人工智能正从屏幕内的信息处理向物理世界延伸。麦肯锡将这一演进定义为“Physical AI”，即赋予机器感知环境、解读信息并进行物理操作的能力。目前，制造业和物流领域因其清晰的经济价值成为首要应用场景。
零售业已启动这一进程。仓库、履约中心及分拣等环节具备重复性高、吞吐量大、成本可量化等特征，与充满不确定性的实体店环境截然不同。因此，零售具身智能将根据不同环境的适配难度，呈现差异化推进速度。
当AI具备物理交互能力：从数字自主到实体行动
麦肯锡《2026年技术趋势展望》指出，Physical AI是数字系统自主性提升的延续。若生成式AI负责内容创作、智能体负责软件任务，Physical AI则为机器人及车辆赋予了感知、推理与行动能力。
其核心突破在于适应性。传统工业机器人依赖预设路径与固定对象；新型系统则能实时解读环境变化、识别物体并动态调整行为，无需针对每种场景预先编程。随着视觉算法、传感器及算力进步，机器应对多样化物理任务的自主范围正在扩大。
物流领域：结构化环境下的经济账更易算
麦肯锡强调，制造与物流率先落地源于经济效益明确。物流中心环境相对结构化、流程高度重复且指标易于量化。零售商可精确测算订单准备成本、搬运耗时、货量处理能力及拣选损耗，一旦机器人改善任一指标，投资回报（ROI）便有据可依。
此外，物流中心可按机器需求改造环境，如规划路线、标准化容器或部署安全系统。反观零售门店，顾客动线随机、购物车干扰、商品摆放错位及拥挤过道等因素，显著增加了技术落地的复杂度与不确定性。
零售业转型实践：从后端自动化向前端渗透
Zalando已在拣选环节应用AI机器人，解决了机械臂移动与异形物体识别操作的难题；亚马逊持续提升欧洲物流基础设施自动化水平；波士顿动力（Boston Dynamics）亦测试了Spot机器人在末端配送中的应用。这些案例表明，智能正从运营规划系统向执行终端转移。
零售业演进呈渐进式：初期聚焦内部移动、分拣、库存管理等受控场景；中期拓展至补货、门店协助等高变数任务；远期在安全与成本达标前提下，才可能实现人机共存的常态化应用。
资本加速涌入，但规模化仍需跨越可靠性门槛
麦肯锡预测，基于上半年投资记录，2026年“未来机器人”类别融资额将是2025年的两倍以上。然而，资金增长不等于大规模部署。从技术演示到稳定运营，仍需解决可靠性、安全性、系统集成、能耗及长期服务质量维持等关键问题。
在物流端，克服障碍的回报易衡量；但在门店端，替代或补充人工需证明其在开放环境中能带来足够的降本增效或服务提升，以支撑高昂的引入成本。
门店是终极考验，转型重心仍在“看不见”的后端
短期内，超市或百货商场不会普及人形机器人。门店要求机器同时理解物体与人类行为，并保持极高安全标准。因此，零售业最紧迫的变革发生于消费者视线之外。
当前投资仍集中于物流中心，Physical AI为现有自动化增添了低指令依赖与环境适应能力。该技术始于回报最易验证的仓库——这里具备规模效应与可控环境；而门店需与人类行为的不确定性共存。这种差异决定了Physical AI将首先在后端流程中显现，随后才逐步走向前台。