前英伟达投资人AmulyaVishwanath，物理AI尚处乐高积木阶段，人才与基础模块是关键

物理AI正成为AI产业下一阶段的核心战场，但其发展路径远非一蹴而就。前英伟达产品营销负责人、现Techable Ventures创始合伙人Amulya Vishwanath在近期接受TechCrunch《Equity》播客访谈时提出一个形象比喻：当前的物理AI仍处于“乐高积木时代”——大量基础模块正在被重新设计与搭建，尚未拼装出完整、通用的智能体系统。

Vishwanath拥有近七年英伟达产品营销经验，此前曾在被英特尔收购的公司任职，并早期担任过Interconnect Systems（后被Molex收购）的数字信号处理工程师。她的职业轨迹横跨芯片、系统集成与AI应用层，使其对物理AI的技术演进有独特观察视角。

她指出，尽管业界频繁提及“机器人领域的ChatGPT时刻”，但现实更接近于基础设施建设期：“现在人们正在打造机械手、执行器等基础单元，这些模块未来将像乐高积木一样组合成更复杂的系统。”这一判断与当前产业实际高度吻合：2026年10月，英伟达在GTC大会上发布全开源Cosmos 3多模态物理AI模型，并配套推出Agent Toolkit工具链与Cosmos Coalition全球开发者联盟，正是为解决长期困扰行业的“数据稀缺”与“仿真碎片化”两大痛点。

Cosmos 3采用混合Transformer架构，集成推理与双专家生成模块，依托海量多模态样本缩短研发周期；其分层产品矩阵已在多项国际基准测试中登顶。更重要的是，该模型与Agent Toolkit共同构成“基础大模型+自动化开发工具”双层架构，使物理AI开发流程标准化、可复用，显著降低行业准入门槛。

Vishwanath特别强调人才的关键作用：“人才仍是美国市场最核心的护城河之一。”她指出，大量顶尖工程师正流向Anthropic、英伟达等巨头，初创团队面临严峻的人才竞争。作为VC，Techable Ventures的核心优势之一便是凭借其创始人多年积累的行业网络，帮助早期项目对接关键人才资源——这恰恰反映了物理AI创业生态中“人比钱更稀缺”的现实。

这一观点也印证了近期A股市场的结构性反应。10月19日，沪指微涨背景下，机器人与物理AI概念股逆势走强：机器人ETF涨幅超4%，索辰科技、凡拓数创20CM涨停，能科科技、宇树科技、浙江荣泰等集体冲高。但需注意，此轮上涨更多由事件驱动与情绪催化所致，真正区分价值的关键在于是否具备可复制、可持续的商业场景。

物理AI与大语言模型的根本差异在于训练范式：后者依赖互联网海量文本数据，前者则必须在真实或高保真仿真环境中反复试错。这意味着数据成本极高，而仿真环境的质量直接决定模型泛化能力。腾讯新闻相关分析指出，当前产业链中真正卡脖子的环节并非GPU算力（英伟达仍以“卖铲子”逻辑受益），而是高精度仿真软件与物理数据集构建能力——谁能在仿真侧实现降本增效，谁就掌握了通向规模化落地的钥匙。

从技术路线看，物理AI需同时突破感知、决策与执行三环：上游依赖3D传感器、激光雷达等感知硬件；中游聚焦物理大模型与运动控制算法；下游则指向人形机器人本体、工业装备及具体应用场景。英伟达的Cosmos生态已吸引三星、LG电子、Doosan Robotics、Agile Robots等头部厂商参与落地；理想汽车基于该平台推进自动驾驶研发；Centific与Milestone Systems则在工业AI与智能空间领域部署解决方案。

值得注意的是，当前工业机器人产量增长主要来自传统自动化产线升级，与物理AI所追求的“非结构化环境泛化能力”仍有本质区别。让机器人在流水线上重复焊接不难，但要在家庭环境中识别并折叠不同材质、形状的衣物，或在仓储场景中灵活处理变形包裹，难度呈指数级上升。这也解释了为何行业普遍认为，物理AI的成熟仍需数年时间。

产业链价值分布方面，据一财有看投梳理，在Cosmos 3开源与生态联盟推动下，物理AI全链条将同步扩容：上游（仿真算力、软件、数据集，占比35%）、中游（感知硬件、模型与控制系统，30%）、下游（执行部件、整机与场景应用，35%）均迎来增量需求。其中，上游算力需求较通用大模型高出5–10倍，凸显物理仿真对算力的极端依赖。

Vishwanath回顾历史类比称：“我们曾在互联网时代走过类似路径，更早之前在工业革命时期也是如此——从零散模块到系统集成，只是时间问题。”她相信，随着基础构件持续完善、人才网络逐步打通、开源生态加速共建，物理AI终将跨越临界点，进入爆发阶段。

目前，包括五一视界、极智嘉、乐动机器人、拓斯达、中大力德在内的多家企业已在仿真建模、人形本体、精密执行器等领域展开实践。但真正的考验仍在后续：谁能率先跑通一个盈利闭环的垂直场景，谁就能定义下一个十年的智能硬件范式。

物理AI不是对大模型的简单延伸，而是AI从“理解世界”迈向“改造世界”的必经跃迁。在这一过程中，乐高式的模块化积累虽显缓慢，却不可或缺。