2026年值得关注的15家物理AI基础设施公司

# 2026年值得关注的15家物理AI基础设施公司 来源：https://www.blackscarab.ai/insights/top-15-physical-ai-infrastructure-companies 人工智能的下一阶段，将不再仅仅由聊天机器人、副驾驶或办公代理的质量来衡量。更大的变革正在软件需要解读物理世界并改变它的地方发生：工厂、仓库、实验室、建筑工地、医院、农场、发电厂、港口、道路、矿山，以及在其中移动的机器。 这个市场不会被单一类型的公司赢得。它将由一系列专业公司塑造：理解工程的模型公司、让推理在数据中心之外变得负担得起的芯片公司、让空间变得机器可读的相机公司、将机器人转变为可管理车队的软件公司，以及将混乱的现场数据转化为企业可信赖决策的垂直平台。 最重要的信号不是一家公司是否在营销中使用“物理AI”这个词。信号在于其产品是否让AI系统更容易感知、模拟、设计、控制、检查或操作现实世界。一家公司即使只销售相机、激光雷达、建筑分析、安全控制或嵌入式部署工具，也可能对物理AI至关重要。 这个列表将范围缩小到15家公司，因为这个类别仍然很年轻，所以一张更精确的地图比一本长长的目录更有用。下面的名字并不都是直接竞争对手。它们位于同一个新兴经济体的不同压力点。 ## 投资框架 物理AI的采用曲线与纯软件不同。它涉及硬件预算、采购周期、安全规则、设施团队、集成合作伙伴和运营风险。一个好的演示可以引起关注，但一个好的部署必须经受住灰尘、高温、网络故障、校准漂移、工人行为、资产变化以及角落里仍在运转的老旧机器的考验。 这使得基础设施公司异常重要。当市场不成熟时，买家不会仅仅要求一台机器人或一个模型。他们需要一种可重复的方式来感知环境、本地运行推理、将数据移入工作流系统、验证决策，并在安装后支持设备。那些降低运营摩擦的公司可能会比最显眼的机器人演示更有价值。 因此，投资者的问题不仅仅是“谁构建了最先进的系统”，而是“谁成为了许多系统之下的默认层”。NVIDIA已经是最清晰的例子。但同样的逻辑也可以应用于空间相机、边缘AI处理器、机器人API、安全系统、建筑现实捕捉以及嵌入到物理运营测量方式中的检测平台。 最强大的物理AI公司可能具备三个共同特征。它们将收集或构建稀有的真实世界数据。它们将使非AI原生行业的部署不那么痛苦。它们将把企业的数字模型与其实际依赖的物理资产连接起来。 ## 1. NVIDIA NVIDIA仍然是物理AI的重力中心，因为它几乎触及每一层：用于训练的GPU、用于嵌入式推理的Jetson模块、用于机器人开发的Isaac、用于模拟和数字孪生的Omniverse，以及用于世界基础模型的Cosmos。它是少数几家可以同时将物理AI作为数据中心问题和边缘部署问题来讨论的公司，且无需改变词汇。 其战略优势不仅在于硅片，还在于围绕硅片的生态系统。开发者在NVIDIA工具上学习，机器人初创公司在Jetson上原型开发，工业AI项目评估CUDA加速模型，模拟团队在Omniverse中工作。如果物理AI需要一座从合成世界到实际部署的桥梁，那么NVIDIA正试图拥有这座桥、这条路以及收费站。 对投资者而言，悬而未决的问题是，物理AI中有多少会成为加速计算的新需求周期。训练世界模型、生成合成数据、模拟机器人策略以及部署边缘推理都需要计算，但并不总是同一种计算。市场可能会两次回报NVIDIA：一次在数据中心，一次在边缘。 风险在于集中度。如果物理AI变得过于依赖单一供应商的硬件和软件栈，客户可能会在成本、功耗、开放性或采购杠杆方面寻找替代方案。但在现阶段，几乎所有严肃的物理AI地图都必须从NVIDIA开始，因为太多其他公司正在围绕它构建。 ## 2. Prometheus Prometheus值得被列在榜单前列，因为它围绕工程本身重新定义了物理AI。这家由杰夫·贝佐斯和前谷歌高管Vik Bajaj领导的公司，并未将自己定位为聊天机器人公司或机器人制造商。目前的报道将其描述为一家工业AI公司，试图构建一个“通用工程师”：一个能够帮助压缩从物理产品创意到制造现实之间时间的系统。 Axios于2026年6月11日报道，Prometheus在B轮融资中筹集了120亿美元，估值达410亿美元。同一报道将这一雄心描述为重新架构物理产品的制造方式，从喷气发动机到医疗设备再到消费电子产品。这很重要，因为工程数据不像互联网文本。有用的信息存在于CAD文件、模拟、测试台、制造失败案例、供应商约束、材料行为以及多年积累的隐性知识中。 最有趣的部分是Prometheus不是什么。贝佐斯表示，该公司不制造机器人，尽管其工具可以帮助设计机器人或工厂。Business Insider报道称，该公司反而致力于为工程和制造领域构建AI模型，贝佐斯将其描述为计算密集型工作。The Verge报道称，Prometheus希望为物理产品构建AI驱动的工程工具，涵盖机器人、药物设计和制造等领域。 这使得Prometheus成为物理AI比自主性更广泛的最清晰信号之一。仓库机器人在现实中行动。工业工程模型则在任何东西被建造之前改变世界的设计方式。如果Prometheus成功，其产出可能不是工厂车间里的机器人，而是一个更短的喷气发动机重新设计周期、一个更快的医疗设备迭代循环，或一种在资本投入之前模拟可制造性的新方法。 对投资者而言，案例显而易见但充满风险。在公司尚未透露其产品、训练数据或商业化路径细节的情况下，融资规模和估值已经带来了巨大的期望。难题在于，没有干净的制造数据公共互联网可供摄取。Prometheus可能需要与工业企业建立深度合作伙伴关系、拥有专有工程语料库、模拟循环，以及一种将AI模型与物理验证连接起来的新方式。如果它解决了这个问题，它将成为工业AI领域的定义性公司之一。如果做不到，雄心与可用工程工具之间的鸿沟将是无情的。 ## 3. Physical Intelligence Physical Intelligence是对机器人智能最纯粹的押注之一。该公司的核心工作是开发机器人的通用策略，这种软件层最终可以让不同的机器从广泛经验中学习，而不是一次只编程一种狭隘的行为。 这家公司之所以重要，是因为机器人技术历来饱受碎片化之苦。一个机械臂、一个移动底座、一个四足机器人和一个人形机器人可能都需要不同的控制栈、不同的训练环境和不同的数据。如果一个通用机器人策略能够在不同的本体和任务之间迁移，那么机器人技术的经济学将开始看起来不像定制自动化，而更像一个平台市场。 这是一个非常大的“如果”。物理行为对硬件、延迟、抓取几何、物体变化、摩擦力、光照和故障恢复极端敏感。一个在精心制作的视频中看起来通用的模型，仍然可能在一个廉价的塑料箱、一个皱巴巴的袋子、一个反光零件或一个一夜之间发生变化的工位上失败。值得关注的不是演示的广度，而是可重复任务的深度。 Physical Intelligence应该根据其数据飞轮的质量来评估。公司能否获得足够的真实机器人经验？它能否从许多机器人中学习，而不会陷入特定硬件的技巧？客户能否在不配备现场研究团队的情况下部署它？如果随着时间的推移答案有所改善，这家公司可能成为未来许多机器的控制层。 ## 4. Skild AI Skild AI位于市场中相似但不同的一部分：构建一个通用机器人大脑。这个短语很容易被过度使用，但商业想法很直接。如果机器人要超越孤立的工作流程，智能层需要变得在任务、本体和环境之间更具可重用性。 这家公司值得关注，因为机器人OEM市场可能不会迅速整合。将会有人形机器人、机械臂、移动机器人、四足机器人、专用机器和混合系统。一个可重用的智能层之所以有价值，恰恰是因为硬件层保持多样化。 挑战在于，广泛的机器人智能必须首先在狭窄的领域中赢得信任。仓库不会购买作为抽象概念的通用性。它购买的是卸货时间、拣选率、更少的工伤、更多的正常运行时间或更好的劳动力覆盖。工厂购买的是周期时间、质量和可靠性。对于Skild而言，最好的信号是其模型能否在市场要求完全通用性之前，成为特定客户实际部署的优势。 Skild也反映了一个更广泛的投资者主题：如果机器人智能可以附着在许多机器上，那么它可能比机器人身体更有价值。但这种价值只有在软件真正经受住混乱现场考验，并且能够像基础设施一样被维护（而不是像研究一样被照看）时才会显现。 ## 5. Viam Viam之所以有趣，是因为它从基础设施的角度处理机器人技术。它不从一个机器人本体开始，而是提供一个软件平台，用于连接硬件、构建机器人应用、管理数据、部署代码和操作机器。随着物理AI从原型转向车队，这种定位变得更加重要。 Viam解决的实际问题是，物理系统充满了异构组件。相机、机械臂、电机、传感器、微控制器、边缘计算机和云服务都必须能被软件寻址。能够将这种复杂性标准化的公司，可以坐落在硬件供应商和应用程序开发者之间。 这是一种容易被低估的层。在早期市场，买家谈论硬件。在成熟市场，他们关心管理、更新、日志、权限、可观测性和集成。无法被远程监控、更新或调试的机器人会成为运营债务。 Viam的机会是成为构建者将物理设备转变为可编程系统的默认方式之一。风险在于，大型OEM、云提供商和开源机器人框架可能会各自将市场的一部分拉向不同方向。如果开发者和运营商认为硬件抽象、数据收集、部署和车队管理通过一个连贯的平台处理更好，那么这家公司就会获胜。 ## 6. FORT Robotics FORT Robotics应该出现在这个列表中，因为物理AI没有安全和控制就无法扩展。当自主机器靠近工人、资产、车辆和公共环境时，系统必须回答基本但关键的问题：谁有权指挥它？它如何停止？控制如何被验证？当通信失败时会发生什么？ 安全基础设施很少像模型或机器人那样受到关注，但它可能成为部署的门控层。一家公司可能拥有一台能力强大的自主机器，但如果安全案例薄弱，仍可能在采购中失败。工业买家需要紧急停止、访问控制、安全通信以及在故障条件下的可预测行为。 随着物理AI扩展到围栏实验室空间之外，FORT的市场变得更加有吸引力。环境越是混合，控制层的价值就越高。仓库、建筑工地、港口、农场、机场和工业场地都会产生需要明确权限和故障安全设计的自主性场景。 投资者在这里的视角很简单：当机器变得更加强大时，可信赖控制的价值就会上升。这并不光鲜，但可能是持久的。安全系统往往成为认证、政策、保险和标准操作程序的一部分，一旦部署就可能变得非常粘性。 ## 7. Edge Impulse Edge Impulse之所以重要，是因为大多数物理AI不会在完美的数据中心条件下运行。它将在微控制器、传感器、相机、网关、嵌入式处理器和具有有限功耗、内存、带宽和散热裕度的受限设备上运行。 该公司帮助团队收集数据、训练模型、优化模型并将其部署到边缘硬件上。这听起来不如人形机器人演示那么激动人心，但更接近许多实际部署的开始方式：电机上的振动传感器、生产线上的相机、用于异常检测的音频模型、设备内部的低功耗分类器，或者需要在笔记本电脑之外生存的概念验证。 边缘部署是AI变得可运行的地方。一个无法在目标设备上运行、满足延迟要求或安装后可靠运行的模型不是产品。Edge Impulse就位于模型想法与物理部署之间的这个转换点。 这家公司也很重要，因为物理AI市场将包括许多中小型用例，而不仅仅是大型机器人项目。预测性维护、环境传感、质量检测、智能工具、医疗设备和工业监控都需要从数据到嵌入式模型的实用路径。该层的赢家可能不是最华丽的AI公司，但它可能触及大量已部署的设备。 ## 8. Roboflow Roboflow是物理AI链条中最清晰的软件公司之一，因为计算机视觉通常是企业将现实世界转化为结构化数据的第一种方式。在公司购买机器人之前，它可能需要检测缺陷、计数物体、监控安全区域、跟踪库存、读取仪表或理解相机画面中发生的情况。 该公司的价值在于使视觉工作流程更易于访问：数据集、标注、模型训练、部署和迭代。在物理环境中，迭代不是可选项。光照变化、相机角度偏移、产品包装改变、工人行为不可预测，以及当世界漂移时模型退化。 Roboflow的重要性不在于每个物理AI系统都会使用其平台。而在于它所代表的类别是不可避免的。世界必须被标注、检测、分割、跟踪并转化为事件，之后软件才能对其采取行动。 对于投资者来说，关键问题是计算机视觉平台是成为水平基础设施，还是被吸收到垂直产品中。一个通用平台可以跨行业扩展，但垂直工作流程可能占客户预算的更大份额。Roboflow的机会在于与开发者保持足够接近，同时仍然向生产部署扩展。 ## 9. Luxonis Luxonis代表了一种在物理AI中将变得常见的硬件模式：传感器不再仅仅是传感器。OAK相机结合了RGB成像、立体深度、机载AI处理