在2025年的时候, 于亚马逊西雅图的一处仓库当中, 有一台被称作Digit的人形机器人 , 它每日都在不断重复着相同的一个动作, 那就是将空的周转箱从货架之上取下, 然后搬到传送带上, 这般场景是丝毫没有任何炫技的成分的, 既没有跳跃的动作, 也没有后空翻的情况, 更没有能够让人发出惊呼说“像人”的演示视频。

但就是这么一台, 仅仅会做搬箱子这件事的机器人, 已然累计搬运了数目超过10万只的周转箱, 而且在2026年6月之时, 使之所属的母公司借助SPAC达成成功上市, 进而成为人形机器人赛道里的第一家实现上市的公司。

在硅谷的另一边, 有个估值冲到110亿美元的, 到现在都还没有实现规模化收入。它在2024年10月发布旗舰模型π0时令人惊动, 这个模型能同时操控机械臂、双臂系统以及移动操作机器人, 为此“一脑多形”这种技术路线最先有了实证情况。

然而实际情况为, 它自身并不开展数据采集工作, 其用于训练的数据完全依赖外部予以供给, 它的收入目前还没有达到规模化状态, 它所具有的估值更多的是源自预期而非现阶段的业绩表现。

这两家公司的命运出现分岔, 将这个问题的答案写在了财报之上, 从2026年8月的行业落地进度去看, 整机全栈路线率先在自动驾驶、仓储物流等场景跑通了规模化商用的正向闭环, 很有可能先于纯模型路线推动物理AI达成全行业规模化商用。

谁在赚钱，谁还在烧钱

现有一家名为Waymo的公司, 在当下物理AI领域里, 它是最具价值的, 到2026年其估值高达1260亿美元。该公司每周于洛杉矶、旧金山等城市达成超25万次付费订单, 已部署超2600辆极氪定制版车辆, 且在2026年开启对东京、伦敦等20多个国际城市的扩充行动。

Waymo自动驾驶车辆行驶在城市道路上

这不是技术演示，是用户扫码付费、车辆实际运营的商业闭环。

行进的是一条更狭窄然而更坚实的路, 它仅仅着重于仓储物流景象的搬运工作, 不过这个基础景象使它获取了超过3亿美元的多年度订单, 而且借助SPAC上市募集资金6.2亿美元。

Digit于亚马逊仓库之中, 并非在进行演示, 而是在从事劳作——于单个场馆搬运超过十万只周转箱, 是人形赛道里首个验证了正向商业收益的样本呢。

存在这样一个纯模型路线的标杆, 它的估值飙升到了110亿美元, 并且贝索斯每一轮都进行跟投, 然而, 它却从未公开过自身到底部署了多少台机器人, 以及有多少个付费客户这类核心数据。在行业中大家达成的共识是, 它依旧处于“技术验证向商业化对接”的阶段, 其收入尚未实现规模化。

这个差距的本质, 并非是谁的技术更为出色, 而是谁能够更早地获取到场景数据。

整机全栈路线的核心优势：数据闭环自带造血能力

整机全栈模式具备的最大优势, 能够用一句话表述明白, 那就是它自行制造硬件, 自行将其部署到具体场景当中, 自行采集相关数据, 自行展开模型迭代工作, 进而构建起了一条“部署 - 数据回流 - 优化 - 再部署”的封闭循环。

Waymo无需向他人求取驾驶数据, 它自身存有2600多辆车每日不间断地在道路上行驶, 行经出一公里的里程便生成一公里数据。不用担心数据的来源问题, Digit于仓库内每进行一次搬运箱子的行为 就会为模型供给一次现实交互数据。

此次公开演讲是在2026年7月, 福瑞泰克首席科学家, 是沈骏强, 他就此逻辑给予拆解表述, 所言“软件+硬件+大模型+数据闭环+工程化”, 此为五点结合体全-stack体系, 这个体系要解决是实质性要点, 核心问题是怎样去做, 将前线技术诠释转换为可量产状态, 转化为可迭代形式, 成就可低成本并且落至实地的生产力。__。

福瑞泰克凭借这套体系, 已累计获得与55家整车厂的合作, 拥有430个量产定点项目, 安全里程验证超600亿公里, 且凭借中等算力达成城区NOA量产, 并成功在10至20万元家用车区间落地。

这仿佛是一家餐厅, 它自己去种菜, 自己来炒菜, 然后自己把菜端上桌。它能够在第一时间知晓哪个菜客人不喜欢, 哪个环节出现了问题, , 并且当天便可以进行调整。然而纯模型路线恰似一家仅仅售卖菜谱的公司, 菜谱是很不错的菜谱, 可是它并不清楚不同厨房的灶台火力, 不同厨师的刀工如何, 每更换一个厨房都得重新去适配一番。

纯模型路线的致命软肋：数据被别人掐着脖子

纯模型路线面临的困境，最核心的是数据获取问题。

群核科技北美地区负责人, 于2026年7月的一场公开访谈之际, 透露了一组一线数据, 在时下大量采集得来的第一视角物理世界数据里头, 真切对训练控制策略具备价值的占比仅仅约为20%, 大多数内容不过是那种“看似真实然而却不存在任务价值”的平常画面, 就好像两个人坐在会议室里面聊天, 既没有动作, 又没有把任务完成, 更不存在状态变化, 针对训练机器人而言毫无意义。

而高质量物理交互训练数据，单价高达几十元一条。

更为繁杂且棘手的是, 在此处存在着这样一个“鸡孕育出蛋再蛋又催生鸡”的矛盾情理: 若要生成足够理想且精准的物理模拟的数据, 那么就要求模型自身首先要拥有很强有力的对于物理规则以及原理的领会能力；然而想要拥有此种能力, 又得依仗大量具备高水准以及是源自真实交互所产出的数据来开展锤炼。

说得很直白, 那就是纯靠视频生成, 还不太能够稳定地去达成value, 其中包括尺寸、距离、碰撞、关节结构这些方面, 这些都必须要准确明确下来, 不能够出现第一次推测是一个长度, 等到第二次又有所改变的情况。

所有训练的数据都要依靠外部来供给, 自己是完全不进行数据采集的, 这便意味着它的命脉掌握在别人手中, 数据质量、数据量以及数据获取成本, 对于它来说都并非能够全然实现控制的。

张立华, 即前PhysX物理引擎的核心研发负责人, 于2026年8月发声作出公开指出, 纯模型路线无一例外存有物理幻觉、推演失真这类问题, 物理AI的竞争已然发生转变, 不再是“谁的模型参数占据更大数值”, 而是转向“谁得以将一整条生态协同妥善这一方面”, 难以凭借单打独斗做好完整准确阐释, 单一纯模型公司达成完整落地链条着实是存在困难的。

顶级投资机构已经在用脚投票

红杉资本到2026年时所采取的行动, 是非常能够表明某种情况的, 合伙人Pat Grady于内部清晰地宣称, “我们不会再去投资下一个了, 我们于这个方面已然得以终结了。”。

那就意味着, 通用大模型的格局已经基本上确定下来了, 红杉不再参与到仅仅是纯模型赛道的那种估值方面的竞争了, 而是转变方向, 朝着物理AI的全链条基础设施去进行布局, 具体来说, 就是向下游去覆盖AI专用芯片这一块, 还有先进制造领域, 以及机器人垂直专用模型, 并且优先去押注那些具备全栈量产能力的硬科技项目。

在2026年8月的时候, 高盛发布了一则行业报告, 这则报告给出了明确的判断, 全产业链AI硬件, 也就是全栈路线的这个板块, 它盈利增长的确定性远远高于单一的纯模型板块, 它是未来1 - 2年业绩兑现最高的细分领域当中的一个。

英伟达有着创始身份的黄仁勋, 在2026年7月时段的一回访谈里, 表述更为直接，物理AI是需要那种完整的, 从Real到Sim、再从Sim至Real训练迁移系统性排列的, 单单依靠纯模型根本就没办法处理真实状况下的那一系列问题, 像是实际物理规律理解不透彻、虚假与真实之间存在跨度衔接不上等问题, 一定要凭借从芯片开始, 历经仿真平台, 一直到机电系统的, 属于全链路范畴的能力。

他透露, 英伟达的物理AI业务规模, 已经快要达到100亿美元了, 在未来, 它会变成千亿美元级别的业务, 其成熟周期, 不会短于一两年，并且也不会超过十年。

不是这些机构在赌“技术路线”, 而是在赌“谁先形成商业闭环”, 整机全栈路线已凭借实际收入证实这条路可行得通, 然而纯模型路线的商业变现时间表到目前为止还构建在预期而不是业绩之上。

但整机全栈也不轻松：供应链和泛化能力是两座大山

整机全栈路线虽然跑得快，但跑的是一条更贵的路。

核心零部件投入量产, 朝着产量逐步提升的进程迈进时, 所面临的压力是实实在在存在的。比如说, 提到物理AI视觉芯片这个领域, 拿其中处于领先地位、专注于专业化发展且具备特色优势的企业阜时科技来讲, 在2025年的时候, 其净利润呈现出负值, 为负1.4亿元之多, 到了2026年上半年, 净利润更是处于亏损状态, 为负4877万元。芯片这个行业, 存在着技术更新换代速度极快的特点, 然而良品率提升的速度却偏偏很慢, 并且整机综合成本朝向更低水平下降的速度, 明显要比之前市场所预计的速度低了很多。

场景泛化能力, 同样是一块难啃的硬骨头。所有机器人的研发测试, 都是在空旷的样板间里完成的。然而, 真实民用住宅的家具尺寸, 空间动线, 杂物摆放, 完全是不符合标准的设计。

尚品宅配董事长李连柱, 于2026年8月的一次专访里指明, 大多数现有的整机系统, 无法去适应那真实家庭空间的作业需求, 整个家居体系, 全都是依照人的行为习惯来设计的, 压根就没有去考量机器人的行走半径, 还有作业高度以及抓取角度。

打个比方, 有个运动员, 在他所熟知的训练场地, 跑得迅速异常, 然而一旦换到了全然陌生的场地之时, 其表现便会有所下降。 要说整机全栈路线所要解决的问题, 并非是“可不可以跑”, 而是“能不能在不一样的地面上跑”。

结论：数据闭环是物理AI商业化的“供血系统”

纯模型的路线, 以及整机全栈的路线, 其本质上的区别, 并非在于技术方面, 而是在于数据获取的方式。

按照整机全栈路线, 自己制造车辆, 让车辆自己在道路行驶, 由自己来采集相关数据, 且自己进行迭代, 数据闭环是依靠自成体系构建起来的“供血系统”, 并不在等待别人来给予支持帮忙了。Waymo中数量多达2600多这些车辆、涉及数量十万次的搬运、福瑞泰克积累的600亿公里验证里程, 这些情况都是这个连续不断运作的“系统造血”的直接印证了。

纯模型路线不制造硬件, 不直接进行数据采集, 从理论上来说能够覆盖更多场景, 然而在现实当中却在数据供给这个环节遭遇难题——数据质量欠佳, 成本高昂, 来源不稳定, 并且还存在这样一种悖论: 要先对物理世界有所理解才能够生成优质数据, 而要生成优质数据又得先理解物理世界。

就2026年8月那时行业的落地进展情形而言, 整机全栈这条路线在自动驾驶、仓储物流等标准化场景当中, 已然达成了规模化商用的初步验证工作, 然而纯模型路线依旧处在从技术验证朝着商业化对接过渡的阶段。物理AI的商业化竞争较量, 并非是比较谁跑得速度更快, 而是比较谁的血液能够率先流淌抵达终点标点符号。

围绕整机全栈路线, 运用自建的供血系统, 已然率先达成了从场景起始, 经由一系列环节, 最终到收入的正向循环。