黄仁勋称物理AI规模或达数字AI十倍
Nvidia首席执行官Jensen Huang表示，物理AI可能成为比数字AI大10倍的产业机会；他所说的物理AI涵盖机器人、自动驾驶汽车、无人机和可在现实环境中感知、推理与行动的智能机器。
Huang称，Nvidia当前来自机器人、自动驾驶及相关物理AI业务的年收入已接近100亿美元，并预计该业务可在未来十年增长至1000亿美元级别；这是对Nvidia自身物理AI收入的十倍增长目标，并非已实现收入或对整个数字AI市场规模的精确比较。
Nvidia在截至2026年7月26日的2027财年第二季度实现962亿美元营收，环比增长18%。公司在财报中将“物理AI上线”与前沿模型实验室、开放模型生态并列，称它们共同推动AI基础设施建设加速。物理AI当前仍只占Nvidia总营收的一小部分，但被管理层视为下一阶段增长曲线。
Nvidia将自动驾驶作为物理AI最先规模化的切入口。黄仁勋认为，汽车市场足够大、车辆形态和传感器架构相对标准化、商业价值足够明确，因而能比通用人形机器人更快形成数据、芯片、软件和量产之间的飞轮。
其技术路径不是单靠机器人端芯片，而是“三计算机”体系：AI工厂负责训练世界模型，Omniverse等仿真系统生成和测试虚拟环境，车载或机器人端计算机执行实时感知与控制。Nvidia通过GPU、数据中心网络、仿真软件、自动驾驶计算平台和边缘芯片同时覆盖训练、测试与部署环节。
市场机制上，买方是汽车制造商、机器人公司、工业自动化企业、仓储物流运营商、无人机厂商和制造工厂；它们购买的不只是芯片，而是训练算力、仿真工具、车端计算、传感器数据处理和安全验证能力。资金将流向GPU、边缘AI芯片、工业机器人、机器视觉、数字孪生、合成数据与安全认证；传统低自动化制造商、缺少数据闭环的机器人厂商和仅依赖低成本硬件组装的供应商将承受技术升级与资本开支压力。
来源：公开信息
ABAB AI 解读
黄仁勋对物理AI的判断延续Nvidia过去二十年的平台扩张路径。公司先用CUDA把GPU从图形芯片变为通用并行计算平台，再以深度学习训练基础设施成为生成式AI核心卖方；自动驾驶领域则已投入十余年，通过Drive平台与车企合作积累车端计算、传感器处理和仿真能力。当前近100亿美元物理AI业务并不是从零开始的概念押注，而是将既有汽车、机器人和边缘计算收入统一纳入“physical AI”叙事，并向1000亿美元级业务目标推进。
资本路径从云端训练芯片延伸到每台可移动机器的长期计算需求。数字AI主要消耗数据中心GPU和云端推理资源；物理AI除训练外，还需要传感器、实时控制芯片、仿真环境、地图或空间数据、功能安全系统、工程集成和持续的软件更新。一辆自动驾驶车或一台工业机器人若进入量产，Nvidia可在训练端销售GPU，在仿真端销售Omniverse相关软件和算力，在部署端销售Drive或边缘计算平台；同一客户的资本开支被拆分为多层、跨多年采购。
历史类比应看智能手机而非聊天机器人。智能手机并非靠单一处理器取胜，而是由移动芯片、操作系统、应用商店、开发者工具、传感器、通信网络和供应链共同形成平台；物理AI同样需要软硬件标准统一后才会出现规模化部署。Tesla以FSD数据闭环推动自动驾驶，Amazon以仓储机器人和物流网络推动自动化，ABB、Fanuc等工业机器人公司则拥有工厂场景积累。Nvidia当前处于为这些行业出售通用计算与仿真底座的扩张阶段，而非直接替代整车厂或机器人整机制造商。
本质属于产业链重构。数字AI改变的是知识工作、内容生产和软件服务的边际成本；物理AI改变的是制造、物流、交通、农业、建筑与能源等实体行业的单位劳动和单位停机成本。实体经济的资产规模远大于软件订阅市场，因此潜在市场可以更大；但部署周期也更长，因为每一次错误可能造成碰撞、停产、人员伤害或产品责任。Nvidia争夺的不是单次机器人销售利润，而是物理世界被数据化、仿真化和自动化后，所有训练与执行节点的计算定价权。
ABAB News · 认知定律
数字AI卖效率，物理AI重写劳动成本
能在屏幕上推理，不等于能在现实中负责
机器人价值不在硬件，而在数据闭环