开云（中国大陆官方网站）Kaiyun科技股份有限公司 - 领先的GPU计算与AI算力解决方案

　　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。

　　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。

　　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。

　　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。

　　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。

　　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。

　　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。

　　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。

　　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？

　　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。

　　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。

　　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。

　　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。

　　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。

　　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。

　　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。

　　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。

　　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。

　　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。

　　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。

　　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。

　　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。

　　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。

　　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。

　　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。返回搜狐，查看更多