美光财报创纪录透露关键信号昨晚美光科技交出了一份创纪录的季度财报。2026财年第三财季公司总收入达到415亿美元同比暴增346%Non - GAAP综合毛利率飙升至84.9%连续第五个季度刷新收入纪录。然而比这些数字更值得关注的是财报电话会上一个被很多人忽略了的信号。美光认为AI带来的存储需求不只是数据中心后续会延伸到手机、PC、新消费设备、汽车、工业应用和机器人。尤其是机器人、人形机器人、高阶自动驾驶会带来长期的存储需求环境。美光还给出了一个非常直观的比较L2及以上自动驾驶车辆的内存和存储量是普通汽车的5倍以上智能驾驶已经是存储增量来源。人形机器人的存储容量大约是L2自动驾驶车辆的10倍。时间窗口开启AI产业链转向物理AI美光预计从2020年代后半段即2030年之前开始相关市场将开启大规模、长达数十年的内存需求周期。为什么一家以AI数据中心为核心增长引擎的存储巨头开始谈论机器人、自动驾驶显然AI产业链已经不满足于继续讲“模型越大GPU越多HBM越紧”的故事了。它们正在将下一个十年甚至数十年的增长锚点从数字AI转向物理AI。2026年1月黄仁勋站在拉斯维加斯CES的舞台上说了一句话物理AI的ChatGPT时刻已经到来。这句话多少有点营销成分但他所说的趋势正在发生。自动驾驶车辆Waymo在2025年底已经实现每周45万次付费出行亚马逊在2025年6月部署了第100万台机器人辅助处理其全球75%的客户订单配送量。物理AI解决什么问题市场规模有多大这正是物理AI在解决的问题如何在充满不确定性的真实环境里让一台机器判断出下一个动作该是什么。它的载体是机器人、自动驾驶车辆、工业控制系统所有需要AI亲自操作的场景都需要物理AI。但值得注意从大模型AI到物理AI不仅仅是一个技术概念的变化更是一个经济规模的跃升。如果AI能够从数字化办公场景走向汽车、工厂、仓库、医院、能源设施和家庭那么它面对的就是更大的实体经济市场。英国咨询机构Future Markets发布的《全球物理AI市场2026 - 2040》报告显示全球物理AI市场预计将从2026年的约3830亿美元增长至2040年的3.26万亿美元。这将是历史上规模最大的技术市场扩张之一。德意志银行在年初判断2026年是自动驾驶从测试走向规模落地、人形机器人从实验室走向小规模量产的分水岭年份。这也是为什么越来越多大公司开始讲物理AI叙事甚至将资源押注到这个方向。科技巨头们集体在为AI产业链寻找第二条增长曲线了。物理AI会引发产业链怎样的地震作为技术变革物理AI会在多大程度上影响现有的AI产业链价值分配要理解这场地震的烈度就得先回答一个问题物理AI会不会创造新的产品品类短期来看物理AI仍然吃的是现有AI产业链的存量红利。训练模型需要GPU训练和推理需要HBM云端需要数据中心机器人厂商需要云、芯片、存储和软件工具。换句话说美光的HBM、英伟达的GPU、各大云厂商的计算资源、模型能力物理AI一样都少不了。但长期看物理AI会在现有的产业链之外长出一些过去并不存在的新需求。芯片与存储层目前大模型AI训练主要靠数据中心GPU但物理AI除了云端训练之外还需要机器人本体上的AI芯片。这种AI芯片的工作环境截然不同要求低功耗、低延迟、抗震动、可散热、可长期运行还要能接入摄像头、雷达、IMU、触觉传感器和电机控制系统。英伟达Jetson Thor、高通Dragonwing IQ10、AMD Embedded、Arm边缘架构都将成为这条新链路的核心玩家。存储的逻辑同样被重写。大模型的存储需求集中在云端训练侧但人形机器人是一个移动的多传感器AI系统。视频流、地图、轨迹、本地模型、任务记忆、失败案例、传感器缓存、控制日志全部需要在本地保存和处理。低功耗、高带宽、高可靠性的内存和存储将成为物理AI的重要增量。这正是美光认为人形机器人长达数十年需求周期的根本原因。模型与软件层大模型输出Token物理AI输出Action这个差异重新定义了软件市场的边界。物理AI的技术底座不再是语言模型而是世界模型。其目标是把物理世界的运行规律压缩进模型参数让AI具备对空间、运动、因果关系的理解能力。但仅有世界模型远远不够。一个能在物理世界中行动的机器人还需要一整套模型和软件服务的支撑比如抓取模型、导航模型、操作模型、安全模型、机器人操作系统、远程运维、OTA更新、Fleet Learning平台。这个概念清单正在变成现实。阿里巴巴发布了具身智能Qwen - Robot模型系列分别负责导航、操作、物理世界模拟。英伟达发布了面向人形机器人的开放式基础模型Isaac GR00T支持推理、学习与多任务行为。未来机器人厂商可能不再需要从头研发每一层他们可以购买已有的模型和平台。这将是一个全新的市场其规模可能不亚于今天的模型和SaaS市场只不过它的服务对象变成了在物理世界中行动的机器。平台与仿真层物理AI要规模化落地首先需要仿真能力的规模化。机器人需要知道杯子有多重地面潮湿时摩擦系数是多少光照变化会不会让视觉系统误判距离。这些知识无法从文本里读到必须靠大量真实动作数据积累让机器人在虚拟仿真环境里跑数百万次场景再把训练好的能力迁移到真实硬件。这就催生了一个全新的产品品类——开发、仿真、部署和验证平台。目前英伟达正在把这套物理AI工具链做成下一个CUDA。它把四个核心产品串联在一起Isaac负责机器人开发和仿真Omniverse负责数字孪生Cosmos负责世界模型GR00T面向人形机器人的基础模型和数据管线。宝马、梅赛德斯 - 奔驰等车企已经在用英伟达的Omniverse仿真平台构建全工厂的数字孪生。当这套平台成为训练物理AI的必经之路英伟达的角色就从卖GPU变成了物理AI的操作系统入口。整车与工厂前三层的变化最终会传导到工厂的产线、仓库的货架、智能汽车的驾驶位。比如三星在MWC 2026宣布将在2030年前把全球制造体系转向AI驱动工厂卡特彼勒用Omniverse构建工厂数字孪生做预测性维护和柔性生产调度。这些都是真实资本支出的方向变化带来的是一整套生产基础设施的重新定价。人工成本、工厂折旧、供应链弹性、生产效率、安全风险、维护成本都在被重新计算。这才是物理AI真正的野心。它不是让AI多一个应用场景而是让AI第一次真正和GDP里的实体部分直接相连。当汽车从交通工具变成智能驾驶机器人当工厂从自动化产线变成具身智能的协同网络整条制造业的估值逻辑都会被重写。谁会受益于物理AI如果物理AI真的成为下一轮产业叙事谁会成为最先受益的公司市场第一反应往往是做机器人的公司比如机器人本体、灵巧手、减速器、电机、传感器等公司。但反直觉的是机器人公司很可能不是最先受益的一波。AI产业过去两年的经验已经证明了一件事一场技术革命刚开始时最先赚钱的通常不是应用公司而是“卖铲子”的公司。大模型浪潮中最先赚到钱的不是OpenAI、Google这样的AI应用公司反而是英伟达、台积电、美光、SK海力士、博通等基础设施类公司。物理AI也会重复这个过程。机器人真正大规模进入工厂、仓库、家庭和服务业之前厂商要先训练机器人模型搭建仿真环境采集真实数据采购边缘芯片配置本地存储建立远程运维系统再反复测试安全性和稳定性。所以物理AI早期最先受益的不一定是卖机器人的公司而是给机器人时代卖铲子的公司。只不过这一次铲子的形态比大模型时代更复杂。它不再只是GPU和HBM而是一整套从云端到本体、从仿真到执行、从模型到控制的基础设施。所以美光在财报电话会里谈机器人的真正价值在于它是这条传导链上最早感受到信号的那一环比机器人本体的出货量早了至少一两个财报周期。这条传导链一旦成立物理AI就不只是一个机器人故事而是整个AI产业链的新一轮扩张。
