本降下来，谁就能掌握供给端的主导权。
研报提示哪些风险？
研报提示物理AI行业面临数据采集的三重约束：物理域Gap、数据稀缺、算力约束。高质量的3D交互数据极度稀缺，仿真环境与人类动作难以直接迁移到本体动力学中，端侧算力受限，要求毫秒级闭环响应。具身智能第一阶段不拼模型参数量，而是拼数据广度、标注密度与跨本体复用效率，这些因素都可能带来潜在风险。