6 月 22 日，“物理 AI 概念股”天娱数科再次涨停。与此同时，港股“物理 AI 第一股”海清智元在港交所挂牌，超额认购近 7200 倍，开盘涨幅超 300%，市值一度突破 200 亿港元。
物理 AI 被视为长期概念，但资本市场短期关注度极高。这一轮热潮源自英伟达 6 月初开源 Cosmos 3 世界模型，并发布与宇树合作的人形机器人参考平台。面对“下一个 50 万亿美元的市场机会”，产业界与资本市场都在探寻其核心要素。
大模型时代的 AI 擅长读文、生图、写代码，但能力局限于数字空间。物理 AI 旨在让 AI 理解物理世界规律（重力、摩擦力、碰撞等），在真实环境中看懂、预测、操作并适应。这不仅是让机器人动起来，更是难度远超参数竞赛的“原子化”挑战。
物理 AI 并非单一技术突破，需三大核心要素同步进化：足够逼真且规模宏大的物理交互数据、能精确模拟物理世界的仿真引擎、能采集高质量感知数据的硬件终端。三者构成闭环：数据驱动模型，模型指导仿真，仿真正反馈到硬件执行，硬件再产生新数据。因此，手握 AI 发展关键资源的企业，依然留在资本视野中。
最深的瓶颈依然是“数据鸿沟”
物理 AI 最紧迫的制约因素并非算力或算法，而是数据。英伟达机器人业务负责人指出，机器人领域最大的挑战是无法捕获每一种长尾场景。
大模型在语言和图像上的突破得益于互联网海量数据，但物理 AI 需要的是机器人在真实环境中抓取、搬运、躲避障碍的行为数据。这些数据无法靠爬虫抓取，必须被“制造”出来。
制造数据主要有两种方式：一是真实世界中人类远程操控采集，成本高、效率低；二是虚拟世界仿真生成合成数据，成本低、规模大，但面临“仿真世界与真实世界差距”的核心难题。
这就是物理 AI 领域最深刻的矛盾——Sim-to-Real Gap。英伟达 Cosmos 3 世界模型正是为解决此矛盾而生。它被定义为“世界模型”，核心能力是在时序维度上感知、预测并生成物理世界的后续状态。
Cosmos 既可作世界推理器，也可作仿真器测试机器人策略，甚至直接生成动作指令。它介于数据生成和模型训练之间，是通往“虚拟与真实融合”的桥梁。但英伟达也坦诚，高精度操作任务所需的物理精度，目前世界模型尚未完全达到。
因此，Cosmos 必须依赖基于传统物理引擎的精确仿真器 Omniverse 提供“物理锚点”。二者形成共生结构：Omniverse 提供精度，生成小而准的数据；Cosmos 提供广度，生成大而多样的数据。这揭示了一个深层现实：物理 AI 的数据难题短期内没有单一解法，需要仿真精度和数据规模的双重突破。
感知革命的起点：从“看得见”到“看得懂”
如果说数据是物理 AI 的“燃料”，感知硬件就是“眼睛”。物理 AI 需要的感知能力远超 2D 图像识别，它需理解物体的三维形态、空间位置、材质属性，并在光线不足等复杂环境下保持精度。
这一需求让端侧模组企业拿到物理AI招牌。6 月 16 日，芯明在张江大会上发布 R216g 3D 视觉 AI 模组。该产品专为人形机器人、灵巧手和协作臂设计，采用主动式散斑技术，在弱光或低纹理环境下仍能输出亚毫米级深度数据。
模组内置自研空间智能芯片，提供 3.5 TOPS 端侧算力，可在模组内部实时运行物体识别和姿态判断。这种“感算一体”架构满足了物理 AI 对低延迟、低功耗、高鲁棒性的核心要求。
海清智元的多光谱 AI 则代表了感知技术的另一维度进化。通过紫外、红外、可见光融合，AI 不仅能“看到”形状，还能“感知”材料成分、温度变化和隐藏缺陷。这种能力为物理 AI 增加了“隐性维度”的感知通道，适用于消防、工业安全等场景。
从 2D 走向 3D，从单一谱段走向多光谱融合，从纯算法走向“算法 + 芯片 + 光学”的系统级集成，软硬一体的感知体系将被市场赋予更多想象力。
数据的“资产化”与隐形的底座
在数据和感知之间，还需一层连接：将真实世界信息采集转化为可供模型训练的结构化数据。天娱数科的数据优势在此背景下备受关注。
天娱数科拥有 Behavision 空间智能 MaaS 平台，累计沉淀超过 150 万条 3D 数据及 518 万条多模态数据，其中 10 项核心数据集已在北京国际大数据交易所完成资产登记。平台核心架构 ABC（Assets、Behavior、Client）覆盖了从数据采集、标注到输出适配的全流程。
针对行业数据碎片化、孤岛化等问题，天娱数科的策略是将沉淀的多模态数据通过资产登记确权，再通过平台向行业输出。该模式不卖硬件和模型，而是卖“数据服务”，充当物理 AI 产业链中的“数据炼油厂”。
目前该方向商业化尚处早期，天娱数科也澄清暂无物理 AI 业务收入。但从产业发展规律看，高质量数据供给是物理 AI 规模化落地必不可少的基础设施。随着机器人公司增多、场景扩大，“数据荒”将愈发严重，提前卡位数据生产和确权的公司将拥有供给侧主动权。
长远来看，物理 AI 是长坡厚雪的赛道，数据基础设施建设周期领先于应用爆发周期。这一逻辑在新能源和自动驾驶时代已被验证，过早限制物理 AI 的想象力，既看小了其真实潜力，也会影响企业长远发展预期。
本文来源：松果财经