璞跃：2026智能层：人工智能如何重塑实体经济研究报告（英文版）（35页）.pdf

核心结论速览： 物理AI正成为横跨所有物理领域的水平使能层：AI的采用正从软件环境扩展到物理世界，形成一个“智能层”（Intelligence Layer），同时压缩所有物理领域的迭代周期、降低资本需求，并在率先建立的企业中创造赢家通吃效应。 AI for Hardware正经历从“参数化”到“AI原生”的范式转移：工程设计已从模拟时代的纸笔制图、数字时代的参数化CAD，演进到AI原生时代——系统复杂度爆炸式增长，AI工具成为管理多领域复杂度的唯一机制。 六大结构性顺风正在催化硬件工程创新：包括地缘政治驱动的制造业回流、AI设计工具的强烈需求、六家传统设计软件巨头的AI转型、软件定义硬件的迭代周期加速、跨学科工程复杂度激增，以及生成式AI在设计空间探索中的突破性能力。 自动驾驶领域360亿美元资本已向AI模型集中：自2015年以来，AV领域累计获得超360亿美元风投资金，其中约90%流向Waymo、Scale AI、Nuro、Wayve和Pony.ai五家公司。投资已从感知硬件大规模转向AI模型。 90%制造商在投资AI，但仅20%实现收入增长：尽管74%的组织希望通过AI实现收入增长，但实际成功的仅20%。技能缺口、遗留基础设施和数据系统是AI项目无法规模化扩展的核心障碍。 建筑行业生产力50年几乎零增长：过去50年制造业生产力增长了15倍，而建筑业人均产出基本持平。美国建筑行业面临超40万熟练工人短缺。 能源需求正经历结构性断裂：全球电力需求预计每年增长2-3%，由AI数据中心、制造业回流、交通电气化和建筑电气化四大趋势驱动。美国到2035年需新增约300GW装机容量。研究背景与全景图谱。从软件AI到物理AI：智能层的崛起。过去十年，AI的采用主要集中在软件环境——云基础设施、企业应用和数字工作流程。如今，这一转变正在扩展到物理世界。Plug and Play Ventures将此定义为“智能层”（Intelligence Layer）命题：AI正同时成为横跨所有物理领域的水平使能层，压缩迭代周期、降低资本需求，并在率先建立的企业中创造赢家通吃的动态。物理AI代表了智能系统的出现，这些系统能够感知环境、理解空间上下文、做出运营决策，并在工业和物理环境中实时自主行动。这些系统超越了静态自动化，走向通过与现实世界的交互不断改进的自适应运营。物理AI由多项同时成熟的技术融合驱动：多模态感知、边缘计算、仿真环境、机器人基础模型和世界建模系统。这些技术共同使机器能够从物理环境中收集信息、进行上下文解释、在行动前模拟结果，并通过运营反馈循环持续优化性能。物理AI的概念框架：感知→推理→行动→学习的持续循环。物理AI运行在数字智能与物理行动之间的持续学习循环上：连接和数字化物理世界→结构和理解数据→模拟、训练和优化模型→部署和管理自主系统→执行边缘推理和运营→收集持续反馈以改进。这形成了一个自增强的闭环：。生态系统的核心组织围绕三个层次：感知与传感层（捕获和结构化现实世界数据）、世界建模与空间智能层（实现推理和预测）、部署栈（在真实生产环境中可靠地运营模型）。服务商生态分析：AI驱动硬件设计的范式转移。设计工具的三大时代演进。工程设计的演进经历了三个截然不同的时代： 模拟时代（1980年前/手动） ：纸笔设计、黑板、物理测试是主要验证机制。迭代周期受制于建造和破坏物理原型所需的时间。 数字时代（1980-2020年代/参数化） ：从纸面转向软件。功能复杂性增长，工具基本跟上——CAD、CAE和PLM系统支持更复杂的设计，但工作流孤岛持续存在。 迭代时代（未来/AI原生） ：系统复杂度爆炸式增长，需要深度跨职能工程。AI工具是唯一能以所需迭代速度管理多领域复杂度的机制。这一从“画线”到“定义意图”的转变是变化的根本单元。它需要不同类型的工程师、不同类型的工具，以及围绕硬件开发团队的不同组织结构。传统设计软件巨头的AI转型。引领这一资本浪潮的是六家长期主导硬件设计工具行业的传统软件公司：西门子（1847年成立）、新思科技（1986年成立）、达索系统（1981年成立）、欧特克（1982年成立）、Cadence（1988年成立）和PTC（1985年成立）。这些公司的收入、收购策略和AI路线图指明了创业公司最大的颠覆机会。在竞争格局中，计算机辅助工程类别以深度技术差异化为特征——PhysicsX和Neural Concept等公司在多物理场仿真的ML架构方面拥有可防御的知识产权。CAD类别在特定垂直领域日益赢家通吃：Higharc主导住宅建筑，nTop拥有增材制造几何。典型场景深度解析。场景一：自动驾驶——从规则驱动到AI原生（2014-2020 vs 2020至今）。第一波AV开发（2014-2020）围绕传感器阵列和基于规则的决策树。策略简单：积累大量驾驶数据并通过规模提升性能。但这种方法在边缘案例中举步维艰，难以泛化到新环境。第二波AV开发（2020至今）建立在学习型AI模型之上，能以少得多的数据实现泛化。端到端神经网络和基础模型取代了脆弱的规则集。这一软件优先的转变已获得商业回报——Waymo等公司单轮融资超10亿美元。关键特征是生成式AI的整合。领先企业使用世界模型和数据引擎解决困难的边缘案例。Waymo推出基于Gemini的生成模型创建逼真的3D驾驶环境用于训练；NVIDIA的OpenReason采用“思维链”架构。场景二：物理AI感知与传感——多模态融合的工业落地。感知与传感是收集、解释和理解物理世界实时数据的过程，构成任何物理AI系统的基础。这些系统通常配备丰富的传感器套件：摄像头、LiDAR、雷达、IMU（惯性测量单元）和触觉/力传感器，由支持感知、推理和行动的多模态AI模型驱动。场景三：工业机器人——从规则驱动到AI原生系统的转变。机器人行业正经历从基于规则的硬件主导自动化向AI原生、软件定义系统的根本性转变。这一飞跃由机器学习突破和3D融合模型的发展推动——将视觉语言模型的2D数据与物理行为的3D数据结合，辅以合成数据，AI首次在物理行业变得可行。机器人不再是静态机器，而是能够处理复杂、可变任务的自适应学习系统。同时，机器人界面正通过AI驱动的工作流被重新发明，实现可扩展性的阶跃变化——更快的部署、更低的集成成本，以及向自主、持续学习工厂的迈进。场景四：建筑行业——物理AI在非结构化环境中的落地。建筑行业占全球GDP约13%，但其生产力增长落后于几乎所有其他主要行业。过去50年制造业生产力增长了15倍，而建筑业人均产出基本持平。技术投资仅占收入的约1%，远低于其他复杂行业3-5%的水平。Built Robotics是这一领域的标杆案例。该公司成立于2016年，开发AI导航系统，可对标准挖掘机和推土机进行改造以实现自主操作，无需预映射环境。其技术应用于风电场、太阳能和管道项目，通过使单个主管同时监督多台自主机器，帮助解决美国建筑行业40万熟练操作员的短缺问题。技术演进方向。部署栈的四层架构。物理AI的部署栈可分为四个层次：1. 运行时/模型层：在靠近机器的地方运行模型（边缘和设备端推理），通过压缩、加速和高效运行时进行优化。2. 编排/安全层：对真实世界运营至关重要，包括监控性能漂移和故障，实施安全护栏和政策执行以管理风险。3. 中间件/硬件层：负责车队编排和集成中间件，将AI连接到遗留系统和现有基础设施。4. 数据反馈循环：捕获运营数据以实现持续的模型改进。能源领域的智能层应用。能源转型价值链的四个关键问题：1. 能否足够快地建设足够的清洁基载电力？美国到2035年需新增约300GW装机容量。2. 需求能否成为电网资产？能将负荷转移的建筑或数据中心在功能上等同于发电厂。3. 电网能否应对即将到来的挑战？全国并网队列已超过2600GW。4. 重工业能否在没有廉价化石燃料的情况下脱碳？钢铁、水泥和化工不能简单接入更清洁的电网。2026年初霍尔木兹海峡危机触发了自1970年代以来最严重的能源供应冲击——该咽喉要道承载全球20%的石油和LNG流量。布伦特原油飙升至126美元/桶，为历次冲突中最快涨幅。这一危机验证了不依赖不稳定化石燃料供应链的技术的结构性优势，加速了全球向可再生能源的转变。商业模式创新。从点解决方案到AI操作系统的演进。历史上，建筑科技初创企业主要在孤立的阶段捕获价值。下一波浪潮是连接所有阶段的平台，实现从设计到拆除的全工作流代理编排。点解决方案在每个阶段都已证明价值，但也创造了碎片化的堆栈，仍然需要大量人工协调。下一波转变是走向平台和代理系统——不仅在一个阶段内辅助，而是在所有阶段之间编排工作——自动路由信息、触发行动，并闭环设计、现场和运营。Datagrid、SURF(AI)CE、CONXAI、Trunk Tools、Neuron Factory和Doc Labs等公司代表了这一新兴层：位于点解决方案之上的AI原生系统，将分散的数据转化为跨整个项目生命周期的协调、自主工作流。量子计算的商业化挑战。尽管已有超250亿美元全球投资，但尚无量子计算机能比传统计算机更快地解决真实的商业问题。许多所谓“突破”是在供应商自设的狭窄基准上衡量的。核心问题仍是规模化。要应对药物发现或密码学等真实世界挑战，系统需要数千个可靠量子比特。今天领先的机器可能有约1000个原始量子比特，但大部分容量被错误纠正消耗，仅剩少数用于实际计算。Network-as-a-Service与OPEX模式。在硬件设计领域，AI工具正从传统的软件许可模式向平台化、订阅制演进。这降低了中小企业的采用门槛，使企业能够“先租后建”，通过渐进式扩展验证投资回报。未来3-5年机会洞察。赢家通吃的市场格局正在形成。物理AI领域的竞争格局呈现出清晰的模式：能够率先建立“智能层”的企业将创造赢家通吃的动态。价值创造正从独立的硬件或孤立的软件应用，转向连接感知、世界建模、部署基础设施和真实世界运营的统一编排层。数据飞轮成为核心竞争优势。在物理AI环境中，竞争优势通过数据飞轮、基础设施集成以及缩短数字智能与物理执行之间距离的能力不断累积。赢得市场的平台不一定是拥有最复杂单个模型的平台，而是那些能够在碎片化的工业环境、遗留系统和安全关键工作流中大规模可靠运营的平台。垂直整合的回归。软件时代正促使企业回归垂直整合——这次是跨越整个技术栈。随着软件改变竞争格局，企业发现拥有多个相邻层——从芯片和云基础设施到数据和应用层——能创造强大、可防御的护城河。特斯拉、比亚迪和SpaceX等现代工业巨头通过拥有生产的关键组件实现了完全的技术主权。商业化路径将保持不均衡。物理AI的商业化路径将保持不均衡。许多技术仍面临主要部署约束：碎片化的基础设施、互操作性挑战、劳动力再培训要求、安全验证，以及难以在严格受控的试点环境之外规模化。短期内最成功的公司可能是那些解决狭窄但经济上紧迫的运营问题的公司，而非从一开始就追求通用自主。四大投资主题。1. 感知与传感：多模态AI模型驱动的硬件-软件集成方案。2. 世界建模与仿真：数字孪生、合成数据生成和仿真环境。3. 部署栈：边缘推理、模型优化、安全编排和中间件。4. 行业垂直应用：制造、物流、建筑、能源等领域的AI原生解决方案。延伸阅读。以上为报告核心趋势分析，如需获取完整报告详细数据及全部案例，请访问下载页下载完整PDF报告。FAQ。Q1：物理AI与传统自动化的核心区别是什么？物理AI不仅执行预设任务，还能感知环境、理解空间上下文、做出运营决策并实时自主行动。它形成了“感知→推理→行动→学习”的持续循环，不断通过现实交互改进性能。Q2：AI for Hardware的“智能层”命题是什么？“智能层”指AI正同时成为横跨所有物理领域的水平使能层，压缩迭代周期、降低资本需求。工程设计正从“画线”转向“定义意图”——AI探索设计空间，工程师定义优化目标。Q3：为什么90%的制造商投资AI却只有20%实现收入增长？核心障碍包括：AI技能缺口（最大障碍）、遗留基础设施无法支持AI所需的大数据量，以及缺乏清晰的ROI规划。Q4：建筑行业AI转型的最大驱动力是什么？两大结构性力量：一是基础模型使软件在非结构化环境中真正有用（prompt-to-BIM、LLM合同审查等）；二是超过40万熟练工人的短缺，使生产力技术从奢侈品变为必需品。Q5：能源需求的结构性增长由什么驱动？四大趋势：AI和数据中心的24/7电力需求、制造业回流带来的能源密集型产业回流、交通电气化（电动汽车）和建筑电气化（热泵、感应烹饪）。Q6：物理AI领域最大的投资机会在哪里？在连接感知、世界建模、部署基础设施和真实运营的统一编排层。同时，解决狭窄但经济上紧迫的运营问题的公司比追求通用自主的公司更可能在短期内成功。数据来源说明。以上分析基于Plug and Play Ventures《The Intelligence Layer: How AI Is Rebuilding the Physical Economy》报告（2025年发布）。