據 Woofun AI 消息，美光科技在2026財年第三財季交出了創紀錄的財報，總收入達到415億美元，同比暴增346%，Non-GAAP綜合毛利率飆升至84.9%，連續第五個季度刷新收入紀錄。

然而，比這些財務數據更值得深究的，是管理層在電話會議中釋放的戰略轉向信號：AI 驅動的存儲需求將不再侷限於數據中心，而是向手機、PC、汽車、工業應用及機器人領域全面滲透。美光明確指出，人形機器人與高階自動駕駛將成爲未來數十年的核心增量來源，其中L2+及以上自動駕駛車輛的內存與存儲量是普通汽車的5倍以上，而人形機器人的存儲容量更是前者的10倍。

這一判斷預示着從2020年代後半段開始，全球將開啓一個長達數十年的內存需求新週期。爲何一家以AI 數據中心爲核心引擎的存儲巨頭，此刻開始大談機器人敘事？深層原因在於，AI 產業鏈的增長錨點正在發生根本性位移，從單純的數字AI 轉向更具爆發力的物理AI。2026年1月，黃仁勳在拉斯維加斯CES 舞臺上宣稱'物理AI 的ChatGPT 時刻已經到來'，儘管帶有營銷色彩，但趨勢已不可逆轉。Waymo 在2025年底實現了每週45萬次付費出行，亞馬遜在2025年6月部署了第100萬臺機器人，輔助處理其全球75%的客戶訂單配送量。這些案例表明，物理AI 正在解決真實環境中的不確定性決策問題，其載體涵蓋了所有需要AI 親自操作的場景。從大模型AI 到物理AI，不僅是技術概念的迭代，更是經濟規模的躍升。當AI 從數字化辦公走向汽車、工廠、醫院及家庭，其面對的是龐大的實體經濟市場。英國諮詢機構Future Markets發佈的《全球物理AI 市場2026-2040》報告顯示，該市場預計將從2026年的約3830億美元，增長至2040年的3.26萬億美元，這將是歷史上規模最大的技術市場擴張之一。德意志銀行年初判斷，2026年是自動駕駛從測試走向規模落地、人形機器人從實驗室走向小規模量產的分水嶺年份，這也解釋了爲何科技巨頭集體將資源押注於此，試圖尋找第二條增長曲線。

Woofun AI 整理數據顯示，物理AI 對現有AI 產業鏈價值分配的影響將引發劇烈震盪，其核心在於是否會創造全新的產品品類。短期來看，物理AI 仍依賴現有產業鏈的存量紅利，訓練模型需要GPU，推理需要HBM，雲端需要數據中心，機器人廠商同樣離不開雲、芯片、存儲和軟件工具。美光的HBM、英偉達的GPU、各大雲廠商的計算資源，構成了物理AI 的底層基石。但長期視角下，物理AI 將在現有產業鏈之外催生出前所未有的新需求，徹底重寫芯片與存儲層的邏輯。目前大模型AI 訓練主要依賴數據中心GPU，而物理AI 除了雲端訓練，更需要在機器人本體上部署專用AI 芯片。

這種芯片的工作環境截然不同，必須具備低功耗、低延遲、抗震動、可散熱及長期運行能力，同時需接入攝像頭、雷達、IMU、觸覺傳感器和電機控制系統。英偉達Jetson Thor、高通Dragonwing IQ10、AMD Embedded 及Arm 邊緣架構，都將成爲這條新鏈路的核心玩家。存儲邏輯同樣被重構，大模型的存儲需求集中在雲端訓練側，而人形機器人作爲移動的多傳感器AI 系統，需本地保存和處理視頻流、地圖、軌跡、本地模型、任務記憶、失敗案例、傳感器緩存及控制日誌。低功耗、高帶寬、高可靠性的內存和存儲，將成爲物理AI 的關鍵增量，這正是美光預判'長達數十年需求週期'的根本依據。在模型與軟件層，大模型輸出Token，而物理AI 輸出Action，這一差異重新定義了軟件市場的邊界。物理AI 的技術底座不再是語言模型，而是世界模型，旨在將物理世界的運行規律壓縮進參數，賦予AI 對空間、運動及因果關係的理解能力。僅有世界模型遠遠不夠，一個能在物理世界行動的機器人，還需要抓取模型、導航模型、操作模型、安全模型、機器人操作系統、遠程運維、OTA 更新及Fleet Learning 平臺等全套支撐。阿里巴巴發佈的具身智能Qwen-Robot 模型系列，分別負責導航、操作及物理世界模擬；英偉達發佈的面向人形機器人的開放式基礎模型Isaac GR00T，支持推理、學習與多任務行爲。未來，機器人廠商可能不再需要從頭研發每一層，而是購買現成的模型和平臺，這將形成一個規模不亞於今日模型和SaaS 市場的全新領域，服務對象轉變爲在物理世界中行動的機器。平臺與仿真層的變革同樣關鍵，物理AI 的實際應用首先依賴仿真能力的規模化。機器人需知曉杯子重量、潮溼地面摩擦係數及光照變化對視覺系統的影響，這些知識無法從文本獲取，必須靠大量真實動作數據積累，讓機器人在虛擬仿真環境裏跑數百萬次場景，再將訓練好的能力遷移至真實硬件。這催生了一個全新產品品類——開發、仿真、部署和驗證平臺。英偉達正致力於將這套物理AI 工具鏈打造爲下一個CUDA，串聯起四個核心產品：Isaac 負責機器人開發和仿真，Omniverse 負責數字孿生，Cosmos 負責世界模型，GR00T 面向人形機器人的基礎模型和數據管線。寶馬、梅賽德斯-奔馳等車企已在用英偉達的Omniverse 仿真平臺構建全工廠的數字孿生。當這套平臺成爲訓練物理AI 的必經之路，英偉達的角色將從單純賣GPU，轉變爲物理AI 的操作系統入口。前三層的變化最終將傳導至整車與工廠，重塑生產基礎設施。三星在MWC 2026宣佈將在2030年前把全球製造體系轉向AI 驅動工廠；卡特彼勒利用Omniverse 構建工廠數字孿生，實施預測性維護和柔性生產調度。這些真實資本支出的方向變化，意味着人工成本、工廠折舊、供應鏈彈性、生產效率、安全風險及維護成本都在被重新計算。物理AI 的真正野心在於讓AI 第一次真正與GDP 裏的實體部分直接相連。當汽車從交通工具變爲智能駕駛機器人，當工廠從自動化產線變爲具身智能的協同網絡，整條製造業的估值邏輯將被徹底重寫。若物理AI 成爲下一輪產業敘事，誰將最先受益？市場第一反應往往是機器人本體、靈巧手、減速器、電機及傳感器等公司，但反直覺的是，它們可能並非最先受益的一波。AI 產業過去兩年的經驗證明，技術革命初期，最先賺錢的通常不是應用公司，而是'賣鏟子'的基礎設施公司。大模型浪潮中，最先獲利的並非OpenAI、Google 等應用方，而是英偉達、臺積電、美光、SK 海力士、博通等基礎設施巨頭。物理AI 也將重複這一過程。在機器人真正大規模進入工廠、倉庫、家庭和服務業之前，廠商需先訓練模型、搭建仿真環境、採集數據、採購邊緣芯片、配置本地存儲、建立遠程運維繫統並反覆測試安全性。因此，物理AI 早期最先受益的，是給機器人時代'賣鏟子'的公司。

這一次鏟子的形態比大模型時代更復雜，涵蓋從雲端到本體、從仿真到執行、從模型到控制的全套基礎設施。美光在財報電話會中談論機器人的真正價值在於，它是這條傳導鏈上最早感受到信號的一環，比機器人本體出貨量早了至少一兩個財報週期。這條傳導鏈一旦成立，物理AI 就不只是一個機器人故事，而是整個AI 產業鏈的新一輪擴張。這標誌着繼大模型之後，AI 產業正式邁入與實體經濟深度融合的新階段，基礎設施層的價值重估纔剛剛開始。