AI周度洞察：物理AI（具身智能）发展阶段与核心卡点分析

摘要： 本次会议首先回顾了AI产业的短期走势，认为美股科技股在财报季后将进入宽幅震荡，A股短期关注中报业绩超预期个股。会议重点探讨了物理AI（具身智能）的系统性框架，分析了其技术路线、发展阶段及数据获取的瓶颈。

行业主线：

1. 技术路线收敛：具身模型正向 WAM（世界行动模型）演进，即将世界模型与 VLA 融合，实现从被动式到预测型的转变。
2. 发展阶段判定：物理AI目前处于类比 GPT-2 的阶段，预计 2028 年可达到“ChatGPT 时刻”，即在通用任务上实现 0 样本 70%-80% 的成功率且易于部署。

关键变化与分歧：

1. 数据极度稀缺：相比大语言模型，具身智能数据获取成本极高，预训练需千万小时级数据，导致产业难以实现“大力出奇迹”。
2. 仿真与现实的鸿沟：仿真数据虽能扩量，但 Sim2Real 迁移难度大。且具身仿真追求千万次并行而非工业仿真追求的极致精度。

受益方向与风险：

1. 受益方向：重点关注卡住工业数据资产、具备终端部署能力的厂商（如中控技术），以及数字孪生、3D 环境重建等数据构建环节。
2. 核心风险：端侧算力延迟（控制需 10ms 响应）与大模型推力延迟不匹配；机器人物理世界容错率低，落地门槛高。