数字AI与物理AI的边界在哪里

【DeepFocus视角·深度独家点评】 ①核心逻辑成立的前提与最大变数：本研报把物理AI壁垒建立在「端侧实时+低延迟+高安全」三大约束之上，这一逻辑成立的关键隐含假设是端侧推理算力（车规级SoC、机器人专用芯片）的成本曲线能继续下行，以及世界模型在长尾物理场景中的泛化能力可在2-3年内跨过L4门槛。这两个变量中任何一个卡壳（例如车规芯片良率不达标、世界模型在恶劣天气/极端工况失效），整条逻辑链就会延迟兑现。 ②报告回避或低估的风险：（a）监管与安全黑天鹅——智驾L4一旦出现重大公共安全事故，特斯拉TSLA的FSD、Waymo、中国Robotaxi的监管进度可能被强制冻结数年，类似2018年Uber自动驾驶致死事件的连锁效应；（b）资本回报错配——物理AI的资本开支强度（车队、机器人产线、仿真基建）远超数字AI，而收入兑现滞后，若2027-2028年宏观进入降息周期尾部，先期投入巨大的玩家可能面临现金流压力；（c）报告对英伟达NVDA的物理AI推广过于乐观——NVDA的机器人/汽车业务收入占比仍小，真正的盈利支柱仍是数据中心GPU，物理AI概念更多是估值叙事而非当期EPS驱动。 ③放进行业格局的修正：当前全球AI正处于「训练端资本开支见顶、推理端开始放量」的过渡期，数字AI的下一波Alpha大概率不在基础大模型本身，而在应用层（AI Coding、企业级Agent）的赢家。物理AI更早期，相当于2015-2017年的电动车——方向确定但单位经济模型（unit economics）尚未跑通，Robotaxi的每公里成本若不能压到传统出租车+司机成本的1.5倍以内，规模化就是空谈。中国玩家的优势在于数据场景密度和政策试点意愿，但劣势是单车/单台硬件BOM成本与特斯拉TSLA相比缺乏规模摊薄。 ④关键假设敏感性：最敏感的两个变量是——（1）端到端方案在中国监管下的L3准入时点（每提前/延后6个月，对应智驾板块估值可重估±20-30%）；（2）人形机器人单台BOM能否在2027年前降到10万元人民币以下（决定是否能从B端演示走向C端量产）。英伟达NVDA汽车/机器人业务季度环比增速、特斯拉TSLA Robotaxi实际运营数据、中国头部智驾公司（如要重点跟踪未具名的国内玩家）的接管里程数（MPI）将是三大核心观察指标。 ⑤横向参照：物理AI的发展曲线与早期电动车高度相似——先To B（Robotaxi类似早期商用车/EV公交）、再To C（私人智驾类似乘用车渗透）、最后机器人（类似储能/充电网络的二次衍生）。可比的还有2014-2016年VR/AR那一轮，硬件先行但内容生态跟不上，最终泡沫破裂；物理AI更扎实之处在于底层世界模型的算法迭代速度明显更快、且有数字AI大模型的算力溢出红利。 ⑥接下来重点跟踪的指标与时间线：（a）2026Q4-2027Q1特斯拉TSLA Robotaxi正式商业化运营数据（单车日订单、毛利率）；（b）英伟达NVDA每季财报中「Automotive」分部的环比增速及机器人相关订单披露；（c）中国L3/L4级自动驾驶法规的省级试点扩围节奏；（d）人形机器人头部玩家（特斯拉Optimus、Figure、国内宇树/智元等）的量产爬坡数据与单台成本披露；（e）世界模型在CVPR/ICLR等顶会上的benchmark进展，特别是闭环仿真到真实场景的迁移损失（sim-to-real gap）；（f）AI Coding赛道ARR增速能否持续>100%（这是数字AI变现的领先指标，也间接验证资本对AI整体的风险偏好）。