引言

　　大語言模型重新定義了數字世界的生產力。物理AI，正在重新定義物理世界的生產力。量化派（02685.HK）不賣機器人本體，不賣單一解決方案，它賣的是讓機器人理解物理世界的通用能力層——物理世界基礎模型。這一模式已被Physical Intelligence（估值24億美元）和Skild AI（估值140億美元）在全球資本市場驗證。作為港交所「智能物種第一股」，量化派正在中國市場構建同類型的技術護城河。

　　具身智能行業正在經歷一場定位分化。有人賣機器人本體，有人賣整套解決方案，量化派賣的是物理世界基礎模型。從行業通用的估值參考維度來看，硬件公司的估值邏輯是銷量乘毛利，解決方案公司的估值邏輯是項目數乘客單價，物理AI模型公司的估值邏輯是調用量乘使用時長。相比之下，後者在想象空間上更具潛力，因為它的天花板不在硬件產能，也不在項目交付能力，而是取決於模型本身的泛化能力。

　　一、賽道：物理AI——人工智能的終極戰場

　　從數字世界到物理世界的跨越

　　當AI從數字世界走向物理世界，是一場從「知道」到「做到」的跨越。大語言模型讓AI擁有了理解語言、推理邏輯的能力，但物理AI要求AI理解重力、摩擦力、材質形變、空間關係——這些是物理世界的底層規律，不是文本訓練能覆蓋的。誰能掌握讓機器人快速適應新場景的能力，誰就拿到了規模化的入場券。

　　量化派主打的跨場景、跨本體開放基模，正是這條賽道里的核心破局路徑：它不綁定特定品牌的機器人硬件，也不侷限於某一個垂直場景，而是把通用物理能力開放給全行業，通過賦能上下游夥伴完成規模化落地，這也是物理AI領域對標數字世界Anthropic的核心邏輯——靠通用能力層，成為全行業的底層基礎設施，行業賦能僅是基模落地的核心手段。‌

　　‌這套開放基模本身就完整包含了世界模型，而當下行業熱議的WAM（世界動作模型），是基模體系裏的一個核心功能模塊。基模靠世界模型完成對物理規律的推演預判，靠WAM完成動作生成與執行閉環，二者共同支撐起機器人在真實世界的自主作業能力。

　　三重催化：政策、技術、資本

　　眼下，一場把機器人從展廳逼進真實場景的產業變革正在發生。2026年6月，工業和信息化部辦公廳與國務院國資委辦公廳聯合發出《關於聯合開展2026年度人形機器人與具身智能實景實訓專項行動的通知》，明確北京、天津、上海、江蘇、浙江等10個省市的工業和信息化主管部門，以及各有關中央企業共同參與專項行動，場景橫跨工業、服務、特種三大領域。

　　政策給的八字要求是「最小干預、利舊複用」，機器人必須證明自己能在現有條件下幹活。這個要求把行業從展廳徹底逼進了真實場景。每個省市應選取不少於20個重點場景，至少覆蓋工業、服務、特種領域中的兩類，央企應結合所處行業領域，選取重點場景不少於10個，11月30日前交付專項行動成效總結。這意味着接下來幾個月，將有一批企業將拿着真實場景裏的運行數據去換政策認可和下一輪訂單。

　　技術層面，物理世界基礎模型正在從概念走向可用。頭部玩家的模型已經能夠在真實環境中完成非結構化操作、開放環境適配、長鏈路自主作業。而在資本層面，全球頂級的投資機構正在用真金白銀押注這條賽道，給出了對賽道價值的判斷。

　　賽道分化：賣硬件、賣方案、賣能力

　　物理AI賽道有賣硬件、賣解決方案和賣能力三種商業模式。賣硬件是一次性交付，客戶買走機器人，後續需自行維護和適配新場景，規模化的邊際成本很難降下來。賣解決方案提供打包服務，按項目收費，能做深但很難做寬。

　　第三種是賣能力模式，邏輯是「一次訓練，多場景複用」。物理世界基礎模型提供的是讓機器人理解物理世界、做出實時決策的通用能力。這個能力一旦跑通，可以像API一樣被不同硬件平台調用，每增加一個場景，邊際成本接近於零。它解決的是跨場景的快速遷移能力，能讓機器人在陌生場景裏開箱即用。符合政策「驗證一個、部署一批、帶動一片」的要求，更具規模化的能力。同時，RaaS（Robot as a Service）模式在這個邏輯裏成立：按效用付費，不賣硬件賣能力，客戶為機器人幹活的結果買單，而不是為機器人本身買單。

　　二、全球資本已開始押注

　　物理世界基礎模型的商業價值，已經被全球最頂級的投資機構驗證。

　　Physical Intelligence：8個月估值翻6倍

　　2024年11月，Physical Intelligence以24億美元估值完成4億美元孖展，投資方包括貝索斯、OpenAI、紅杉資本和Khosla Ventures。這家公司不造機器人硬件，只做讓機器人理解物理世界的通用AI模型。8個月時間，估值從4億美元跳到24億美元，翻了六倍。

　　（圖：Physical Intelligence機器人截圖）

　　Skild AI：年營收3000萬，估值140億

　　Skild AI的曲線更陡。這家由前Meta機器人實驗室核心研究員聯合創立的公司同樣不碰硬件，只做機器人的通用大腦。2024年7月A輪估值15億美元，不到一年B輪估值47億美元，再到軟銀和英偉達以140億美元估值領投C輪。此時公司年營收僅3000萬美元。年營收3000萬，估值140億，資本市場看重的是其在機器人通用大腦領域的創新能力與被調用的廣闊前景。他們正在用腳投票：物理世界基礎模型的估值天花板，遠高於硬件公司和解決方案公司。

　　而量化派在物理AI領域的定位，類似Anthropic在大語言模型領域的位置——做物理世界的「模型即服務」（Model-as-a-Service）平台，讓不同硬件平台調用同一個AI能力層。Physical Intelligence和Skild AI已經證明了這條路的估值天花板有多高，量化派要做的，是在中國市場建起同一類型的技術護城河。

1. 量化派：構築物理AI的通用技術底座

　　量化派的商業定位很清晰：跨場景、跨本體的開放生活場景世界模型提供商。不綁定硬件，不鎖定場景，做的是讓不同廠商的機器人都能調用的通用AI能力層。

　　核心能力躍遷

　　量化派的技術路線，是推動機器人從「動作自動化」邁向「任務級自主作業」。前者是按固定程序執行動作，後者是理解任務目標後自主完成感知、決策、執行的完整流程。而量化派自己的技術路徑是軟硬件分層，物理世界基礎模型不綁定任何一款硬件，同一套基模能力可以在不同硬件平台上運行。這是RaaS模式能規模化的前提：物理世界基礎模型作為技術資產，可以被持續調用，持續產生收益。

　　港股「智能物種第一股」

　　量化派具備長期技術積累。招股書顯示，自動機器學習、NLP等領域擁有成熟技術儲備，物理AI業務是數字決策能力的延伸升級，並非從零起步研發。在政策倒逼產業實景落地的窗口期，誰先在真實場景積累了數據和驗證記錄，將搶佔先發優勢。

　　RaaS商業模式已獲政策等背書，量化派作為港交所上市主體，依託上市公司平台，在孖展能力、合規透明度和長期投入持續性上，多了一層信用背書，這些都是一級市場初創公司不具備的優勢。

1. 驗證：後廚裏的真實場景

　　量化派的4輪技術驗證，全部落地在後廚的真實動態工況中，而非實驗室環境。在行業大多還把Demo視頻當成果發布的階段，這個節奏走在了前頭。

　　驗證1：三明治柔性製作——實時柔順控制

　　三明治面對的是麪包、生菜、醬料這些沒有固定形狀的軟質食材——夾重了破、夾輕了掉，醬擠多了溢出、擠少了不勻。機器人要在同一段流程裏連續完成抓取、塗醬、擺放，靠的是能實時感知食材形態、隨時調整力度的柔順控制，全程不擠壓、不破損，成品還得標準化。

　　（圖：DEMO截圖開放環境·三明治製作實景測試）

　　驗證2：購物袋自主分揀——無腳本自主決策

　　購物袋分揀沒有預設流程。袋裏裝的是什麼、裝了多少，機器人事先不知道，只能實時判斷任務進度，對多品類物品逐一識別、抓取、分類擺放，邊做邊決定下一步。沒有固定腳本，全靠機器人根據當前狀態自己把一件事從頭做完，考的是沒有劇本時的自主決策。

　　驗證3：牛排跨抽屜找鹽調味——完整推理鏈

　　牛排撒鹽最能看出理解力。機器人一開始並不知道鹽放在哪，得像人一樣，在多個抽屜裏逐個翻找，判斷哪個抽屜、鹽在什麼位置、該用什麼姿勢夾起，再精準到毫米級完成調味。整個過程沒有人告訴它步驟，只給了「找到鹽並調味」這一個目標，剩下的搜索、定位、操作全靠它自己推理。考的是從看懂目標到做對動作那一整條推理鏈。

　　驗證4：奶茶跨設備協同——系統級配合

　　奶茶難在系統協同。機器人不光自己操作，還得和奶茶機、攪拌機、封口機輪流打配合：接飲品時不能灑、攪拌時不能濺、封口時要對準，液體晃動和位置偏移都得實時控住。幾台設備串成一條線，任何一個環節掉鏈子，整條線就歇菜。

　　（圖：DEMO截圖開放環境·奶茶製作實景測試）

　　4輪驗證跑通之後，下一步就是在跨場景複用。餐飲後廚打磨出的非結構化操作、開放環境適配、長鏈路自主作業能力，理論上正是倉儲物流、檢測分析、醫療康養這些同樣充滿動態變量的場景所需要的底層能力。

　　更深一層的想象空間在「智能物種」——凡是搭載感知模塊、具備AI決策能力、可自主完成物理交互的實體終端，都可以接入物理世界基礎模型成為智能化載體。這個理念把複用路徑從餐飲延伸到了更廣闊的硬件空間。

　　五、壁壘：數據飛輪與全棧自研

　　量化派的商業邏輯能不能跑通，取決於2件事：物理世界基礎模型的技術能力能不能支撐跨場景複用，以及公司能不能在數據積累和系統整合上建立壁壘。

　　數據是唯一買不到的東西

　　在物理AI領域，數據是至關重要的資源。這類數據無法通過砸錢快速買來，只能通過時間和真實運營慢慢積累。對於量化派而言，數據積累的壁壘來自多路徑採集體系。B端商業場景落地，通過與機器人本體公司合作，在餐飲等真實場景採集全流程運營數據；C端智能硬件佈局，通過多品類硬件在日常使用中自然沉澱多維度行為與環境數據；再加上用戶置換式採集和場景共創數據共享。四條路徑並行，把數據採集從單點變成體系。

　　競爭的本質是時間

　　物理AI賽道的競爭，本質上是對時間的爭奪。在一定程度上來說，把數據積累的正循環跑通，比單點技術更亮眼。

　　放眼全球，頭部格局尚未形成。已經跑出來的玩家，驗證的場景偏標準化，集中在倉儲、物流、家庭桌面任務。量化派選的是餐飲後廚，變量密度遠高於前者，泛化價值理論上更大，驗證難度也更高。國內同樣有創業公司切入工業與物流場景，與量化派的餐飲場景形成兩條差異化路徑。兩條路徑哪個更能通向通用物理世界基礎模型，目前沒有答案。

　　六、路徑：從RaaS到平台型收入

　　物理世界基礎模型的商業想象力，要經過跨場景複用的邊際成本能不能真正接近於零，能否把現實落差縮小到商業上可接受的範圍兩道檻。

　　量化派的長期路徑，可以分為3個階段：階段一：場景化解決方案落地 + 數據售賣（現在）。以餐飲後廚等高頻民生場景為切入點，完成技術驗證和商業閉環，積累真實場景運營數據。RaaS模式已獲官方背書，量化派作為港交所上市主體，在政策窗口期快速卡位。階段二：模型調用 + 增值服務（中期）。向智能硬件廠商輸出模型調用和增值服務。物理世界基礎模型作為通用能力層，被不同廠商、不同場景的機器人調用，按調用量和使用時長收費。收入模式從項目制轉向平台型。階段三：基模 + 算力（長期）。形成基模加算力的收入結構，匹配資本市場估值邏輯。物理世界基礎模型成為所有機器人的「操作系統」，算力層提供訓練和推理的基礎設施。

　　市場側的信號是確定的。國家級專項行動打開來看很具體：10個省市加相關央企，場景覆蓋工業、服務、特種三大領域。RaaS模式的政策和官方背書疊加這個倒計時，讓「賣能力」比「賣硬件」更符合產業方向不再是一句判斷，而是一個正在發生的拐點。

　　結語：拐點已至

　　行業真正規模化拐點，將出現在第三方外部客戶獨立採購量化派物理世界基礎模型，並落地全新行業場景完成商用交付。在此之前，賽道估值更多依靠產業預期；而一旦第三方商業化落地跑通，物理AI底層模型將從概念賽道轉向持續創造營收的核心產業平台。

　　物理AI的「ChatGPT時刻」近在眼前：政策加速實景落地、底層技術持續成熟、全球資本持續加註。量化派（02685.HK）作為港股「智能物種第一股」，已經站在了物理AI的賽道上，亮出了自己的商業模式。

責任編輯：劉萬里 SF014