物理AI近期市场调整主要源于方向性调整和短期波动。报告指出,虽然物理AI作为中长期主线,但近期市场因技术进展、商业化落地等多重因素产生担忧。交流中围绕机器人智能能力、新增任务开发成本、产业链实际需求展开,显示市场关注核心问题。模型进展显著,如通用多模态模型和专用模型均有实质进步,但技术成熟度和商业化路径仍需时间验证,导致市场情绪波动。
物理AI形成两条主要技术框架路线。一是专用动作模型(如VLA、WAM),通过轨迹学习实现视觉到动作的映射,专注于特定任务优化。二是通用多模态基础模型,依赖运动规划器、仿真等技术,需要物理求解器和仿真支持,适用于更广泛的场景。这两条路线长期共存且会组合应用,形成互补的技术生态。报告强调,技术路线的融合使用趋势在2025年下半年起日益明显,推动系统化解决方案发展。
报告重点分析了数据与物理仿真、机器人端侧算力与控制器、执行系统与机器人本体三大投资方向。数据与物理仿真领域包括高质量交互数据、空间资产、仿真及闭环评测,国内公司切入方向多样,如仿真评测(光轮)、EGO数据(蜜蜂)、元数据(鹿鸣)、数据处理标注(海天瑞声)等。机器人端侧算力与控制器需满足多路视频输入的带宽、能效、低时延要求,英伟达JetsonSAW等平台适配性重要。执行系统与机器人本体则需关注可重复任务部署及实际交付情况,如搬运分拣等场景易积累可复用反馈数据。
当前物理AI市场呈现技术快速进展与商业化落地需求并存的态势。报告指出,2025年下半年起,机器人技术路线讨论减少,系统呈现融合使用技术的趋势,商业化落地阶段推动方案融合。产业端巨头动作密集,如AMD收购World Life、OpenAI融入机器人研究、英伟达搭建完整平台等,显示行业竞争加剧。国内厂商在场景资产、物理仿真、传感器等领域发力,但整体仍处于发展初期,技术成熟度和产业链协同仍需提升。
物理AI面临的主要风险包括模型泛化、仿真与真机迁移部署的不确定性。世界模型的逼真度与物理准确性存在差距,物理参数校准难度大,影响机器人精细操作。硬件供应链的不确定性也不容忽视,跨场景、跨本体数据采购需求变化,第三方数据服务商需应对厂商自建数据体系的竞争,竞争重点转向交付效率、数据复用及持续评测能力。这些因素共同构成了物理AI商业化进程中的挑战。