物理 AI 面临的最大挑战可能在于物理本身，而非人工智能

在几乎所有引人注目的演示背后，物理 AI 行业都有同一个事实: 机器是原型，而原型并非产品。制造一台可运行的机器人是一项工程壮举。要在有人愿意支付的成本下制造出千台机器人，并且没有一支专家团队随时处理故障，这完全是另一种挑战，而该行业才刚刚开始面对它。

在展示智能与规模化制造之间的这道鸿沟，正逐渐成为物理 AI 竞争的真实战场。而且，这看起来越来越不像是 AI 问题，倒更像是工业问题。

从单件到流水线

任何将硬件产品从原型推进到量产的人都知道，第一台是最容易的。

原型机器人可能使用手工加工的定制执行器、从交货期两个月的精品供应商处采购的传感器，或由同一批设计工程师组装的电池组。当只有一台时，这些都不重要。但当规模扩大到一万台时，这些全部会成为严重的负担。

供应商必须经过资格审查，通常要审查两遍，这样单次工厂火灾或运输延误才不会导致生产停摆。实验室中为实现极致性能而设计的组件往往需要重新设计，以满足容差、耐用性，最重要的是成本。曾经在少数博士手工排错的装配流程必须简化到生产线技术员能够在几分钟而非几天内完成。

这项工作称为可制造性设计。它缓慢且繁琐，是物理 AI 中工程竞争日益激烈的战场，许多资金充足、技术卓越的机器人公司在此已败下阵来。

炫目演示并不能赢得市场

人们自然会受过去十年软件驱动技术周期的影响，认为构建出最聪明的模型或最类人的机器人者必将胜出。这种本能在整体 AI 领域为投资者带来了收益，但在物理 AI 中可能会误导他们。

硬件业务的成败并非在演示日决定，而是在随后数年里取决于单机经济性、供应链韧性，以及在没有少量待命工程师的情况下，让成千上万台机器在现场持续运行的能力。

太阳能发电提供了有益的先例。最终占领市场的面板并不一定是实验室里效率最高的，而是那些公司能够可靠制造、成本不断下降、产量不断提升的产品。电动汽车也走了类似的路线，电池供应链和制造良率的重要性不亚于任何单一的工程突破。物理 AI 的机器人由数十甚至上百个部件组成，每个部件都是潜在的故障点，这可能更加苛刻。若一家公司的机器人仅仅是“好”，但背后有可靠的供应商以及每季度都在下降的成本曲线，它很可能会胜过只能一次性制造十几台的炫目机器人竞争对手。

AI 能加速工程进程，但无法加速物理过程

AI 本身能弥合这道鸿沟吗？在某种程度上可以。生成式设计工具已经在探索人类工程师想不到的部件几何形状。仿真借助机器学习加速，正在压缩原本需要数月的测试周期。预测模型可以在零件加工前就标记出哪些供应商或材料可能导致良率问题。

这些工具是真正的加速剂，善于在工程和采购中使用它们的公司将比不使用的公司进展更快。

但这种压缩时间的幅度有硬性上限，因为物理世界并不像软件那样可以快速迭代。新合金仍需经受数千次循环的疲劳测试。工厂生产线仍需进行工具配置、投产并经历自身的学习曲线，才能使良率稳定。没有任何仿真能够缩短新材料的合格所需的数月，或新生产线的调试所需的数个季度。任何基于硬件时间线会像软件时间线那样崩塌的假设来制定路线图的公司，必将迎来一次严峻且公开的惊讶。

被忽视的瓶颈

如果从以往的硬件周期中得到一条教训，那就是关注最少的组件往往导致最长的延迟。

在物理 AI 中，这可能始于执行器，即为机器人提供扭矩和精度以完成实际工作的电机和机械装置。合格制造商数量有限，供应短缺，新增产能需要数年而非数个季度。

接下来是感知。让机器感知周围环境的摄像头、力传感器以及本体感知系统仍然昂贵且不够成熟，难以满足大规模真实场景部署的需求。

这进一步延伸到制造本身。行业过度依赖少数地区和供应商，这一结构日益被视为战略弱点，促使公司转向更分散、冗余的制造布局，即便这意味着牺牲部分效率。

最后是电力:电池、功率电子和充电基础设施，这些都必须与在仓库、家庭和工地持续运行的机器车队同步扩展。这些类别不会成为主题演讲的焦点，却很可能决定最终谁能真正出货。

更大审判的前瞻

物理 AI 的热潮实际上是对技术行业已习以为常的假设的现场检验:即智能一旦构建，就能自由扩展。该假设在软件领域基本成立，但在工厂领域并不适用。

计算能力可以在一夜之间翻倍，模型可以通过一次新的训练迭代提升，部署只需轻点按钮即可实现。而供应链却无法在一夜之间翻倍。熟练的技术员、合格的供应商以及成熟的生产线需要多年才能建立，模型能力的飞跃也无法缩短这条时间线。

这并不意味着物理 AI 被过度炒作，或其底层技术不真实。它表明重心正从人工智能转向物理基础设施。那些能够及早领悟这一转变，并将真实资源投入制造产能和供应链韧性，而非下一场炫目演示的公司及其投资者，最有可能在当前病毒式视频热潮让位于实际规模部署这些机器的缓慢而艰巨工作时仍屹立不倒。