美光业绩暗藏 AI 变局密码：未来十年，由虚入实

昨夜，美光科技发布了一份创纪录的季度业绩。2026 财年第三财季，公司营收高达 415 亿美元，同比激增 346%，Non-GAAP 综合毛利率跃升至 84.9%，连续第五个季度刷新收入纪录。

然而相较夺目的财务数据，财报电话会议上一则被普遍忽视的观点，更令整个科技界深思：AI 驱动的存储需求远不止于数据中心，未来将向移动终端、个人电脑、消费电子、智能汽车、工业制造、机器人等全域渗透，其中人形机器人与高阶智能驾驶将引爆持续数十年的存储需求扩张。

美光提供了一组鲜明的参照：L2 + 及以上智能驾驶车型的内存与存储配置，达到普通汽车的 5 倍有余；而人形机器人的存储规模，约为 L2 + 智能驾驶车型的 10 倍。据其预测，自 2020 年代后半段起，相关领域将迈入规模化增长通道，持续周期长达数十年。

一家因数据中心 AI 需求而腾飞的存储领军企业，如今大力押注机器人与智能驾驶，折射出整个 AI 产业的逻辑转换：产业链已不再沉醉于 "模型参数膨胀、GPU 堆砌、HBM 紧缺" 的数字 AI 叙事，正将未来十年乃至更长周期的增长根基，转向物理 AI。

今年 1 月 CES 期间，黄仁勋曾宣称 "物理 AI 的 ChatGPT 时刻已然降临"。此言虽带营销意味，但趋势确在加速兑现：Waymo 自动驾驶于 2025 年底达成每周 45 万次付费载客；亚马逊在 2025 年 6 月完成第 100 万台仓储机器人部署，承担全球 75% 的订单履约。

与局限于数字空间的大模型相异，物理 AI 需攻克的核心课题在于：在高度不确定的现实环境中，使机器自主决策下一步行动。其载体涵盖自动驾驶车辆、工业机械臂、人形机器人，凡需 AI 直接操控物理实体的场景，皆属其范畴。

更为关键的是，这是一场经济体量的指数级跨越。当 AI 由办公、内容创作等数字化领域，迈向汽车、工厂、仓储、能源、医疗、家居，其连接的将是规模宏大的实体经济。据 Future Markets 预测，全球物理 AI 市场将从 2026 年的 3830 亿美元，攀升至 2040 年的 3.26 万亿美元，成为有史以来最庞大的技术扩张浪潮之一。

德意志银行研判，2026 年乃行业关键转折：自动驾驶由测试阶段进入规模化商用，人形机器人由实验室走向小批量生产。这也解释了科技巨头为何集体战略转向，为 AI 产业链探寻第二增长极。

物理 AI 的普及，并非简单增添若干应用场景，更将在现有 AI 产业链之外，孕育出全新的需求节点与价值链条，重塑整个产业的价值格局。

从长远视角审视，物理 AI 将催生崭新的端侧硬件需求。与数据中心芯片迥异，机器人本体搭载的 AI 芯片须兼顾低功耗、低时延、抗震动、强散热、长周期稳定运行等特性，同时需对接摄像头、激光雷达、触觉传感器、电机控制等多元外设。英伟达 Jetson Thor、高通 Dragonwing IQ10、AMD 嵌入式解决方案、Arm 边缘架构，均将成为这条新战场的关键角逐者。

存储领域的逻辑更是发生根本性变革。大模型时代，存储需求聚焦于云端训练端；而人形机器人本质上是一个移动的多传感 AI 系统，视频流、环境地图、运动轨迹、本地模型、任务记忆、传感数据、控制日志，皆需本地存储与实时运算。低功耗、高带宽、高可靠性的端侧存储，将成为物理 AI 时代最具爆发潜力的增量市场，亦是美光断言 "数十年需求长周期" 的根本支撑。

大模型生成的是文本 Token，物理 AI 输出的是动作 Action—— 这一本质分野，彻底重塑了软件市场的边界。

物理 AI 的技术基石不再是语言模型，而是世界模型：将物理世界的运行法则压缩进模型参数，使 AI 拥有对空间、运动、因果关系的认知能力。在此基础上，尚需抓取模型、导航模型、操控模型、安全模型，以及机器人操作系统、远程运维、OTA 升级、集群学习平台等完整软件生态。

该赛道已由概念期步入落地期：阿里巴巴发布具身智能 Qwen-Robot 系列模型，覆盖导航、操作、物理仿真三大维度；英伟达推出人形机器人基础模型 Isaac GR00T，支持推理、学习与多任务执行。未来机器人厂商无需从零构建每一层技术，直接采购成熟模型与平台即可，这将催生一个规模可比肩当下 SaaS 市场的全新领域。

物理 AI 要实现规模化部署，前提是仿真能力的规模化。机器人需知晓杯体质量、湿滑路面的摩擦参数、光照波动对视觉的影响 —— 这些知识无法从文本习得，必须依赖海量真实动作数据积淀，在虚拟仿真环境中历经数百万次场景演练，再将习得能力迁移至真实硬件。

这催生了全新的产品形态：物理 AI 开发、仿真、部署与验证平台。英伟达正将这套工具链打造为下一个 "CUDA"，把 Isaac（机器人开发仿真）、Omniverse（数字孪生）、Cosmos（世界模型）、GR00T（人形机器人基础模型）四大产品线贯通，构建完整的物理 AI 基础设施。目前宝马、奔驰等整车厂已采用 Omniverse 搭建工厂数字孪生，实现柔性制造与预测性维护。

当这套平台成为训练物理 AI 的必经通路，英伟达的定位便从 GPU 供应商，升级为物理 AI 时代的操作系统入口。

上游的技术演进终将传导至实体产业：三星宣称 2030 年前将全球制造网络转型为 AI 驱动型工厂；卡特彼勒运用数字孪生开展预测性维护与生产排程。这些真实的资本支出转向，意味着一整套生产基础设施的价值将被重估。

物理 AI 真正的雄心，并非为 AI 拓展一个应用分支，而是让 AI 首次直接对接 GDP 中的实体经济板块。当汽车由出行工具蜕变为自动驾驶机器人，当工厂由自动化流水线进化为具身智能协作网络，整个制造业的估值范式都将被彻底颠覆。

若物理 AI 成为下一轮产业主线，谁将率先收割红利？众人直觉或指向机器人企业，但历史规律表明：技术革命萌芽期，最先获利的从来不是应用端企业，而是 "卖铲人" 般的基建供应商。

大模型浪潮中，最先兑现业绩的并非 OpenAI、谷歌等模型企业，而是英伟达、台积电、美光、SK 海力士等上游厂商。物理 AI 同样遵循此规律：在机器人大规模进驻工厂、家庭之前，厂商需先投入资金训练模型、搭建仿真环境、采集真实数据、采购边缘芯片与存储、构建运维体系，反复验证安全与稳定性。

故而物理 AI 的早期阶段，最先受益的并非机器人本体企业，而是为整个时代筑基的基建厂商。只不过此次 "铲子" 较大模型时代更为复杂，是一套从云端到终端、从仿真到执行、从模型到控制的完整生态。

美光在财报中大篇幅论述机器人，价值正在于此：它是产业链传导链条上最早觉察需求变动的环节，信号较机器人本体出货量领先至少一至两个财报周期。一旦这条传导逻辑获证，物理 AI 便不再仅是机器人概念，而是整个 AI 产业链的新一轮扩张。