股票 
板块 
用户 
资讯 作者：樊志远
摘要
■ 投资逻辑
行业观点
我们认为，本轮Physical AI的核心变化并非机器人机械结构本身发生突破，而是通用模型开始由感知和理解进一步进入规划、决策与动作空间，使AI由数字世界向物理世界延伸。随着模型输出由语言、图像逐步扩展至真实动作，机器人对硬件的要求也由单一AI算力进一步扩展至多模态感知、本地计算、Memory/Storage、实时控制及功能安全等完整端侧系统能力。与此同时，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和Agent的规模化部署，机器人则进一步将同一趋势由数字交互延伸至物理执行。我们认为，模型能力跃迁是本轮Physical AI的技术起点，机器人是最典型的新终端，而端侧计算平台升级则是电子行业更广泛的产业落点。
投资逻辑
模型进入物理世界，推动机器人端侧硬件由单一算力升级向系统级扩容。随着机器人任务由固定工位、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、规划和控制。对应硬件来看，Physical AI带来的增量并非单纯提升TOPS，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，多路感知和数据记录增加本地存储及高速I/O需求，而动作输出进一步增加EtherCAT、CAN-FD等实时控制接口及功能安全资源，机器人电子硬件价值量由SoC向Memory、Storage、互联及控制环节扩散。
机器人进入小批量产业验证，Training需求有望先于本体大规模放量释放。2026H1全球人形机器人出货已接近2.5万台，半年出货量超过2025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；与此同时，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，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等产品形态已经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。
模型加速下沉，Physical AI进一步融入更广泛的端侧计算升级周期。MLPerf标准测试对象已由传统视觉CNN进一步扩展至LLM、生成式AI及Agent，手机和PC则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；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。
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。
+
目录
一、模型走进现实，Physical AI硬件需求同步升级
1.1 通用模型跃迁，物理任务边界持续拓宽
1.2 感知、推理与控制融合，端侧平台成为Physical AI关键底座
二、产业化进程提速，硬件需求开始兑现
2.1应用场景迁移，机器人硬件进入批量验证
2.2 训练数据需求前置，训练硬件率先释放
三、模型加速下沉，端侧计算进入平台升级周期
3.1 工作负载持续升级，端侧AI由感知走向智能体与动作执行
3.2 模型本地化深化，端侧硬件需求持续扩散
四、风险提示
正文
一、模型走进现实，Physical AI硬件需求同步升级
1.1 通用模型跃迁，物理任务边界持续拓宽
通用模型正由机器人感知与语义理解环节进一步向动作空间延伸，推动机器人模型从“理解环境”向“规划并执行任务”演进。传统VLM主要承担图像理解、语言理解与场景识别等感知任务，而新一代机器人模型开始建立Vision、Language与Action之间的直接连接，使通用模型不仅能够理解机器人所处环境及用户指令，还可进一步参与任务拆解、动作规划、执行反馈及失败纠错等控制环节。NVIDIA Astranomy的RoboLab-120测试显示，GPT-6 Astra已经能够直接作为Robot Policy参与机器人操作任务，其中Agentic Policy的任务成功率达到74.8%，高于Direct Policy-EEF的66.3%，表明通用模型通过引入任务规划与自主决策能力，可以在直接动作策略之外进一步提升复杂操作任务的完成效果。随着模型能力由感知、理解持续向规划和控制环节延伸，通用模型可介入的机器人任务链条进一步拉长，为机器人覆盖更多长流程、多步骤及需要动态调整的任务提供了能力基础。
通用模型的能力边界正进一步由环境理解向全身控制和灵巧操作延伸，机器人可执行任务的复杂度与动作空间持续拓展。除NVIDIA Astranomy展示通用模型直接参与任务拆解、动作规划和执行控制外，Google Gemini Robotics 2进一步将模型能力从以桌面抓取为代表的局部操作扩展至行走、下蹲、伸展、双臂协同以及多指灵巧操作等更复杂的全身动作。在Apollo机器人测试中，模型在桌面、地面和货架取物任务中的准确率分别达到68.4%、45.7%和76.3%，表明模型已能够结合不同空间位置调动全身完成操作；在多指灵巧操作测试中，拧出灯泡任务准确率达到92%，同时在拧入灯泡、系垃圾袋、使用簸箕和操作密封袋等任务中分别达到36%、44%、32%和40%，显示模型已经开始处理需要手指协调和精细动作控制的任务。
我们认为，从当前前沿的Astranomy与Gemini Robotics 2实验结果来看，通用模型正在由“识别和理解物理世界”进一步向“规划并作用于物理世界”延伸，其输出对象由语言和视觉表征逐步扩展至机器人动作，为后续覆盖更复杂的全身协同和灵巧操作任务提供了能力基础。
机器人由固定工位走向开放场景后，任务复杂度提升正在同步抬升对感知硬件的要求。传统工业机器人在固定相机、固定场景和固定程序下，依靠有限环境信息即可完成重复性任务；而当机器人进入家庭、仓储、工厂及商业服务等动态环境，并执行长流程、全身运动和灵巧操作时，模型需要持续感知目标位置、自身姿态、接触状态及环境变化，并据此实时调整动作，感知由任务开始前的“识别”逐步转向贯穿执行过程的闭环反馈。NVIDIA的人形机器人参考设计已体现这一趋势：通过头戴式双目相机与腕部相机获取全局及近场视觉信息，同时结合惯性测量单元（IMU）、触觉五指手及麦克风阵列补充运动、接触与语音信息，并由Jetson AGX Thor完成实时传感器处理与机器人推理。我们认为，物理AI模型能力提升并非对传感器的替代，而是提高了模型对多维物理信息的利用能力，推动机器人感知由单一视觉向多视角、多模态融合演进；随着机器人任务复杂度提升，视觉、运动及交互类传感器有望成为感知系统升级的核心方向。
系统、电气工程、电机、齿轮及执行器等岗位，其中控制系统岗位覆盖实时系统、执行器、动力学与底层硬件交互，电机与执行器岗位涉及定制电机、执行器制造及验证，计算电气工程岗位则明确面向OpenAI人形机器人开发AI推理计算系统。Physical AI的发展正在推动AI厂商由单纯提供“大脑”能力，进一步介入计算平台、控制系统和执行器等机器人硬件环节，软硬件协同的重要性持续提升。
1.2 感知、推理与控制融合，端侧平台成为Physical AI关键底座
多模态感知持续增加后，机器人端侧计算正由单一处理器向系统化计算平台演进。机器人运行过程中需要持续接收多路相机、激光雷达（LiDAR）、飞行时间（ToF）及惯性测量单元（IMU）等传感器数据，并进一步完成感知融合、AI推理、任务规划与运动控制，高带宽、连续输入及低时延的工作特征使关键计算与控制环节需要更多在本地完成。高通2026年发布的Dragonwing IQ10机器人参考设计即体现了这一趋势：平台将异构计算、传感器接口、网络通信、实时控制及软件栈集成于统一系统，最高提供700 TOPS AI算力，并原生支持最多12路GMSL2相机以及LiDAR、ToF、IMU等多模态传感器；同时通过EtherCAT、CAN-FD等高速确定性接口连接执行机构，支持端侧感知、规划、推理与运动控制。随着机器人感知维度和自主能力持续提升，端侧计算的核心需求将不再局限于单颗SoC算力，而是进一步扩展至传感器接入、数据同步、网络通信和实时控制等系统能力，机器人计算硬件有望逐步形成以SoC为核心、配套存储与多类高速接口的完整计算平台，单机电子硬件的复杂度随之提升。
物理AI端侧硬件升级并不止于AI算力提升，大模型运行与多传感器数据处理正在同步推高内存、存储及高速I/O配置。NVIDIA Jetson AGX Thor和高通Dragonwing IQ10机器人参考设计均体现出这一趋势：前者在高AI算力之外配置大容量LPDDR5X内存、NVMe存储及高速以太网，后者则进一步整合大容量内存、本地存储、多路相机接入以及EtherCAT、CAN-FD等机器人控制接口，面向AI、感知、控制和系统任务的一体化运行。
我们判断，物理AI带来的硬件增量并非集中于单颗AI芯片，而是“大模型+多传感器”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，持续感知和数据记录增加本地存储需求，多路传感器与执行机构接入则提升高速通信及实时控制接口的重要性。对应产业链来看，机器人电子硬件的价值增量有望由SoC进一步向LPDDR等内存、UFS/NVMe等存储以及高速网络与控制接口等环节扩散，物理AI因此不仅是算力升级逻辑，也有望成为机器人端侧存储与互联硬件升级的重要驱动力。
随着AI由感知与理解进一步进入运动决策环节，机器人端侧计算开始呈现出区别于手机、PC等通用AI终端的新增硬件需求。手机和PC运行端侧AI时，核心瓶颈更多集中于算力、内存和存储；机器人则需要将AI输出直接转化为真实动作，因此还需增加运动控制与功能安全能力。高通Dragonwing IQ10机器人参考设计已将EtherCAT、CAN-FD及TSN以太网等机器人控制接口纳入平台，其中配置4路EtherCAT和8路CAN-FD，并通过安全岛（Safety Island）、域隔离及独立网络域支持安全层与应用层之间的隔离和受控交互；NVIDIA最新Isaac平台亦强调确定性运行，并计划进一步集成Halos全栈安全系统。
我们研判，相较其他AI终端，Physical AI更具增量意义的并非单纯增加TOPS，而是在通用AI计算之外增加了连接执行机构的实时通信与安全控制硬件：前者对应EtherCAT、CAN-FD、TSN以太网等控制接口及相关I/O，后者则对应安全岛、独立安全域及网络隔离等系统资源。由此，机器人电子价值量有望由主控、内存和存储进一步向工业通信、控制I/O及功能安全相关硬件扩散，形成区别于手机、PC等AI终端的新增硬件需求。
二、产业化进程提速，硬件需求开始兑现
2.1应用场景迁移，机器人硬件进入批量验证
人形机器人出货正在由几千台级研发市场迈入数万台级商业化探索阶段。根据IDC，2025年全球人形机器人出货量接近1.8万台，同比增长约508%，对应2024年出货量约0.3万台；2026H1出货进一步接近2.5万台，同比增长432.1%，半年出货量已超过2025全年。 相比远期百万台级市场空间，我们认为当前更值得关注的是产业已经跨过单纯依赖研发样机和技术验证的几千台阶段，开始进入数万台级的小批量交付周期。随着整机出货基数扩大，摄像头、传感器、计算模组及其他电子零部件的需求也将逐步由项目型、研发型采购向更稳定的批量采购迁移，产品成本、可靠性及供应链交付能力的重要性随之提升。
相比出货量增长，应用结构变化更能反映人形机器人商业化进程。2026H1，娱乐表演、数据生产及科研仍占全球出货的60%以上，但服务引导、智能制造和仓储物流占比已分别达到约19%、13%和5%，机器人需求开始由Demo、科研和数据采集向工厂、物流及商业服务等真实运行场景扩展。对于电子硬件而言，这一变化意味着评价标准也在发生迁移：研发阶段更关注性能、扩展性和功能实现，而规模部署后则更加重视BOM成本、可靠性、功耗、温度适应性、体积、生命周期及供应链稳定性。我们判断，随着真实场景渗透率提升，电子零部件需求有望由一次性、定制化的研发订单，逐步向标准化、批量化采购演进，具备成本控制、稳定供货和长期可靠性能力的供应商将更具优势。
2.2 训练数据需求前置，训练硬件率先释放
机器人本体尚未进入大规模出货阶段，但模型训练已经需要大量真实交互数据，因此数据采集硬件有望先于整机放量。当前机器人训练数据主要来自三类路径：真机遥操作获得的数据与目标机器人匹配度最高，但采集规模受机器人数量和使用效率限制；无本体采集则先记录人的真实操作，再通过动作映射等方式转化为机器人可用数据，从而降低对机器人本体数量的依赖；仿真数据则更多用于扩展长尾任务和组合场景。在此背景下，EGO、UMI等训练侧硬件开始率先搭载相机、IMU等传感器，用于获取第一视角、手部运动及操作过程数据。我们认为，这意味着部分感知硬件的需求释放不必完全等待机器人整机出货，训练数据生产本身即可形成独立的硬件需求，并与后续真机采集、仿真数据共同构成机器人训练的数据来源。
无本体数据采集正在由实验室自建工具向标准化训练硬件演进。过去相关设备多由科研团队围绕具体任务临时搭建，产品形态和接口体系较为分散；随着Physical AI训练对真实交互数据的需求提升，产业端开始将第一视角采集、手持操作采集、腕部近场采集以及多设备同步等功能拆分为独立产品，并形成可重复部署的标准化硬件组合。以奥比中光为例，其已推出EGO、UMI、WristCam及Hub等产品形态，分别覆盖不同采集位置与系统同步需求。这一变化说明训练侧硬件正在从科研项目配套工具逐步转向独立产品类别，其需求释放不必完全等待机器人本体放量；随着数据采集流程进一步标准化，相关相机、IMU、同步模组及边缘计算等电子硬件也有望由零散项目需求向可复制的批量采购演进。
训练侧需求有望先于机器人本体大规模出货，形成一轮电子硬件的前置采购。当前人形机器人出货仍处数万台级，但模型训练和任务适配需要提前积累大量真实交互数据，因此产业节奏更可能表现为“模型能力提升—数据需求增加—数采设备采购—模型训练与适配—机器人量产—同类感知硬件进入本体”。从受益环节看，我们认为前置需求最直接的是视觉与运动感知硬件：EGO、WristCam等设备首先增加相机模组需求，UMI等操作采集设备则进一步引入IMU及操作状态采集；随着多设备、多视角数据同步，数据采集Hub、同步控制及高速传输环节的重要性也随之提升，同时大量视频和动作数据的持续记录还会带动本地计算与存储配置。相比之下，触觉、力觉等硬件更多与具体机器人本体和执行器结构绑定，其规模需求或更依赖后续整机部署。
三、模型加速下沉，端侧计算进入平台升级周期
3.1 工作负载持续升级，端侧AI由感知走向智能体与动作执行
端侧AI的标准化测试对象正在由传统视觉任务向大模型、生成式AI及Agent扩展，这一变化本身反映了端侧硬件评价体系的升级。MLCommons在2026年发布的MLPerf Mobile v6.0首次加入端侧LLM测试，覆盖Llama 3.2 1B、3B及Llama 3.1 8B，并开始测试8B模型的NPU加速能力；随后MLPerf Client v2.0进一步纳入Qwen3 8B、Phi 4 Reasoning 14B、图像生成及Agent端到端执行等工作负载。
相比过去以图像分类、目标检测等CNN任务为主，Benchmark从“单次视觉推理”转向“大模型持续推理+生成式计算+多步骤Agent执行”，意味着端侧性能评价已不再只看峰值AI算力，而开始同时考察模型装载、持续数据搬运和长时间推理能力。对应硬件来看，更大的模型规模直接提高内存容量与带宽需求，生成式和Agent工作负载则进一步增加持续计算、存储访问及系统级调度压力。我们认为，Benchmark对象的变化说明端侧AI竞争正由单点NPU性能向“算力+内存+存储+软件栈”的系统能力迁移，相关硬件升级也将从单纯提升TOPS进一步扩展至内存容量与带宽、存储及整机数据通路。
手机与PC已经率先验证端侧AI由实验性功能走向规模化部署。Counterpoint预计，2026年GenAI手机将占全球智能手机出货量的45%，Gartner此前预计2026年AI PC占PC市场比重将超过50%，说明本地大模型正在进入亿级终端。其意义不仅在于新增AI功能，更在于端侧硬件开始围绕大模型重新配置算力、内存、存储及功耗管理等资源。Physical AI可以看作这一趋势向物理世界的进一步延伸：手机和PC主要在本地完成理解、生成和Agent任务，而机器人等物理终端还需要在此基础上进一步接入多模态传感器、实时控制与执行机构，将模型输出真正转化为物理动作。我们认为，机器人并不是一条孤立的硬件升级路线，而是端侧AI从“数字交互”走向“物理执行”的更高阶形态，手机、PC先完成本地大模型的规模化验证，Physical AI进一步把同一套趋势延伸至感知、控制和执行链条。
机器人VLA正在同步向端侧下沉，本地模型开始直接承担动作输出任务。Google DeepMind于2026年7月发布Gemini Robotics On-Device 2，将Vision-Language-Action模型直接部署至机器人本地设备，模型输入包括图像、文本和动作信息，输出则直接为机器人动作；官方明确强调其针对网络时延和无网络连接场景进行优化，能够在本地运行，并可较快适配新的机器人本体。对Physical AI而言，机器人所需的核心模型不再只是部署在云端或作为辅助模块存在，而是开始被专门压缩、适配并落地到本地计算平台，进一步抬升对端侧算力、内存、存储和系统协同能力的要求。
3.2 模型本地化深化，端侧硬件需求持续扩散
大模型由云端向本地部署后，端侧硬件升级开始从AI算力进一步扩散至内存与存储。LLM、VLM及Agent在本地运行时，需要同时容纳模型权重、上下文、KV Cache及本地知识库等数据，对内存容量、带宽以及本地存储空间提出更高要求。MLPerf Client v2.0的系统配置已经体现出这一趋势：不同平台最低内存要求普遍在16GB以上，部分混合计算及GPU模式进一步提升至32GB甚至48GB，同时完整Benchmark运行需要数百GB可用磁盘空间；MLCommons亦明确指出，更大模型和更长上下文可能因系统内存或计算资源不足而无法在部分客户端运行。我们认为，随着复杂模型持续向端侧下沉，终端AI硬件升级将不再局限于SoC或NPU性能提升，LPDDR等内存容量与带宽、UFS/NVMe等本地存储也将成为影响模型可运行规模和实际体验的重要配置约束，端侧AI带来的价值增量有望进一步向Memory与Storage环节扩散。
模型轻量化推动端侧AI向更广泛设备扩散。随着小模型、量化压缩及端侧部署工具链持续成熟，生成式AI和复杂模型对终端算力、存储及功耗的要求逐步下降，端侧AI的应用范围有望由高性能PC、智能手机和机器人进一步扩展至工业设备、AIoT、可穿戴设备及智能家居等更广泛终端。我们认为，端侧AI产业的增长动力将不仅来自单台设备算力及Memory配置提升，也来自AI能力向更多终端品类渗透带来的芯片需求扩容；不同终端根据算力、功耗和成本约束承载不同复杂度的模型，有望推动端侧AI芯片市场由高性能计算平台向更广泛的Edge设备持续延伸。
四、风险提示
Physical AI模型能力提升不及预期的风险。
当前VLA、世界模型及机器人Agent仍处于快速迭代阶段，复杂场景泛化、长任务执行及失败恢复等能力仍有待验证，若模型能力提升速度不及预期，可能影响Physical AI应用落地节奏。
机器人产业化及终端出货不及预期的风险。
当前人形机器人仍处于小批量验证及商业化早期阶段，产品成本、可靠性、应用场景及商业模式尚未完全成熟，若终端需求或量产进度不及预期，相关感知、计算及控制硬件需求可能低于预期。
Physical AI数据采集及训练硬件需求不及预期的风险。
真实世界数据采集路径仍在演进，无本体采集、遥操作、仿真及合成数据等方案之间存在替代和互补关系，若真实数据需求低于预期或数据采集方式发生明显变化，相关训练硬件需求可能不及预期。
端侧AI渗透及模型本地部署进度不及预期的风险。
端侧大模型仍受到算力、功耗、Memory容量及应用体验等因素约束，云端与端侧的任务分工尚未定型；若模型轻量化、部署工具链或终端应用发展不及预期，端侧AI芯片及相关硬件升级节奏可能放缓。
端侧硬件配置升级幅度不及预期的风险。
端侧AI对SoC、Memory及Storage的增量需求受到模型压缩效率、软硬件协同及成本约束影响，若模型量化及压缩技术进步快于预期，或终端厂商优先通过软件优化降低硬件需求，相关硬件单机价值量提升幅度可能低于预期。
技术路线快速变化及产业竞争加剧的风险。
Physical AI及端侧AI仍处于技术快速迭代阶段，模型架构、芯片方案、数据采集方式及软硬件生态均可能发生变化，若相关公司技术路线选择失误、产品迭代不及时或市场竞争加剧，可能影响其市场份额及盈利能力。
阅读全文
《AI走进现实：Physical AI驱动端侧硬件进入升级周期》
＋
报告信息
证券研究报告：《AI走进现实：Physical AI驱动端侧硬件进入升级周期》
报告日期：2026年10月25日
作者：
樊志远 SAC执业编号：S1130518070003
评论 (0)