跟大家说个事儿，思略特（Strategy&）刚出了一份指南，叫《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》，主要讲物理AI怎么从电脑里走到大街上。说白了，物理AI就是能在现实世界里看、想、动手的AI系统，它钻进车子、机器人或者智能的大机器里，跟那些只能在电脑上跑的软件AI不太一样。这些AI得在物理环境里干活儿，还得考虑延迟和安全，万一出错了可能会弄坏东西。所以它们的设计得从头到尾全是一套系统，不能光靠一个软件插件。它们的本事主要包括看得清周围环境（就是多模态传感器解析）、想清楚该怎么走（就是AI模型在不确定的情况下规划行动），还有能把手头的事儿给干了（就是电机把决策变成实际行动）。 这事儿为啥现在火起来？主要是因为AI技术一直在叠代。物理AI算是生成式AI和自主智能（Agentic AI）之后的下一代应用，它不会替代前面的那些技术，而是把AI变成了在现实世界里自己行动的东西，算是AI从电脑走进实体经济的一个标志。 不过光有想法还不行，得靠技术融合才能落地赚钱。大规模学习、仿真合成数据、混合云边缘计算、成熟的硬件还有世界模型这五大块儿凑一块儿了，物理AI才从实验室里的理论变成了商业实验的玩法。尤其是世界模型这块儿最关键，它能预测周围环境会怎么变，缩小了“模拟到现实”的距离。 说到钱的事儿，这块儿市场真的不小。到2030年之前，全球的物理AI市场能有4300亿欧元左右。接下来的3到5年时间里，这些系统会从试用来转向真正能赚钱的大规模部署。 行业分布上看，自动驾驶的赛道最大（约1710亿欧元），然后是工业和智能基础设施（约690亿欧元），类人或服务机器人（约680亿欧元），还有航空航天、国防（约500亿欧元），医疗健康（约370亿欧元）。娱乐行业占的比例最少（约50亿欧元）。 欧洲那边的情况也不赖，2030年估计有800到1100亿欧元的市场规模。主要是汽车和工业自动化这两个大头在带节奏。 从产业链分钱来看，仿真平台和世界模型（20%）、基础模型（20%）是赚得最多的两拨人。接下来是数据中心计算（15%），边缘计算、内存和执行器各占10%，传感器占8%，OEMs占7%，数据中心和AI服务占5%。 技术现状嘛，感知、决策、执行这三块都有突破了。比如传感器和计算配合得更好了，决策上有多模态的基础模型了，执行上也有了柔性材料和先进控制算法。基础设施那边也往边缘云和协作方向发展。 不过瓶颈也不少。内存效率、数据跑来跑去、还有“模拟到现实”的差距这几大问题还得解决。另外就是能力上的差距——在乱七八遭的环境里适应能力、精细操作、跟人打交道这些方面跟人比还差得远，但在高精度重复任务、高速处理数据、超人类感知（比如红外线）这些方面早就把人甩在后面了。 接下来有七大核心机会领域能创造价值： 一是基础世界模型：能预测现实动态的多模态模型，靠API和云服务来收钱。 二是特定领域模型：针对行业流程的专用模型，计算需求少了些靠专业知识守住地盘。 三是边缘半导体：给设备端提供专用计算靠加速器和认证占优势。 四是精密传感器和执行器：靠硬件质量赚钱。 五是标准和模块化：定芯片和互操作性标准靠架构控制赚钱。 六是OEM和解决方案提供商：部署整套系统靠机器人即服务这种模式持续收钱。 七是主权：把控关键技术和基础设施支撑本地价值链得平衡自主和创新速度。 给咱们的建议是赶紧行动起来。行业格局未来3到5年就定下来了现在不开始追以后成本就高了得多花一倍多的时间去做关键决策。高层要琢磨清楚三个问题： 第一明确谁是敌人谁是朋友：这七大领域要求的能力不一样很难都做只能选一个核心和靠谱的合作伙伴。 第二打造自己的独家资产：通用的东西没啥防守力得靠实际运营攒下数据和知识把场景变成训练场。 第三平衡跑得快和选路对：试点要转成大规模部署在技术、操作、经济之间不停地迭代在现实里测试案例建立大家都相信能做大的信心。 总的来说物理AI是AI创造价值的下一个阶段钱会流到半导体、云、软件、基础设施、终端应用整个链条里不光是做硬件的机会大家得看准位子提前占坑才能在变革中抓住好处。