当大语言模型把信息处理能力推到新高度之后，AI 的下一个主战场正在转向物理世界。物理 AI，也就是具身智能，要让机器在真实环境中感知、判断、行动和反馈。它不是一个单点赛道，而是一张覆盖基础模型、智能驾驶、人形机器人、工业软件、仿真平台、传感器、芯片和核心零部件的产业图谱。

投资上最容易犯的错误，是只盯着机器人外壳。真正的物理 AI 机会分布在三层：最上层是大脑与模型，中间层是身体与应用场景，底层是环境、工具和基础设施。只有把三层拆开，才能分清高壁垒、高确定性和高弹性的方向。

物理 AI 产业链的三层结构

第一层是大脑，也就是基础模型层。世界模型负责预测环境变化，VLA 负责把视觉、语言和动作连接起来，VLM 负责理解视觉和语言指令。这一层决定了机器能否理解三维空间、任务目标和物理后果。

第二层是身体和应用场景，主要包括智能驾驶和人形机器人。智能驾驶是最先落地的物理 AI 场景，人形机器人则代表更长期的泛化空间。前者商业模式更清晰，后者想象力更大。

第三层是环境、工具和基础设施，包括仿真平台、工业软件、数字孪生、CAE、CAD、EDA、数据生成、评测系统和部署工具。物理 AI 要训练和落地，必须有虚拟训练场和工业级工具链，否则无法低成本获得足够数据，也无法在真实场景中稳定交付。

智能驾驶：物理 AI 最先落地的第一曲线

智能驾驶之所以最先落地，有三个原因：数据积累多、商业模式清晰、政策支持强。车辆天然能够持续采集道路数据，车企有明确的智能化竞争压力，用户也能感知智能驾驶带来的安全、效率和体验提升。

智能驾驶产业链可以拆成感知、决策和执行三层。感知层依靠摄像头、毫米波雷达、激光雷达等传感器；决策层依靠芯片、算法和模型；执行层依靠域控制器、底盘控制和整车电子电气架构。

投资上，感知层可以关注激光雷达和 3D 视觉，决策层关注智能驾驶芯片和算法平台，执行层关注域控制器和整车电子。智能驾驶不是孤立赛道，它与世界模型、仿真数据、端侧芯片和机器人控制高度同源。

人形机器人：第二曲线的长期价值

人形机器人代表物理 AI 的第二曲线。它的目标是让机器具有人类环境中的感知和运动能力，能够理解空间、处理未知情况，并与人自然交互。特斯拉、小米、宇树等公司持续投入，说明这一方向已经从概念走向工程验证。

人形机器人投资可以分为两类。第一类是核心零部件，包括 3D 视觉传感器、减速器、关节模块、电机、丝杠、执行器和控制器。这类环节有明确技术参数和量产标准，下游客户一旦定点，替换成本较高，确定性相对更强。

第二类是软件和服务，包括具身智能操作系统、仿真工具链、模型平台和部署服务。它的弹性更大，但标准尚未统一，压单一软件公司的风险也更高。因此，机器人投资要分清确定性和弹性，不能把零部件逻辑与软件平台逻辑混在一起。

仿真平台：物理 AI 的虚拟训练场

物理 AI 训练需要海量数据，但真实数据太贵。让机器人在真实工厂里不断撞坏设备、摔坏零件再学习，成本无法承受。仿真平台因此成为刚需。

仿真平台用数学模型模拟物理世界，让机器人可以在虚拟环境中练习上万次。自动驾驶可以在仿真道路中遇到极端天气、突然横穿的行人和复杂交通；机器人可以在虚拟工厂里练习开抽屉、抓取零件、避障和装配。

没有仿真数据，物理 AI 很难训练出来。过去 CAE 可能是工程研发中的锦上添花，如今在物理 AI 中，它正在变成训练、验证和评测的基础设施。

工业软件：被低估的控制台

工业软件是物理世界的数字化表达。机器人设计、工厂布局、工艺规划、力学仿真、流体仿真、电磁仿真、芯片设计、产线控制，都离不开工业软件。

物理 AI 训练需要仿真数据，仿真需要物理引擎，物理引擎来自工业软件。每一台物理 AI 设备背后，可能对应成千上万小时的 CAE 仿真、CAD 设计、EDA 芯片设计和工控系统验证。

英伟达与 Cadence、达索、西门子、PTC、Synopsys 等工业软件巨头合作，本质上是在把 GPU 和仿真能力注入工业软件生态。谁掌握仿真和工业软件入口，谁就更接近物理 AI 时代的“军火商”位置。

CAE 与数字孪生：索辰科技和 51WORLD 的逻辑

CAE 仿真软件的价值，是在电脑里模拟物理世界。流体、电磁、多物理场耦合、结构力学和热管理，都可以通过仿真提前验证。物理 AI 到来后，CAE 不再只是研发工具，而是机器人和自动驾驶的训练数据来源。

索辰科技的核心在工业 CAE 仿真软件。它的看点在于物理 AI 带来新的仿真需求，过去较窄的应用场景可能拓展为训练刚需。生成式物理 AI 仿真平台仍处早期，收入体量不大，但方向值得跟踪。

51WORLD 则偏向数字孪生和仿真，既有自动驾驶仿真，也有场景重建和数字孪生。高阶智驾需要海量里程测试，仿真可以低成本、高效率完成。它更像看不见但关键的基础设施，短期看订单，中期看 VLA 和世界模型渗透率，长期看数字孪生能否扩展到更多场景。

工业控制与 CAD：中控技术和中望软件

中控技术的主业是工业控制系统，工厂生产线的大脑离不开 DCS、控制软件和工业自动化系统。它与物理 AI 的关系在于：机器人进入工厂，需要与工控系统对接；预测性维护、智能优化、边缘控制，本质上就是物理 AI 在工业场景中的落地。

中控技术的优势是工业客户基础、现金流和工艺理解。风险在于工控市场整体增速有限，工业 AI 商业化还需要持续观察。

中望软件是国产 CAD 龙头。CAD 是机器人设计、工厂布局、工艺规划和机械结构设计的画笔。2D CAD 已具备较强竞争力，3D CAD 仍在追赶。国产替代空间大，但 3D CAD 技术壁垒极高，研发投入也会压制短期利润。

EDA：华大九天的关键位置

EDA 是芯片设计工具，没有 EDA，现代芯片设计无法完成。物理 AI 拉动机器人、自动驾驶和端侧智能设备，也会拉动算力芯片、传感器芯片、控制芯片和边缘推理芯片需求。

华大九天是国产 EDA 的代表企业，国内少数具备全流程 EDA 工具体系的公司。它的逻辑既来自半导体自主可控，也来自物理 AI 对芯片设计工具的长期需求。

风险也很明确：全球 EDA 长期被国际巨头垄断，高端制程覆盖、工具完整度和生态适配都需要时间。它是高壁垒方向，但不能用短期收入弹性去简单定价。

机器的眼睛：奥比中光和禾赛科技

物理 AI 必须先看见世界。3D 视觉传感器让机器理解三维空间，结构光、TOF、双目立体等技术可以用于机器人、智驾、智能门锁、AR/VR 和工业检测。

奥比中光的逻辑在于 3D 视觉龙头位置。人形机器人要与物理世界交互，首先需要理解空间结构、距离、形状和运动状态。但消费电子需求疲软、竞争加剧，也会影响节奏。

禾赛科技是车载激光雷达龙头之一。激光雷达通过发射激光并接收反射信号，构建周围环境三维点云图。国内主流车企普遍采用激光雷达作为冗余感知，随着量产扩大，成本下降和毛利率修复值得跟踪。风险在于价格战和技术路线不确定性。

域控制器与操作系统：德赛西威和中科创达

德赛西威的核心产品是智能驾驶域控制器，可以理解为智驾系统的大脑。传感器收集数据，域控制器进行决策，再控制车辆行为。智驾渗透率提升，会推动域控制器成为汽车智能化的重要增量。

德赛西威的优势在于与英伟达等平台的合作、域控制器量产能力和智能座舱现金流。风险是价格战压缩毛利率，以及新进入者竞争。

中科创达从操作系统起家，延伸到智能汽车、物联网和机器人。具身智能需要统一管理传感器、执行器和计算平台的软件层，操作系统和中间件的价值会逐步体现。它的优势是智能汽车 OS 经验和全球客户基础，风险在于手机业务压力与机器人商业化进展。

核心零部件：绿的谐波与机器人确定性

机器人要真正工作，离不开关节、电机、减速器、丝杠和执行器。电机转得快但力量小，减速器负责降低速度、放大扭矩，让机器人能够稳定完成动作。

绿的谐波的逻辑在于谐波减速器国产替代。全球市场长期由日本企业主导，国产厂商若能进入人形机器人供应链，并在产能、精度、寿命和成本上持续提升，就具备较高确定性。

但它的风险同样来自量产节奏和价格竞争。人形机器人如果量产低于预期，核心零部件订单也会低于预期；海外龙头降价，也可能压缩国产替代的盈利空间。

跟踪体系：大会、数据和融资

物理 AI 不是只看财报的赛道，很多领先信号会提前出现。第一类信号是产业大会，例如 GTC、CES、Google I/O 等，通常会揭示模型、芯片、机器人、仿真和开发平台的新方向。

第二类信号是先行数据。机器人看出货量和客户定点，智驾看高阶渗透率和车型搭载，仿真看平台使用量和客户扩展，工业软件看订单和国产替代进度。这些指标往往比财报早半年到一年。

第三类信号是一级市场融资。物理 AI 的早期方向往往先在一级市场反映。世界模型、具身仿真、机器人本体、数据平台、端侧芯片、工业软件等方向的大额融资，值得持续跟踪。

组合思路：确定性与弹性分开看

物理 AI 投资应该分层。确定性较高的方向，通常来自核心零部件、传感器、域控制器、工控系统、工业软件和已形成客户订单的基础设施。它们不一定最性感，但更容易用订单、份额和毛利率验证。

弹性较高的方向，通常来自世界模型、仿真平台、具身操作系统、人形机器人本体和数据基础设施。这些方向一旦跑通，空间很大，但路线、估值和商业化节奏也更不确定。

更合理的方式，是用确定性环节作为底仓，用高弹性方向作为观察和进攻仓位，并持续用先行指标验证产业节奏。

风险：概念很大，兑现很慢

物理 AI 不是短期就能全面兑现的概念。智能驾驶、人形机器人、工业软件、仿真平台、传感器和芯片都在同一张图谱里，但它们的商业化节奏完全不同。

智能驾驶最先落地，但价格战和技术路线仍有不确定性；人形机器人空间最大，但量产节奏和成本下降仍需验证；工业软件壁垒高，但国产替代周期长；仿真平台想象力大，但收入兑现仍在早期。

因此，物理 AI 投资不能只看故事，要看订单、客户、产品迭代、数据闭环、场景复用和现金流。概念越大，越需要用具体指标拆开验证。

结论：物理 AI 的主线，是智能进入实体经济

物理 AI 的本质，是让 AI 从信息处理工具升级为实体经济中的生产工具。智能驾驶、人形机器人、工业软件、仿真平台和核心零部件，都是这条主线的不同环节。

真正有价值的投资图谱，不是把所有概念都装进一个篮子，而是分清谁是大脑、谁是身体、谁是训练场、谁是工具链、谁是现金流入口。物理 AI 终局很大，但路径一定分阶段展开。