2026年的人工智慧競爭，正在進入一個新的階段。
過去幾年，AI產業的核心競爭集中在數字空間：更大的模型、更強的算力、更高效的資料中心。資本市場圍繞大語言模型、GPU以及雲端運算基礎設施展開定價。
但隨著AI開始進入產業應用，一個新的問題正在成為核心約束：如何讓智能進入現實世界。
軟銀與安川電機近期聯合輝達展示的Physical AI平台，提供了一個觀察這一變化的產業案例。該平台利用輝達資料中心GPU雲作為開發環境，將機器人運動資料採集、AI訓練、模型評估以及機器人部署連接起來，使機器人開發從傳統的規則程式設計模式，逐漸轉向由資料驅動的學習模式。
過去，工業機器人主要依靠工程師預先設定動作路徑，在高度標準化環境中完成重複任務。但現實工業環境存在大量非結構化場景，例如柔性物體抓取、複雜裝配以及動態物流環境。這些任務無法完全依靠固定規則解決，需要機器人持續感知環境、學習變化，並根據反饋調整行動。
Physical AI正在解決的，正是這一從數字智能到物理執行的連接問題。
Physical AI的核心，不只是製造更強大的機器人，而是建立一套連接現實世界與人工智慧模型的資料循環。
機器人產生運動資料，模擬環境提供訓練場景，AI模型學習環境規律並生成行動策略，執行結果再次反饋模型。這種循環類似網際網路時代的資料飛輪，只是資料來源發生了變化。
網際網路公司通過搜尋、點選和使用者互動積累數字行為資料，推動推薦系統和平台生態不斷最佳化。
而Physical AI正在通過工廠、倉庫、交通系統以及真實生活環境，積累物理世界的資料。過去，資料主要描述人的行為。未來，資料將越來越多地描述機器如何與現實世界互動。能夠持續獲取、處理和利用這些物理資料的企業，將可能在下一代智能基礎設施競爭中佔據重要位置。
這也是輝達正在擴展自身能力邊界的方向。過去，輝達的核心優勢來自GPU計算能力和CUDA生態。在生成式AI時代，GPU成為訓練大模型的重要基礎設施。而在Physical AI時代，競爭範圍正在向模擬環境、機器人軟體和開發平台延伸。
輝達通過Omniverse建構虛擬模擬環境，通過Isaac提供機器人開發工具，通過GPU計算平台提供訓練能力。這些能力共同組成機器人開發所需的軟體和計算基礎設施。
技術歷史中，每一次計算平台遷移，都伴隨著基礎設施價值重新分配。個人電腦時代，作業系統連接硬體與應用；移動網際網路時代，生態平台連接裝置與使用者；雲端運算時代，基礎設施連接企業數位化需求。Physical AI時代，競爭焦點可能轉向誰能夠提供連接計算、資料、模擬和現實執行的基礎平台。
從工業革命的機械裝置，到網際網路時代的資料中心，再到生成式AI時代的算力基礎設施，每一次技術周期都會重新定義生產力底座。
過去幾年，資本市場主要關注誰擁有更強模型、更多GPU以及更大計算資源。但隨著AI逐漸進入現實產業，價值鏈正在向新的環節延伸：不僅是讓機器生成內容，更是讓機器理解環境、執行任務，並持續從現實世界獲得反饋。
對於資本市場而言，Physical AI的重要變化在於，AI基礎設施的邊界正在從計算資源擴展到完整智能閉環。從GPU到機器人，輝達爭奪的可能不只是下一代晶片市場，而是智能進入物理世界之後的基礎設施入口。 (方到)