📰 研报摘要
查看全文 ➔摘要： 本次会议由西部证券计算机分析师主持，邀请业内专家探讨“物理 AI”的技术定义、模型架构及其在机器人产业链中的应用机会。会议重点分析了模型、算力、感知硬件、仿真平台五个核心方向。
行业主线：
- 物理 AI 定义与模型：物理 AI 旨在使 AI 脱离屏幕，在 3D 物理空间中实现感知、理解与决策。核心模型包括视觉语言模型（VLM）用于场景理解、视觉语言动作模型（VLA）用于行为决策，以及世界模型（World Model）用于预测物理世界的连续变化。
- 算力需求升级：物理 AI 的训练规模预计将遵循 Scaling Law，且由于涉及多维数据（视觉、听觉、触觉），其算力消耗将远超大语言模型。
关键变化与分歧：
- 端侧与边缘推理的必要性：由于机器人交互对实时性要求极高（响应需在 500 毫秒以内），云端推理无法满足需求，边缘侧和端侧算力将成为刚需。
- 感知硬件重心转移：3D 深度相机（RGB-D）被认为是机器人获取外部信息最核心的硬件，重要性高于激光雷达。
- 数据采集路径：由于人工数采成本高且难以形成通用模型，行业趋势正向基于数字孪生的仿真平台生成合成数据转移。
受益方向与风险：
- 受益方向：3D 视觉传感器（尤其是 RGB-D 相机）、力矩/触觉传感器（电子皮肤）、线性执行器（丝杠）、灵巧手以及高性能边缘推理芯片。
- 核心风险：国产 AI 芯片与海外领先水平（如 NVIDIA）仍存在代差；世界模型训练属于资本密集型投入，国内厂商体量可能不足。