「行业研究」系列收尾篇。前面十一篇,从存储到算力到应用,大多在数字世界里。最后这一篇,看 AI 试图走出屏幕、进入物理世界——具身智能。它是想象力最大的赛道,也是最容易让人为一段炫酷 demo 付错价的赛道。
为什么现在所有人都在谈机器人
先理解,为什么「机器人」这个老话题,突然又成了焦点。
机器人不是新东西——工厂里的机械臂用了几十年。但过去的机器人,是「没有大脑的」:它们只会执行预先编好的、精确重复的动作,换个场景、遇到意外就抓瞎。它们能在结构化的流水线上拧螺丝,但走进一个杂乱的房间,连把杯子从桌上拿起来都做不到。
这一轮的不同,在于 AI 可能给机器人装上「大脑」。大语言模型、视觉模型展现出的通用理解能力,让人看到一种可能——机器人或许能第一次「理解」它面对的物理世界,而不只是机械地执行:看懂一个没见过的场景、听懂一句模糊的指令、应对没预设过的意外。这就是「具身智能(embodied intelligence)」或「物理 AI」的核心命题——把数字世界里那个无所不能的 AI 大脑,装进一个能在物理世界里行动的身体。
而它的诱惑,在于一个简单到惊人的市场逻辑——体力劳动的市场,比脑力劳动大得多。 如果说 LLM 革的是知识工作的命,那具身智能瞄准的,是整个物理世界的劳动:制造、物流、护理、家务……这是一个以「全球劳动力」为天花板的市场。这就是为什么特斯拉的 Optimus、各种人形机器人公司,会点燃如此巨大的想象——它对应的潜在市场(TAM),可能是所有 AI 应用里最大的。
但恰恰在这个最大的诱惑旁边,藏着这个赛道最深的陷阱。
最深的陷阱:莫拉维克悖论
要给机器人的狂热泼一盆冷静的水,必须讲一个几十年前就被提出、却至今成立的洞察——莫拉维克悖论(Moravec's paradox)。
它说的是一件极反直觉的事:对人类最难的事(下棋、做高等数学、写代码),对 AI 反而相对容易;而对人类最简单的事(走路、抓握、保持平衡、在杂乱环境里灵活行动),对 AI 反而最难。
为什么?因为下棋、计算这些「高级智能」,是人类晚近才进化出的、可以被符号和规则描述的能力——而这恰恰是计算机擅长的。但走路、抓握、用恰到好处的力气拿起一个鸡蛋而不捏碎——这些是几亿年进化打磨出的、深植于我们身体本能、却极难用规则描述的能力。它们看似简单,实则是无比复杂的、实时的、连续的物理控制问题。
莫拉维克悖论对机器人投资的含义是致命的——它意味着,「让 AI 在物理世界里可靠地行动」这件事的难度,被系统性地低估了。 屏幕里的 AI 已经能写诗、能编程,但让一个机器人在真实、杂乱、充满意外的环境里,可靠地完成「把这堆衣服叠好」这种对三岁小孩都不难的任务——可能比我们想象的难得多、慢得多。
这就引出了机器人赛道最大的认知陷阱:demo 与现实的鸿沟。 你在发布会上看到的人形机器人,动作流畅、惊艳无比——但一段精心准备的 demo,和「在任意真实环境里 7×24 可靠工作」之间,隔着莫拉维克悖论这道深渊。前者可能已经做到,后者可能还要十年。无数机器人公司,就死在这道「demo 很美、量产很惨」的鸿沟里。
把「机器人」拆开:已落地的,和在远方的
正因为有这道鸿沟,看机器人赛道,绝不能笼统地谈「机器人」。必须把它拆开——哪些是已经落地、在赚钱的,哪些还在遥远的未来。 它们的投资逻辑天差地别。
已经落地的:工业自动化与特定场景机器人。 在结构化、可控的环境里(工厂、仓库),机器人早已大规模部署、创造真实价值——机械臂、AGV(自动导引车)、仓储机器人。这一块是真实的生意、有真实的现金流,且 AI 正让它们变得更聪明、能处理更复杂的任务。这是机器人赛道里「确定的」一端——它不性感,但它是真的。
正在艰难推进的:自动驾驶。 自动驾驶,本质上是一种特定的具身智能——让 AI 在「开车」这个单一物理任务上达到可靠。它的进展说明了一切:即便是这样一个相对受限的任务(在道路上),都花了十几年、烧了天量的钱,至今仍在「最后的可靠性」上艰难爬坡。自动驾驶是莫拉维克悖论最好的实证课——一个看似比通用人形简单得多的具身任务,尚且如此之难。
还在远方的:通用人形机器人。 这是想象力最大、也最不确定的一端。一个能在任意非结构化环境里(你家、任何场所)灵活干活的通用人形机器人,要直面莫拉维克悖论的全部难度。它可能是下一个十年甚至几十年最伟大的事,也可能比所有人预期的都慢。这一端是「在远方的」——它是赌注,不是现实。
看机器人,第一件事就是分清你谈的是哪一端:是已经在仓库里干活、有现金流的自动化(确定),还是发布会上惊艳的人形(远方的赌注)。把这两者混为一谈,是这个赛道最常见的认知错误,也是最容易付错价的地方。
我的判断:用「卖铲子 + 超长期权」的方式参与
那对个人投资者,怎么参与物理 AI?我的框架,还是那套贯穿整个系列的逻辑——卖铲子 + 杠铃式的期权。
第一,优先「卖铲子」,而非赌「谁的机器人会赢」。 无论最终是哪家的机器人胜出,它们都需要算力(训练具身智能的大脑)、传感器(让机器人感知世界)、芯片、执行器、仿真平台。英伟达就在做物理 AI 的平台(用于训练和仿真机器人)——这又是「卖铲子」逻辑:不赌哪个机器人公司赢,赌「所有机器人公司都需要的底层工具」。在一个结果高度不确定的赛道,卖铲子永远比赌淘金者稳。
第二,把人形/通用机器人,当成「超长久期的期权」。 通用人形机器人,是一个潜在 TAM 巨大、但时间极长、不确定极高的赌注。它符合凸性期权的所有特征:下行有限(如果你用小仓位)、上行极大(如果它成了,是改变世界级的)、时间极长。所以它的正确姿势,和太空、和早期 biotech 完全一样——小仓位、能亏得起、博一个十年后的极端上行,而不是因为一段炫酷 demo 就重仓押注。 而且要清醒:这个赛道最强的玩家之一(特斯拉的人形)藏在一家做着很多其他业务的巨头里,纯粹的公开市场人形标的,大多还不成熟。
第三,警惕「demo 驱动的估值」。 这个赛道,是所有赛道里最容易被「炫酷演示」带动情绪、推高估值的。一段机器人跳舞、叠衣服的视频,可能让相关标的暴涨。但莫拉维克悖论提醒我们:demo 的惊艳,和量产的可靠之间,隔着十年的深渊。 为一段 demo 付一个「仿佛量产就在明年」的价格,是这个赛道最大的亏钱方式。
这套打法背后,是我读凯文·凯利《必然》《失控》带来的一种长期主义的耐心——技术的长期方向(智能终将进入物理世界)可能是「必然」的,但它兑现的节奏,往往比鼓吹者说的慢得多、比怀疑者想的更彻底。 对一个「方向确定、时点极不确定」的趋势,正确的姿势永远是:用卖铲子分享确定的部分,用小仓位期权博取不确定的极端上行,然后,耐心地等。
写在最后:整个行业研究系列的收尾
物理 AI,是一个完美的收尾——因为它把整个系列的几条主线,都汇聚到了一起。
它再次验证了**「卖铲子」的智慧(英伟达的物理 AI 平台,又是那个不赌淘金者、只卖工具的位置)。它再次需要「凸性期权」的纪律(人形机器人,和太空、和早期 biotech 一样,是小仓位博极端上行的赌注)。它再次提醒我们「方向 ≠ 时点」**(智能进入物理世界或许必然,但节奏极难预测)。而莫拉维克悖论,则给了我们一个朴素而深刻的护身符——对人最简单的,对机器最难;所以最惊艳的 demo,可能离最可靠的量产,还隔着最深的鸿沟。
回望这整个行业研究系列——从存储的超级周期,到 AI 算力栈的价值迁移,到应用层的护城河之辨,到太空、光通信、创新药、机器人——我想表达的,其实始终是同一件事:
看懂一个行业,不是去预测谁会赢(那往往是徒劳的),而是去看清这个行业的底层结构——它的瓶颈在哪、价值如何分配、护城河从哪来、它服从什么样的概率分布——然后用一个「无论谁赢、我都不会被打垮、且总能分享到红利」的结构去参与它。 这,和我做资产配置的哲学,是同一套东西,只是从「资产之间」具体到了「行业之内」。
如果整个系列只留一句,我希望是这句——
行业研究的终点,不是预测未来属于哪个赛道、哪家公司;是看清每个赛道的底层结构,然后永远用「卖铲子 + 凸性期权 + 不被任何单一结果打垮」的方式,去参与那个你看好、却无法预知细节的未来。
不预测未来,而是为所有未来做准备——这句贯穿我资产配置系列的话,在行业研究的尽头,依然成立。
——
行业研究系列(全十二篇)到此完整。从存储到机器人,愿这张产业地图,对你有用。
风险提示:本文为产业链研究,所涉行业与公司仅作分析示例,不构成任何投资建议。市场有风险,投资需谨慎。
