我读完华安证券这份《物理AI：世界模型+具身智能，AI的下一个风口》，第一反应其实有点不厚道：又来了，又一个“下一个风口”。
嗯，我承认，这反应有点条件反射。毕竟这两年“风口”两个字被用得太勤了，勤到有点像楼下便利店门口的风铃，谁进门都响一下。
但翻到数据那几页，我停住了。
不是被6万亿美元震住——那个数当然大，大到写的时候我都怕手滑多打一个零，而且口径不一样，别把它当精确预言——真正让我坐直的是另一组对比：
全球高质量真实物理交互数据，总量只有50万小时；训练一个通用具身模型，至少需要1000万小时。当前数据量，不足实际需求的5%。中国信通院《具身智能训练场研究报告（2026年）》更直接：全球可用高质量真实数据仅数十万至百万小时级，数据缺口超过99%。
你想想这个画面。要跑一千里远征，粮草只备了不到5%。要拍一部连续剧，手里只有几张剧照。这不是“缺口”，这是鸿沟。说“不足5%”都已经算客气了。
所以，物理AI这事儿，我先给个偏保守的判断：短期别把它当印钞机。它更像修路。路修好了，车才跑得起来；路没修好，机器人再漂亮，也只能在展厅里亮灯。
先说清楚：它不是“机器人+大模型”这么简单我一开始也偷懒，觉得物理AI嘛，不就是给机器人塞个大模型？
后来发现不对。这个理解太糙了。
报告里把物理AI拆成两层：认知层是世界模型，行动层是具身智能。听着有点学术，我换个说法——世界模型像AI脑子里的“物理沙盘”，具身智能像AI的手脚和感官。一个负责想明白，一个负责干出来。不是谁管谁，是缺一不可。
传统语言模型的逻辑，是预测下一个“词”。世界模型的逻辑，是预测下一个“状态”。一个在“接话”，一个在“推演世界”。这话有点绕，但挺关键。生成式AI擅长文本、图像这些抽象数据，对现实世界的动态场景、物理法则理解有限；物理AI要把数据驱动和物理法则拧成一股绳，让AI不只“知道”，还能“做到”。
报告举了几个例子，我觉得比空讲概念有画面感：
自动驾驶，暴雨夜，前方卡车突然掉落异物，行人从车后猛地横穿。物理AI要在仿真里反复预演，判断行人和车辆的运动趋势，再做安全决策。报告提到，小鹏自动驾驶系统融合物理AI后，应对恶劣天气能力提升30%。
智能制造，新能源电池厂用英伟达Omniverse搭数字孪生系统，产线实时感知物料位置、检测缺陷、动态优化节奏，设备利用率提升35%，能耗降低20%。
医疗，达芬奇手术机器人集成物理AI后，能计算组织张力、缝合力度和器械形变，术中出血量减少40%。
这些例子不一定每个都完美，但方向很清楚：AI正从“会聊天”往“会干活”挪。屏幕里的聪明，要变成现实世界的能干。
市场空间呢？报告给了几个口径：Coatue Management测算物理AI市场规模可达6万亿美元；黄仁勋认为物理AI有望重塑50万亿美元的制造和物流产业；弗若斯特沙利文预计2030年中国物理AI仿真及数据平台市场规模1806亿元。数字差异挺大，别混着用。但它们指向同一件事：这不是小修小补，是一条千亿至万亿级美元的新赛道。
我最在意的，不是6万亿，是那99%的数据缺口说白了，物理AI这波，卡脖子的地方可能不在算力，而在数据。
而且不是普通数据。世界模型要的，不是“描述数据”，是“演化数据”。李飞飞有个说法，大语言模型的基本单元是词元，关于表达；世界模型的基本单元是像素或空间单元，关于观察和行动。LLM需要token、图像标注，本质是“给世界拍照写说明”；世界模型需要根据“状态→动作→下一个状态”，预测世界怎么演化，这是“拍连续剧”。
报告把世界模型的数据需求拆成七类：被动观测数据、动作条件数据、多模态物理数据、仿真数据、合成与想象数据、长尾与反事实数据、评测数据。我不打算一条条背，太像上课。你只要记住两个反差就行：
一边，图片、视频、人类操作视频这类被动观测数据量最大，最容易拿，但天花板明显。只用这类数据训练，出来的是视频预测模型，不是世界模型。
另一边，动作条件数据最稀缺——谁在什么时刻施加了什么动作，方向、力度、持续时间，动作之后世界变成什么样。这是从“视频预测模型”升级到“世界模型”的分水岭。还有长尾与反事实数据，暴雨天卡车掉落异物、行人突然横穿、传感器被遮挡，真实世界几乎采不到，却定义模型能力边界。
所以数据缺口有多大，基础设施的机会就有多硬。亿欧智库的数据是，全球具身智能数据集规模从2024年的7.37亿美元，增长到2031年的70.14亿美元。近十倍的增长曲线，背后是一场“数据修路战”。
我甚至觉得，物理AI短期最确定的生意，可能不是造机器人，而是帮机器人“喂数据”。这话有点主观，但我认。
修路的人，先忙起来了报告里点了一串公司。不是推荐，是看它们卡在什么位置。我挑几个说，不然像报菜名。
华数传媒，持股浙江具身智能数据运营有限公司55%。这家数据运营公司2026年8月成立，定位是省级具身智能数据基础设施与数据产品运营主体。华数传媒还是国家人工智能应用中试基地（具身智能）18家基石合伙人之一；2026年9月，全资子公司华数传媒网络中标“国家具身智能应用中试基地2026年算网存用安项目”，金额8783.4万元。它像什么？像“数据银行”，卡位数据运营与交易。谁掌握数据的运营与交易权，谁就可能是物理AI赛道里的“卖水人”。
宝通科技，联合光轮智能注册“无锡宝光物理人工智能科技有限公司”，宝通持股70%，光轮智能持股30%，7月7日设立。一边是宝通在工业场景和工程交付上的积累，一边是光轮智能在物理仿真、合成数据和机器人评测上的技术。它们想把矿山、钢铁、港口、电力、深空等复杂场景“复刻”进仿真，再让算法回流真机。我不太喜欢“All in AI”这种口号，但宝通这次至少把工业场景和数据底座接上了，比空喊强。
风语筑，7月2日与松应科技共同投资成立风应科技。风语筑在真实空间数字化、空间资产沉淀和行业场景上有积累，松应科技有自研ORCA物理AI操作系统。两边一合，围绕物理仿真、空间数据生成、虚实融合训练和行业场景应用做探索。它像在给物理AI“造训练场”。从数字展馆走到训练场，这个转身有点意思，不是硬蹭。
五一视界，发布“物理直觉”世界模型51WorldModel，服务超1400家企业客户，覆盖智能驾驶、具身机器人、低空经济、数字工厂、智慧基建、应急防灾等场景；旗下51Sim在高阶智驾仿真领域市场份额53.5%。报告说，51WorldModel在具身仿真训练场景中，识别结果一致性超92%、车辆行为一致性超95%、风险场景召回率超90%。这些数字要放回报告口径里看，但至少说明它不是只讲概念。
凡拓数创，7月发布物理AI全模态数据集，提供四大类规模化、高质量、已标注数据，积累近10亿级AI3D数字资产；FunSim仿真平台具备亚毫米级物理仿真精度，支持五十余种环境物理参数调节。它走的是“数据采集、标注、仿真训练、训练场建设、自主控制器”的全栈闭环，定位是不跟机器人本体厂商、大模型厂商直接竞争，给它们做基础设施。
天奇股份，持股UQI优奇、天奇银河布局具身智能。UQI优奇2020年由优必选与天奇股份共同出资成立，截至2026年7月天奇合计持股22.49%；2025年12月UQI优奇与字节火山引擎签署合作协议，聚焦VLA、世界模型等在人形机器人、无人物流车、工业移动机器人中的工业及物流应用。2025年5月，天奇出资220万元与北京银河通用成立无锡天奇银河机器人公司，持股55%。“字节链”标签很热，但标签归标签，落地还得看场景。
海天瑞声，长期聚焦AI模型训练所用专业数据集。2025年8月15日，与人形机器人数据训练中心共同成立“海天瑞声具身智能数据训练场”，做“数据采集—模型训练—场景验证”的闭环。
德马科技，联合麦擎智能发布第一人称具身智能数据采集全管线OmniEgo。报告给的数字挺猛：单人日均稳定采集8小时以上，千人团队月产有效数据突破20万小时，采集效率提升10倍以上；综合成本降低80%，单小时数据成本降到传统模式的1/5。它还联合湖州市政府及智元、优必选等成立“浙北数据空间”具身智能机器人数据采集与训练中心。采集这活儿不性感，但它是粮草。
爱仕达，2016年收购浙江钱江机器人，2019年在上海建智能制造产业平台“智能谷”。2026年7月6日与智元创新战略合作，覆盖机器人真实场景采集、模型训练、场景落地等全链条。它想用商业、工厂、家庭三类场景做“实景实训—数据沉淀—产品迭代—规模部署”的闭环。
索辰科技，以物理AI为核心，构建从高精度物理引擎到物理AI解决方案的完整链路。流体、结构、声学、电磁、光学等多物理场高精度引擎，加上物理合成数据、物理AI SDK和解决方案。它是那种不站在聚光灯下、但绕不开的活。物理AI要讲“物理真值”，总得有人把引擎造出来。
凌云光，深耕“视觉+AI”，FZMotion运动捕捉系统可实时跟踪测量并记录三维空间内点的轨迹、刚体运动姿态和人体动作，应用于3D动画、虚拟拍摄、仿真交互、无人系统集群控制、具身智能、运动康复等场景。它像给物理AI配了一双“捕捉动作的眼睛”。
热闹归热闹，坑也在写到这儿，得泼点冷水，不然像带货。
报告提示了三类风险：AI技术迭代不及预期；AI商业化兑现不及预期；行业竞争加剧。这三条不是套话。物理世界比文本世界复杂得多，真实数据采集难、标准化低、成本高，仿真与真实之间还有Sim2Real鸿沟。数据缺口是机会，也是路障。
我偏保守：物理AI不会因为一份报告就一夜成熟。它更像一场修路战，先修数据、仿真、评测和部署反馈的基础设施，再谈机器人大规模进厂进店进家庭。热闹的是本体，苦活的是数据；但最后卡住大家的，往往就是苦活。
不过趋势已经摆在那儿了。AI正从“会聊天”走向“会干活”，从屏幕里的聪明，走向现实世界的能干。世界模型给它大脑，具身智能给它手脚，高质量数据给它粮草。
下一个风口，真不在屏幕里。它在车间里、道路上、矿井下、手术台旁，在每一次“感知—决策—执行—反馈”的闭环里。
作者声明： 本文转载自第三方，旨在提供资讯参考，并非证券推荐或投资建议。作者对内容的真实性、准确性不承担保证责任。本文不构成任何投资建议或证券推荐。截至发文日，作者与文中提及的标的不存在持仓关系。