物理 AI 的 Scaling 路径探讨与 Covariant VAM 架构解析

本文探讨了物理 AI 领域的 Scaling Law 路径及 Covariant 最新发布的 VAM 架构。Covariant 通过 VAM 架构将机器人预训练数据量提升至 100 万小时，验证了物理 AI 领域 Scaling Law 的可行性。VAM 架构通过同时预测动作与世界状态，在处理大规模异构、低质量数据（如头戴设备采集的第一视角视频）时的泛化能力优于仅预测动作的 VLA 架构。目前物理 AI Scaling Law 的路径可行性评估约 70%-80%，后续需观察头部企业是否跟进架构切换。投资逻辑上，短期利好数据采集与销售及相关设备“铲子股”，长期看好以世界模型为核心的具身智能大脑开发企业。