黃仁勳稱物理AI規模或達數字AI十倍
Nvidia首席執行官Jensen Huang表示，物理AI可能成爲比數字AI大10倍的產業機會；他所說的物理AI涵蓋機器人、自動駕駛汽車、無人機和可在現實環境中感知、推理與行動的智能機器。
Huang稱，Nvidia當前來自機器人、自動駕駛及相關物理AI業務的年收入已接近100億美元，並預計該業務可在未來十年增長至1000億美元級別；這是對Nvidia自身物理AI收入的十倍增長目標，並非已實現收入或對整個數字AI市場規模的精確比較。
Nvidia在截至2026年7月26日的2027財年第二季度實現962億美元營收，環比增長18%。公司在財報中將“物理AI上線”與前沿模型實驗室、開放模型生態並列，稱它們共同推動AI基礎設施建設加速。物理AI當前仍只佔Nvidia總營收的一小部分，但被管理層視爲下一階段增長曲線。
Nvidia將自動駕駛作爲物理AI最先規模化的切入口。黃仁勳認爲，汽車市場足夠大、車輛形態和傳感器架構相對標準化、商業價值足夠明確，因而能比通用人形機器人更快形成數據、芯片、軟件和量產之間的飛輪。
其技術路徑不是單靠機器人端芯片，而是“三計算機”體系：AI工廠負責訓練世界模型，Omniverse等仿真系統生成和測試虛擬環境，車載或機器人端計算機執行實時感知與控制。Nvidia通過GPU、數據中心網絡、仿真軟件、自動駕駛計算平臺和邊緣芯片同時覆蓋訓練、測試與部署環節。
市場機制上，買方是汽車製造商、機器人公司、工業自動化企業、倉儲物流運營商、無人機廠商和製造工廠；它們購買的不只是芯片，而是訓練算力、仿真工具、車端計算、傳感器數據處理和安全驗證能力。資金將流向GPU、邊緣AI芯片、工業機器人、機器視覺、數字孿生、合成數據與安全認證；傳統低自動化製造商、缺少數據閉環的機器人廠商和僅依賴低成本硬件組裝的供應商將承受技術升級與資本開支壓力。
來源：公開信息
ABAB AI 解讀
黃仁勳對物理AI的判斷延續Nvidia過去二十年的平臺擴張路徑。公司先用CUDA把GPU從圖形芯片變爲通用並行計算平臺，再以深度學習訓練基礎設施成爲生成式AI核心賣方；自動駕駛領域則已投入十餘年，通過Drive平臺與車企合作積累車端計算、傳感器處理和仿真能力。當前近100億美元物理AI業務並不是從零開始的概念押注，而是將既有汽車、機器人和邊緣計算收入統一納入“physical AI”敘事，並向1000億美元級業務目標推進。
資本路徑從雲端訓練芯片延伸到每臺可移動機器的長期計算需求。數字AI主要消耗數據中心GPU和雲端推理資源；物理AI除訓練外，還需要傳感器、實時控制芯片、仿真環境、地圖或空間數據、功能安全系統、工程集成和持續的軟件更新。一輛自動駕駛車或一臺工業機器人若進入量產，Nvidia可在訓練端銷售GPU，在仿真端銷售Omniverse相關軟件和算力，在部署端銷售Drive或邊緣計算平臺；同一客戶的資本開支被拆分爲多層、跨多年採購。
歷史類比應看智能手機而非聊天機器人。智能手機並非靠單一處理器取勝，而是由移動芯片、操作系統、應用商店、開發者工具、傳感器、通信網絡和供應鏈共同形成平臺；物理AI同樣需要軟硬件標準統一後纔會出現規模化部署。Tesla以FSD數據閉環推動自動駕駛，Amazon以倉儲機器人和物流網絡推動自動化，ABB、Fanuc等工業機器人公司則擁有工廠場景積累。Nvidia當前處於爲這些行業出售通用計算與仿真底座的擴張階段，而非直接替代整車廠或機器人整機制造商。
本質屬於產業鏈重構。數字AI改變的是知識工作、內容生產和軟件服務的邊際成本；物理AI改變的是製造、物流、交通、農業、建築與能源等實體行業的單位勞動和單位停機成本。實體經濟的資產規模遠大於軟件訂閱市場，因此潛在市場可以更大；但部署週期也更長，因爲每一次錯誤可能造成碰撞、停產、人員傷害或產品責任。Nvidia爭奪的不是單次機器人銷售利潤，而是物理世界被數據化、仿真化和自動化後，所有訓練與執行節點的計算定價權。
ABAB News · 認知定律
數字AI賣效率，物理AI重寫勞動成本
能在屏幕上推理，不等於能在現實中負責
機器人價值不在硬件，而在數據閉環