物理 AI:当智能走出屏幕,最大的市场与最深的陷阱

「行業研究」系列收尾篇。前面十一篇,從存儲到算力到應用,大多在數字世界裏。最後這一篇,看 AI 試圖走出屏幕、進入物理世界——具身智能。它是想象力最大的賽道,也是最容易讓人為一段炫酷 demo 付錯價的賽道。

01為什麼現在所有人都在談機器人

先理解,為什麼「機器人」這個老話題,突然又成了焦點。

機器人不是新東西——工廠裏的機械臂用了幾十年。但過去的機器人,是「沒有大腦的」:它們只會執行預先編好的、精確重複的動作,換個場景、遇到意外就抓瞎。它們能在結構化的流水線上擰螺絲,但走進一個雜亂的房間,連把杯子從桌上拿起來都做不到。

這一輪的不同,在於 AI 可能給機器人裝上「大腦」。大語言模型、視覺模型展現出的通用理解能力,讓人看到一種可能——機器人或許能第一次「理解」它面對的物理世界,而不只是機械地執行:看懂一個沒見過的場景、聽懂一句模糊的指令、應對沒預設過的意外。這就是「具身智能(embodied intelligence)」或「物理 AI」的核心命題——把數字世界裏那個無所不能的 AI 大腦,裝進一個能在物理世界裏行動的身體。

而它的誘惑,在於一個簡單到驚人的市場邏輯——體力勞動的市場,比腦力勞動大得多。 如果説 LLM 革的是知識工作的命,那具身智能瞄準的,是整個物理世界的勞動:製造、物流、護理、家務……這是一個以「全球勞動力」為天花板的市場。這就是為什麼特斯拉的 Optimus、各種人形機器人公司,會點燃如此巨大的想象——它對應的潛在市場(TAM),可能是所有 AI 應用裏最大的。

但恰恰在這個最大的誘惑旁邊,藏着這個賽道最深的陷阱。

02最深的陷阱:莫拉維克悖論

要給機器人的狂熱潑一盆冷靜的水,必須講一個幾十年前就被提出、卻至今成立的洞察——莫拉維克悖論(Moravec's paradox)。

它説的是一件極反直覺的事:對人類最難的事(下棋、做高等數學、寫代碼),對 AI 反而相對容易;而對人類最簡單的事(走路、抓握、保持平衡、在雜亂環境裏靈活行動),對 AI 反而最難。

為什麼?因為下棋、計算這些「高級智能」,是人類晚近才進化出的、可以被符號和規則描述的能力——而這恰恰是計算機擅長的。但走路、抓握、用恰到好處的力氣拿起一個雞蛋而不捏碎——這些是幾億年進化打磨出的、深植於我們身體本能、卻極難用規則描述的能力。它們看似簡單,實則是無比複雜的、實時的、連續的物理控制問題。

莫拉維克悖論對機器人投資的含義是致命的——它意味着,「讓 AI 在物理世界裏可靠地行動」這件事的難度,被系統性地低估了。 屏幕裏的 AI 已經能寫詩、能編程,但讓一個機器人在真實、雜亂、充滿意外的環境裏,可靠地完成「把這堆衣服疊好」這種對三歲小孩都不難的任務——可能比我們想象的難得多、慢得多。

這就引出了機器人賽道最大的認知陷阱:demo 與現實的鴻溝。 你在發佈會上看到的人形機器人,動作流暢、驚豔無比——但一段精心準備的 demo,和「在任意真實環境裏 7×24 可靠工作」之間,隔着莫拉維克悖論這道深淵。前者可能已經做到,後者可能還要十年。無數機器人公司,就死在這道「demo 很美、量產很慘」的鴻溝裏。

03把「機器人」拆開:已落地的,和在遠方的

正因為有這道鴻溝,看機器人賽道,絕不能籠統地談「機器人」。必須把它拆開——哪些是已經落地、在賺錢的,哪些還在遙遠的未來。 它們的投資邏輯天差地別。

已經落地的:工業自動化與特定場景機器人。 在結構化、可控的環境裏(工廠、倉庫),機器人早已大規模部署、創造真實價值——機械臂、AGV(自動導引車)、倉儲機器人。這一塊是真實的生意、有真實的現金流,且 AI 正讓它們變得更聰明、能處理更復雜的任務。這是機器人賽道里「確定的」一端——它不性感,但它是真的。

正在艱難推進的:自動駕駛。 自動駕駛,本質上是一種特定的具身智能——讓 AI 在「開車」這個單一物理任務上達到可靠。它的進展説明了一切:即便是這樣一個相對受限的任務(在道路上),都花了十幾年、燒了天量的錢,至今仍在「最後的可靠性」上艱難爬坡。自動駕駛是莫拉維克悖論最好的實證課——一個看似比通用人形簡單得多的具身任務,尚且如此之難。

還在遠方的:通用人形機器人。 這是想象力最大、也最不確定的一端。一個能在任意非結構化環境裏(你家、任何場所)靈活幹活的通用人形機器人,要直面莫拉維克悖論的全部難度。它可能是下一個十年甚至幾十年最偉大的事,也可能比所有人預期的都慢。這一端是「在遠方的」——它是賭注,不是現實。

看機器人,第一件事就是分清你談的是哪一端:是已經在倉庫裏幹活、有現金流的自動化(確定),還是發佈會上驚豔的人形(遠方的賭注)。把這兩者混為一談,是這個賽道最常見的認知錯誤,也是最容易付錯價的地方。

04我的判斷:用「賣鏟子 + 超長期權」的方式參與

那對個人投資者,怎麼參與物理 AI?我的框架,還是那套貫穿整個系列的邏輯——賣鏟子 + 槓鈴式的期權。

第一,優先「賣鏟子」,而非賭「誰的機器人會贏」。 無論最終是哪家的機器人勝出,它們都需要算力(訓練具身智能的大腦)、傳感器(讓機器人感知世界)、芯片、執行器、仿真平台。英偉達就在做物理 AI 的平台(用於訓練和仿真機器人)——這又是「賣鏟子」邏輯:不賭哪個機器人公司贏,賭「所有機器人公司都需要的底層工具」。在一個結果高度不確定的賽道,賣鏟子永遠比賭淘金者穩。

第二,把人形/通用機器人,當成「超長久期的期權」。 通用人形機器人,是一個潛在 TAM 巨大、但時間極長、不確定極高的賭注。它符合凸性期權的所有特徵:下行有限(如果你用小倉位)、上行極大(如果它成了,是改變世界級的)、時間極長。所以它的正確姿勢,和太空、和早期 biotech 完全一樣——小倉位、能虧得起、博一個十年後的極端上行,而不是因為一段炫酷 demo 就重倉押注。 而且要清醒:這個賽道最強的玩家之一(特斯拉的人形)藏在一家做着很多其他業務的巨頭裏,純粹的公開市場人形標的,大多還不成熟。

第三,警惕「demo 驅動的估值」。 這個賽道,是所有賽道里最容易被「炫酷演示」帶動情緒、推高估值的。一段機器人跳舞、疊衣服的視頻,可能讓相關標的暴漲。但莫拉維克悖論提醒我們:demo 的驚豔,和量產的可靠之間,隔着十年的深淵。 為一段 demo 付一個「彷彿量產就在明年」的價格,是這個賽道最大的虧錢方式。

這套打法背後,是我讀凱文·凱利《必然》《失控》帶來的一種長期主義的耐心——技術的長期方向(智能終將進入物理世界)可能是「必然」的,但它兑現的節奏,往往比鼓吹者説的慢得多、比懷疑者想的更徹底。 對一個「方向確定、時點極不確定」的趨勢,正確的姿勢永遠是:用賣鏟子分享確定的部分,用小倉位期權博取不確定的極端上行,然後,耐心地等。

05寫在最後:整個行業研究系列的收尾

物理 AI,是一個完美的收尾——因為它把整個系列的幾條主線,都匯聚到了一起。

它再次驗證了**「賣鏟子」的智慧(英偉達的物理 AI 平台,又是那個不賭淘金者、只賣工具的位置)。它再次需要「凸性期權」的紀律(人形機器人,和太空、和早期 biotech 一樣,是小倉位博極端上行的賭注)。它再次提醒我們「方向 ≠ 時點」**(智能進入物理世界或許必然,但節奏極難預測)。而莫拉維克悖論,則給了我們一個樸素而深刻的護身符——對人最簡單的,對機器最難;所以最驚豔的 demo,可能離最可靠的量產,還隔着最深的鴻溝。

回望這整個行業研究系列——從存儲的超級週期,到 AI 算力棧的價值遷移,到應用層的護城河之辨,到太空、光通信、創新藥、機器人——我想表達的,其實始終是同一件事:

看懂一個行業,不是去預測誰會贏(那往往是徒勞的),而是去看清這個行業的底層結構——它的瓶頸在哪、價值如何分配、護城河從哪來、它服從什麼樣的概率分佈——然後用一個「無論誰贏、我都不會被打垮、且總能分享到紅利」的結構去參與它。 這,和我做資產配置的哲學,是同一套東西,只是從「資產之間」具體到了「行業之內」。

如果整個系列只留一句,我希望是這句——

行業研究的終點,不是預測未來屬於哪個賽道、哪家公司;是看清每個賽道的底層結構,然後永遠用「賣鏟子 + 凸性期權 + 不被任何單一結果打垮」的方式,去參與那個你看好、卻無法預知細節的未來。

不預測未來,而是為所有未來做準備——這句貫穿我資產配置系列的話,在行業研究的盡頭,依然成立。

——

行業研究系列(全十二篇)到此完整。從存儲到機器人,願這張產業地圖,對你有用。

風險提示:本文為產業鏈研究,所涉行業與公司僅作分析示例,不構成任何投資建議。市場有風險,投資需謹慎。