2026 年 3 月，由圖靈獎得主、曾任 Meta 首席 AI 科學家的 Yann LeCun 牽頭創立的 AMI Labs 宣布完成 10.3 億美元種子輪融資。

幾乎在同一時間：

• Fei-Fei Li 創立的 World Labs 完成新一轮約 10 億美元融資
• Google DeepMind 發布 Genie 3 世界模型
• Tesla continues to advance the deployment of Optimus humanoid robots in factories.

這些事件並非孤立發生，而是共同指向一個更加清晰的趨勢：AI 正在從「理解數字世界」走向「理解並作用於物理世界」。

如果說 2024 年是大語言模型的擴張期，2025 年是 Agent 的落地探索期，那麼 2026 年，矽谷的核心敘事正轉向一個更底層的問題：AI 能否真正理解「世界如何運轉」，並在現實中完成任務？

這不僅僅是技術方向的改變，更意味著產業價值鏈正在被重新改寫。過去兩年，AI 競爭的主戰場主要集中在模型、算力與數據中心等少數幾個高門檻環節；而當 AI 開始真正進入物理世界，競爭就不再只發生在模型層，而是同步擴展到硬件本體、系統集成、數據採集、仿真環境、供應鏈協同與真實場景落地。換句話說，Physical AI 帶來的不是單點突破，而是一整套基礎設施體系的重構。

正因如此，這輪變革對中文世界，尤其是華人創業者、工程師與投資人而言，可能不僅是一波新的技術熱潮，更是一個罕見的結構性機會窗口。與上一輪主要由大模型訓練資源和超級資本主導的競賽不同，Physical AI 天然更依賴複合能力：既要理解算法，也要懂工程；既要能做系統協同，也要能進入製造、供應鏈和產業場景深處。那些兼具技術深度、硬體協同能力與中美產業視野的團隊，反而更有機會在這場新週期中佔據關鍵位置。

換句話說，Physical AI 不只是硅谷在講的新故事，它也可能是在下一轮全球技術基礎設施變局中，華人最值得重視的一張入場券。

過去三年，大語言模型（LLM）幾乎主導了 AI 的發展路徑，其核心範式是基於海量文本數據進行 next-token prediction（下一個詞預測）。但這一範式的邊界也在逐漸顯現：它可以「描述」物理世界，卻不具備可執行的理解；缺乏對因果關係與物理約束的建模能力；在連續決策和長期任務中也表現有限。

因此，以 Yann LeCun 為代表的一派開始推動另一條路徑：World Model（世界模型）——預測「狀態」，而非「文本」。兩者的核心差異在於，LLM 以文本為學習對象、以語言為輸出形式，本質上停留在「認知與表達」；而世界模型則以物理世界狀態為建模對象，直接指向「感知—決策—執行」的能力閉環。

這並非 LeCun 個人的判斷。2026 年 Q1，世界模型方向幾乎在同一時間迎來幾項關鍵進展：AMI Labs 以 JEPA 為核心架構，明確押注「先研究、後產品」的長期路線；World Labs 從「空間智能」切入，試圖讓 AI 真正理解三維世界中的關係、遮擋與物理約束；Google DeepMind 則透過 Genie 3 推動可實時互動的動態環境生成，並將其用於智能體訓練。

三家公司路徑不同，但指向的都是同一個趨勢：AI 的下一次躍遷，不只是生成更好的文本，而是更準確地建模世界，並在其中完成行動。

世界模型解決的是「大腦」問題——AI 如何理解物理世界。但 Physical AI 的另一半戰場同樣激烈：誰來造「身體」？

2026 年的人形機器人賽道，已從「實驗室 demo」全面進入「工廠量產」階段。幾個關鍵數字：

Tesla Optimus Gen 3：已部署超過 1000 台於 Gigafactory Texas 與 Fremont 工廠，執行零件處理與裝配任務。這是人類歷史上規模最大的人形機器人工廠部署。Tesla 正在 Giga Texas 建設年產能 1000 萬台的專用工廠，目標將單台成本壓至 2 萬美元——兩年前行業均價仍在 5-25 萬美元。

Boston Dynamics Atlas：CES 2026 上的產品版 Atlas，身高 6.2 英尺，56 個自由度，可舉起 110 磅重物。更值得關注的是它的「靈魂」——Boston Dynamics 宣布與 Google DeepMind 合作，將前沿基礎模型整合至 Atlas 中。2026 年全年產能已被 Hyundai 和 Google DeepMind 預訂，30000 台/年的工廠正在規劃中。

圖 03：Figure AI 以 390 億美元估值融資 10 億美元，其 Figure 02 在 BMW Spartanburg 工廠為期 11 個月的試運行中，參與了超過 30000 輛 BMW X3 的生產，移動了 9 萬多個零件，累計運行 1250 小時。Figure 03 在此基礎上全面升級，配備 48+ 自由度和專有的 Helix AI 平台。

Mind Robotics：3 月剛宣布融資 5 億美元，專注於工業規模的 AI 機器人部署。

但在這場硬體競賽中，一個被低估的環節正在浮出水面：靈巧手（Dexterous Hand）。

人形機器人的腿部解決了移動問題，軀幹解決了承載問題，但真正決定機器人能否在複雜環境中工作的，是手。以 Tesla Optimus 為例，手部成本佔整機的 17%，約 9500 美元——是最昂貴的單一組件。

靈巧手之所以難，源於一個根本性矛盾：手指空間太小，無法容納大型馬達；小型馬達扭力不足，便需依靠高減速比齒輪箱來放大力量；而高減速比齒輪箱會帶來慣性失真、力反饋喪失和機械磨損——這三個問題會從物理層面「毒化」AI 的學習過程。

一批新公司正在嘗試突破這個瓶頸。有的採用軸向磁通電機架構，將減速比從 288:1 壓縮至 15:1，實現完全可反向驅動的靈巧手；有的通過同步設計數據採集手套，讓人類操作數據可以零損耗遷移到機器人硬體上。這些看似小的硬體創新，可能是整個 Physical AI 生態中最關鍵的基礎設施之一。

每一次技術浪潮，都會出現一個「賣鏟人」。

在大模型時代，NVIDIA 憑藉 GPU 與 CUDA 生態成為最大受益者；而在 Physical AI 時代，其角色正在進一步升級——不只是提供算力，而是試圖構建一整套機器人時代的基礎設施。

在 2026 年 3 月的 GTC 大會上，NVIDIA 發布了一整套圍繞 Physical AI 的平台能力：包括面向人形機器人的視覺-語言-動作模型 Isaac GR00T、用於生成大規模合成數據的 Cosmos 系列，以及覆蓋訓練、評估與部署的工具鏈（如 Isaac Lab 與 OSMO）。這些能力並非單點工具，而是逐步形成一套完整的開發與運行體系。

包括 Boston Dynamics、Caterpillar、Franka Robotics、LG、NEURA Robotics 等在内的多家机器人公司，已在 NVIDIA 平台上構建下一代系統。

其策略也非常清晰：

不直接參與終端產品，而是成為整個行業的底層標準。

如果 Physical AI 是一座正在建造的城市，那麼 NVIDIA 正在同時提供水泥、鋼筋與電網。

在大語言模型的世界裡，互聯網提供了幾乎無限的文本數據。但在 Physical AI 中，一個更根本的問題浮現出來：

真實世界的操控數據極其稀缺。

這使得數據，成為整個產業鏈中最關鍵、也是最稀缺的資源之一。

目前，行業主要探索三條路徑。

真實數據路線。以 Physical Intelligence 為代表，其 π0 模型基於超過 10,000 小時的真實機器人操作數據訓練，涵蓋多種機器人形態與任務類型，能夠完成複雜操作（如疊衣服、組裝紙箱等）。其開源行為，本質上為行業提供了一套「操控預訓練基座」。

合成數據路線。Google DeepMind 的 Genie 3 與 NVIDIA 的 Cosmos 嘗試透過世界模型生成大量模擬環境，在虛擬世界中完成訓練，再遷移到真實世界。這一路徑的核心挑戰在於 sim-to-real gap，但隨著模擬精度的提升，這一差距正在逐步縮小。

人類遙操作路線。通過數據採集手套等設備，將人類操作直接映射到機器人系統中。這種方式數據質量最高，但在成本與規模化能力上仍存在限制。

Tesla 則在嘗試一條混合路徑：通過工廠視頻持續採集人類操作行為，並用於訓練 Optimus 的動作能力。

從長期來看，Physical AI 的競爭格局很可能不取決於誰的模型最優，而取決於誰擁有最多、最高質量的物理世界互動數據。一旦數據飛輪開始運轉，其壁壘將呈指數級增強。

數字不會騙人。以下是 2026 年第一季度 Physical AI 領域的關鍵融資事件：

【世界模型層】

· AMI Labs（LeCun）— $10.3 億種子輪，估值 $35 億

· World Labs（李飛飛）— 新一輪融資 10 億美元，Autodesk 投資 2 億美元

【基礎模型層】

· Physical Intelligence — 正在籌備 10 億美元的新一輪融資，估值將超過 110 億美元

· RLWRLD — $4100 萬種子輪擴展

【人形機器人整機】

· Figure AI — 此前以 $390 億估值融 $10 億（2025）

· Mind Robotics — $5 億，工業規模部署

· Galaxea — 4.34 億美元，Series B 獨角獸

· Humanoid — 2.9 億美元種子輪，直接成為獨角獸

· 生成式生物學 — 7000 萬歐元種子輪

【基礎設施與工具】

· NVIDIA — 持續投入 Isaac GR00T / Cosmos 平台

· RoboForce — 5200 萬美元，Physical AI 勞動力平台

僅上述公開數據，Q1 已超過 64 億美元。而這還不包括 Tesla、Hyundai/Boston Dynamics、Google DeepMind 等大廠的內部投入。

資本的流向說明一件事：Physical AI 已經越過了“概念驗證”的階段，進入了“基礎設施建設”的階段。投資人不再問“機器人能不能用”，而是在問“誰的基礎設施能讓機器人最快規模化”。

當然，矽谷從不缺泡沫。面對 Physical AI 的狂熱，幾個冷靜的問題值得思考：

Demo ≠ 部署。正如業內人士在達沃斯 2026 上的共識：一個精彩的 demo 和一個能連續運行 10000 次不出錯的系統之間的鴻溝，比宣傳暗示的要大得多。Figure 02 在 BMW 工廠確實參與了 30000 輛車的生產，但它執行的是相對標準化的零件搬運，而非靈巧裝配。

Sim-to-real 依然是硬骨頭。世界模型的保真度在提升，但物理世界的長尾複雜性——光照變化、材料差異、非預期碰撞——仍然是合成數據路線的最大挑戰。

商業模式尚未跑通。LeCun 自己表示 AMI Labs 第一年僅從事研究。World Labs 正在嘗試免費加付費模式。Physical Intelligence 已開源其核心模型。目前這些公司的收入幾乎為零，資本賭的是 3-5 年後的範式壟斷。

安全與監管的灰犀牛。當數千台具備自主決策能力的機器人進入工廠甚至家庭，誰為事故負責？目前全球對 Physical AI 的監管框架幾乎一片空白。

但這些問題恰恰說明，我們正處於技術拐點的早期，而非泡沫的頂部。每一項真正的範式轉換——互聯網、智能手機、雲計算——在早期都伴隨著「Demo 遠好於產品」的階段。關鍵的區別在於：底層技術是否在真正進步，而不只是 PPT 在進步。

從 LeCun 的 JEPA 架構、到 Genie 3 的實時世界生成、到 π0 的 68 任務泛化能力、到 Optimus 1000 台級別的工廠部署——2026 年 Q1 的進展是實實在在的工程突破，不是空中樓閣。

Physical AI 不是一個新賽道，它更像是 AI 的終局形態之一。

當 AI 從「理解世界」走向「進入世界」，真正被重寫的不只是模型能力邊界，也是產業分工與價值分配方式。未來的競爭，不會只發生在模型參數和算力叢集中，也會發生在機器人本體、靈巧手、數據採集、模擬系統、產業場景和供應鏈組織能力上。

這也是為什麼這輪對華人尤其重要。

在過去二十年裡，華人最深厚的積累之一，從來不是單一維度的技術標籤，而是真正將前沿技術、工程執行、硬體製造和跨區域產業協同串聯起來的能力。無論是創業者、工程師，還是投資人與產業資源組織者，只要能抓住這輪從數位智慧走向實體智慧的遷移，就有機會不僅參與趨勢，更在某些關鍵層面上，成為趨勢本身的一部分。

在 2026 年，Physical AI 可能仍遠未成熟；但正因它尚處早期，窗口才剛剛打開。對華人而言，這或許不是又一輪「跟隨式參與」的週期，而是一輪更有機會深入切入基礎設施層、平台層與關鍵組件層的新起點。

本文來自微信公眾號 “硅兔君”（ID：gh_1faae33d0655），作者：硅兔君