一、模型跨出数字边界，端侧硬件迎来系统级扩容
本轮Physical AI的关键变化不在机器人机械结构，而在通用模型开始从感知、理解进一步进入规划、决策与动作空间，AI由此从数字世界向物理世界延伸。
随着模型输出从语言、图像扩展至真实动作，机器人对硬件的要求也从单一AI算力，扩展为多模态感知、本地计算、Memory/Storage、实时控制及功能安全等完整的端侧系统能力。
需要强调的是，Physical AI并非一条孤立的机器人硬件路线。手机、PC已率先验证本地大模型与Agent的规模化部署，机器人则把同一趋势从数字交互延伸至物理执行。
- 技术起点：模型能力跃迁
- 最典型新终端：机器人
- 更广泛的产业落点：端侧计算平台升级
二、增量不止于TOPS，整条端侧数据链路同步扩容
随着机器人任务从固定工位、单一操作，向开放环境、全身运动和灵巧操作扩展，模型需要持续获取视觉、姿态、运动和接触等多维信息，并在本地完成感知融合、推理、规划与控制。
对应到硬件，Physical AI带来的增量并非单纯提升算力峰值，而是「大模型+多传感器+实时控制」共同推动整条端侧数据链路扩容。
- 模型规模提升，带动内存容量与带宽需求
- 多路感知与数据记录增加，抬升本地存储及高速I/O需求
- 动作输出增加EtherCAT、CAN-FD等实时控制接口及功能安全资源
机器人电子硬件的价值量，正由SoC向Memory、Storage、互联及控制环节扩散。
三、产业验证启动，训练需求或先于本体放量
2026年上半年，全球人形机器人出货已接近2.5万台，半年出货量超过2025年全年，产业由几千台级研发市场逐步迈入数万台级商业化探索。
应用结构也开始由科研、展示和数据采集，向制造、物流和服务等真实作业场景扩散，电子零部件需求有望由项目型采购向标准化、批量化采购迁移。
更值得关注的是训练环节。模型训练需要提前积累大量真实交互数据，无本体采集能够降低对机器人数量的依赖。
- EGO
- UMI
- WristCam
- Hub
上述产品形态已开始由实验室自建工具向标准化训练硬件演进。电子硬件需求不必完全等待机器人本体大规模出货，可能形成「训练需求先行、本体需求承接」的释放节奏。
四、模型加速下沉，融入更广泛的端侧升级周期
MLPerf标准测试对象已由传统视觉CNN扩展至LLM、生成式AI及Agent，手机和PC率先验证本地大模型进入规模化终端；机器人VLA同步向端侧迁移，本地模型开始直接承担动作输出任务。
随着LLM、VLM和Agent本地运行，模型权重、上下文、KV Cache及本地知识库持续增加，端侧硬件约束由计算能力进一步扩展至Memory容量、带宽及Storage。
与此同时，小模型、量化压缩及部署工具链持续成熟，又在降低复杂AI进入终端的算力、功耗和存储门槛，使AI能力有望由高性能PC、智能手机和机器人，进一步向工业设备、AIoT、可穿戴及智能家居扩散。
五、投资建议与风险提示
相关标的梳理
| 方向 | 相关标的 |
|---|---|
| 本体及产业化 | 宇树科技、优必选 |
| 数据采集及感知硬件 | 奥比中光、思特威、韦尔股份、芯动联科、安培龙、必易微 |
| 端侧AI芯片 | 瑞芯微、星宸科技、乐鑫科技、恒玄科技 |
| 整机制造 | 立讯精密、工业富联 |
风险提示
- Physical AI模型能力提升不及预期
- 机器人产业化及终端出货不及预期
- Physical AI数据采集及训练硬件需求不及预期
- 端侧AI渗透及模型本地部署进度不及预期
- 端侧硬件配置升级幅度不及预期
- 技术路线快速变化及产业竞争加剧
以上内容据公开资料整理，不构成任何投资建议，请谨慎参考。