思略特发布的报告《物理人工智能：动态智能 AI——进入现实世界的价值捕获战略指南》，给大家勾勒了一幅物理 AI 从数字世界走入现实的路线图。报告指出，物理 AI 就是那些能在现实世界里看、想、做的 AI 系统，它被装到了汽车、机器人和智能设施里，跟那些只管算数据的数字 AI 可不一样。这东西要在物理的规则、时间的限制还有安全的保护下运行，一旦出错就可能弄出实实在在的损坏，所以得把所有环节串起来设计，不能像软件那样拆着玩。它的核心其实就是三部分：用多模传感器去感知环境，让 AI 模型在不确定里规划动作，最后靠电机把命令变成物理行动。 AI 的发展可不是一步到位的。现在的生成式 AI 还有自主智能（Agentic AI）就是物理 AI 的前身，它不代表要把前面的都干掉，而是把 AI 从工具变成了物理世界的自行动者，算是真正把 AI 从电脑里搬到了实体经济里。技术上看，靠大规模学习、仿真、混合云边缘计算这些手段，物理 AI 已经从理论变成了商业试验。其中最关键的就是那个世界模型，它能预测环境怎么变，帮我们把模拟和现实之间的差距抹平。 未来市场这块儿水可深了。预计到 2030 年全球能有大概 4300 亿欧元的市场规模，接下来的三五年里就是把那些试点项目变成能赚钱的大规模应用。看看行业分布就知道钱往哪儿跑：自动驾驶肯定是最大的赛道（约 1710 亿欧元），工业和智能基础设施、类人机器人、航天国防、医疗健康也都排得上号，娱乐倒是最少的。咱们把眼光放在欧洲这边，估计 2030 年这边能有 800 到 1100 亿欧元的盘子，主要还是靠汽车和工业自动化来带。 说到钱到底怎么赚，这得看谁掌握了价值链的大头。目前仿真平台和世界模型占了 20%，基础模型也是 20%，排第三的是数据中心计算（15%），边缘计算、内存、执行器各占 10%，传感器是 8%，OEMs7%，最后还有数据中心/AI 服务 5%。 现在的技术其实已经有了不少突破，比如传感器跟计算结合得更好了，决策用的是多模基础模型，执行器用了柔性材料和先进算法，基础设施也开始往边缘和云协同发展了。不过瓶颈也不少：内存不够用、数据跑得慢、模拟和现实还隔着一层窗户纸。更尴尬的是“体现差距”——在非结构化环境里或者做精细活、跟人打交道时，机器还比不过人，但在做高精度的重复任务或者处理高速数据、看红外线这些方面又能把人甩在后面。 想在这个领域淘金得抓住七大机会。比如搞世界模型靠 API 和云服务挣钱；做特定领域模型靠本地知识造护城河；边缘半导体靠加速器和认证占市场；精密传感器和执行器靠硬件靠谱收钱；搞标准和模块化靠架构控制利润；OEM 和解决方案商靠卖服务拿收入；主权那块儿就是看谁能掌控本地技术和基础设施。 既然机会这么多，企业得赶紧定调子了。行业格局在未来 3-5 年就要定下来了，错过窗口期成本会高得吓人。高层得赶紧想清楚三大问题：到底自己的能力在哪？哪些地方得靠外面的平台或伙伴？得靠自己的运营积累专有数据和知识把运营场景变成 AI 训练场；还要平衡快速行动和战略选择，赶紧把试点变成规模化部署。 总之物理 AI 是 AI 下一个重要的价值创造阶段，钱会覆盖从芯片到软件再到终端的整个链条。别光以为是硬件厂商的事，谁能找准定位提前布局就能在这次变革里抓住好处。