据 Woofun AI 消息，美光科技在2026财年第三财季交出了创纪录的财报，总收入达到415亿美元，同比暴增346%，Non-GAAP综合毛利率飙升至84.9%，连续第五个季度刷新收入纪录。

然而，比这些财务数据更值得深究的，是管理层在电话会议中释放的战略转向信号：AI 驱动的存储需求将不再局限于数据中心，而是向手机、PC、汽车、工业应用及机器人领域全面渗透。美光明确指出，人形机器人与高阶自动驾驶将成为未来数十年的核心增量来源，其中L2+及以上自动驾驶车辆的内存与存储量是普通汽车的5倍以上，而人形机器人的存储容量更是前者的10倍。

这一判断预示着从2020年代后半段开始，全球将开启一个长达数十年的内存需求新周期。为何一家以AI 数据中心为核心引擎的存储巨头，此刻开始大谈机器人叙事？深层原因在于，AI 产业链的增长锚点正在发生根本性位移，从单纯的数字AI 转向更具爆发力的物理AI。2026年1月，黄仁勋在拉斯维加斯CES 舞台上宣称'物理AI 的ChatGPT 时刻已经到来'，尽管带有营销色彩，但趋势已不可逆转。Waymo 在2025年底实现了每周45万次付费出行，亚马逊在2025年6月部署了第100万台机器人，辅助处理其全球75%的客户订单配送量。这些案例表明，物理AI 正在解决真实环境中的不确定性决策问题，其载体涵盖了所有需要AI 亲自操作的场景。从大模型AI 到物理AI，不仅是技术概念的迭代，更是经济规模的跃升。当AI 从数字化办公走向汽车、工厂、医院及家庭，其面对的是庞大的实体经济市场。英国咨询机构Future Markets发布的《全球物理AI 市场2026-2040》报告显示，该市场预计将从2026年的约3830亿美元，增长至2040年的3.26万亿美元，这将是历史上规模最大的技术市场扩张之一。德意志银行年初判断，2026年是自动驾驶从测试走向规模落地、人形机器人从实验室走向小规模量产的分水岭年份，这也解释了为何科技巨头集体将资源押注于此，试图寻找第二条增长曲线。

Woofun AI 整理数据显示，物理AI 对现有AI 产业链价值分配的影响将引发剧烈震荡，其核心在于是否会创造全新的产品品类。短期来看，物理AI 仍依赖现有产业链的存量红利，训练模型需要GPU，推理需要HBM，云端需要数据中心，机器人厂商同样离不开云、芯片、存储和软件工具。美光的HBM、英伟达的GPU、各大云厂商的计算资源，构成了物理AI 的底层基石。但长期视角下，物理AI 将在现有产业链之外催生出前所未有的新需求，彻底重写芯片与存储层的逻辑。目前大模型AI 训练主要依赖数据中心GPU，而物理AI 除了云端训练，更需要在机器人本体上部署专用AI 芯片。

这种芯片的工作环境截然不同，必须具备低功耗、低延迟、抗震动、可散热及长期运行能力，同时需接入摄像头、雷达、IMU、触觉传感器和电机控制系统。英伟达Jetson Thor、高通Dragonwing IQ10、AMD Embedded 及Arm 边缘架构，都将成为这条新链路的核心玩家。存储逻辑同样被重构，大模型的存储需求集中在云端训练侧，而人形机器人作为移动的多传感器AI 系统，需本地保存和处理视频流、地图、轨迹、本地模型、任务记忆、失败案例、传感器缓存及控制日志。低功耗、高带宽、高可靠性的内存和存储，将成为物理AI 的关键增量，这正是美光预判'长达数十年需求周期'的根本依据。在模型与软件层，大模型输出Token，而物理AI 输出Action，这一差异重新定义了软件市场的边界。物理AI 的技术底座不再是语言模型，而是世界模型，旨在将物理世界的运行规律压缩进参数，赋予AI 对空间、运动及因果关系的理解能力。仅有世界模型远远不够，一个能在物理世界行动的机器人，还需要抓取模型、导航模型、操作模型、安全模型、机器人操作系统、远程运维、OTA 更新及Fleet Learning 平台等全套支撑。阿里巴巴发布的具身智能Qwen-Robot 模型系列，分别负责导航、操作及物理世界模拟；英伟达发布的面向人形机器人的开放式基础模型Isaac GR00T，支持推理、学习与多任务行为。未来，机器人厂商可能不再需要从头研发每一层，而是购买现成的模型和平台，这将形成一个规模不亚于今日模型和SaaS 市场的全新领域，服务对象转变为在物理世界中行动的机器。平台与仿真层的变革同样关键，物理AI 的实际应用首先依赖仿真能力的规模化。机器人需知晓杯子重量、潮湿地面摩擦系数及光照变化对视觉系统的影响，这些知识无法从文本获取，必须靠大量真实动作数据积累，让机器人在虚拟仿真环境里跑数百万次场景，再将训练好的能力迁移至真实硬件。这催生了一个全新产品品类——开发、仿真、部署和验证平台。英伟达正致力于将这套物理AI 工具链打造为下一个CUDA，串联起四个核心产品：Isaac 负责机器人开发和仿真，Omniverse 负责数字孪生，Cosmos 负责世界模型，GR00T 面向人形机器人的基础模型和数据管线。宝马、梅赛德斯-奔驰等车企已在用英伟达的Omniverse 仿真平台构建全工厂的数字孪生。当这套平台成为训练物理AI 的必经之路，英伟达的角色将从单纯卖GPU，转变为物理AI 的操作系统入口。前三层的变化最终将传导至整车与工厂，重塑生产基础设施。三星在MWC 2026宣布将在2030年前把全球制造体系转向AI 驱动工厂；卡特彼勒利用Omniverse 构建工厂数字孪生，实施预测性维护和柔性生产调度。这些真实资本支出的方向变化，意味着人工成本、工厂折旧、供应链弹性、生产效率、安全风险及维护成本都在被重新计算。物理AI 的真正野心在于让AI 第一次真正与GDP 里的实体部分直接相连。当汽车从交通工具变为智能驾驶机器人，当工厂从自动化产线变为具身智能的协同网络，整条制造业的估值逻辑将被彻底重写。若物理AI 成为下一轮产业叙事，谁将最先受益？市场第一反应往往是机器人本体、灵巧手、减速器、电机及传感器等公司，但反直觉的是，它们可能并非最先受益的一波。AI 产业过去两年的经验证明，技术革命初期，最先赚钱的通常不是应用公司，而是'卖铲子'的基础设施公司。大模型浪潮中，最先获利的并非OpenAI、Google 等应用方，而是英伟达、台积电、美光、SK 海力士、博通等基础设施巨头。物理AI 也将重复这一过程。在机器人真正大规模进入工厂、仓库、家庭和服务业之前，厂商需先训练模型、搭建仿真环境、采集数据、采购边缘芯片、配置本地存储、建立远程运维系统并反复测试安全性。因此，物理AI 早期最先受益的，是给机器人时代'卖铲子'的公司。

这一次铲子的形态比大模型时代更复杂，涵盖从云端到本体、从仿真到执行、从模型到控制的全套基础设施。美光在财报电话会中谈论机器人的真正价值在于，它是这条传导链上最早感受到信号的一环，比机器人本体出货量早了至少一两个财报周期。这条传导链一旦成立，物理AI 就不只是一个机器人故事，而是整个AI 产业链的新一轮扩张。这标志着继大模型之后，AI 产业正式迈入与实体经济深度融合的新阶段，基础设施层的价值重估才刚刚开始。