案例背景
2026年11月初，“物理AI”成为半导体产业的高频词。与生成文字图像的生成式AI不同，物理AI指能够感知真实物理世界、在三维空间中理解并执行任务的AI，其典型载体是人形机器人、自动驾驶车辆与工业智能设备。随着具身智能从Demo走向量产前夜，一个此前隐身于话题边缘的环节——端侧SoC（系统级芯片）——走到了台前。机器人要在本地实时完成感知、决策与运动控制，不可能事事依赖云端，端侧算力成为刚需。近期业内围绕端侧SoC的规格路线、制程选择与定价策略展开了密集讨论，多家芯片企业开始推出面向机器人与智能设备的专用端侧计算平台。
这一幕令老牌产业观察者联想到PC时代的英特尔与手机时代的高通：每一种新的智能终端大规模普及，都会催生一批专属芯片平台与相应的产业机会。物理AI的升温，是否正在开启端侧SoC的“英特尔时刻”？芯片产业链将如何分享这波红利？
核心分析
一、物理AI与生成式AI：两种完全不同的计算经济学
生成式AI与物理AI虽然同根同源，但计算范式与商业逻辑差异巨大。生成式AI的核心是大规模并行的模型推理，天然适合云端数据中心，其成本结构以GPU集群与电力为主；物理AI的核心则是实时的感知—决策—控制闭环，要求毫秒级响应、低功耗与高可靠性，数据敏感与断网场景决定了计算必须下沉到端侧。这带来完全不同的产品要求：端侧SoC不追求浮点峰值的极致，而追求单位功耗下的有效算力、多传感器接入能力、功能安全等级与车规/工业级可靠性。从波特五力的角度看，端侧SoC市场的竞争维度与云端GPU市场并不重叠——云端比拼的是生态与规模，端侧比拼的是集成度、功耗与定制化响应速度，这为新进入者和专用芯片厂商留出了差异化空间。
二、端侧算力的商业逻辑：规格、制程与定价的三重权衡
端侧SoC的商业本质是一场三重权衡。其一是规格权衡：算力越大功耗越高、成本越贵，而机器人整机对重量、散热与电池续航极其敏感，芯片厂商必须在TOPS数值与实际可用的能效之间找到甜点，营销话术中的峰值算力并不等于体验。其二是制程权衡：先进制程能带来能效优势，但流片与晶圆成本高昂，在机器人年出货量尚在数万至数十万台的早期阶段，全砸向最先进制程未必划算，成熟制程+Chiplet（芯粒）封装的组合可能更具性价比。其三是定价权衡：早期市场芯片定价可以享受高毛利，但若定价过高将抑制整机放量，形成“先有鸡还是先有蛋”的循环——芯片贵则机器人贵，机器人贵则出货量小，出货量小则芯片成本难降。破局之道通常是绑定头部整机客户共同定义规格、以确定性订单换取定价让步，用规模爬坡摊薄成本。这一逻辑与手机SoC行业的历史路径高度相似。
三、放量节奏与产业链机会：谁能在拐点前卡位
产品生命周期理论提示我们，新技术产业的利润分布随阶段演进而剧烈变化。人形机器人的放量节奏大致可分三段：当下的小批量原型验证期，芯片订单量小但毛利高，受益者是能提供高集成度方案与快速响应的厂商；随后的场景放量期，工业与商业服务场景率先起量，端侧SoC出货量进入陡峭增长区间，与传感器、关节模组等配套环节一同分享红利；远期的家庭普及期，则属于具备成本与生态优势的平台型玩家。对投资者与产业链企业而言，关键的判断变量有三：一是整机客户的订单落地节奏，二是机器人SoC从“通用芯片改”走向“专用设计”的转折点，三是端侧大模型的量化压缩技术能否让中等算力芯片跑出可用体验。提前卡位客户定义窗口的芯片公司，有望复制手机时代高通式的平台地位。
管理启示
对芯片企业而言，端侧SoC的机会窗口在于与整机客户共同定义产品规格，过早追逐峰值参数或过晚进入都会错失身位，应把资源投向能效、安全与集成度等真实痛点；对整机厂商而言，芯片是供应链的战略环节，宜尽早建立双供应商策略并参与芯片规格定义，避免被单一平台锁定；对投资者而言，应区分“故事”与“订单”，关注真实出货与设计导入的验证信号，警惕在放量拐点到来前对产业链过度定价。对所有参与者而言，物理AI的竞争终局不是单颗芯片的性能，而是芯片—整机—场景协同进化的生态能力。
其他思考
- 机器人SoC会不会重演手机SoC的寡头格局，还是因场景碎片化而长期保持多强并存？
- 端侧与云端算力如何分工，才能在成本、时延与数据安全之间取得最优平衡？
- 如果人形机器人放量节奏显著慢于预期，重金投入端侧芯片的厂商将如何消化产能与研发投入？
关键词：物理AI、端侧SoC、具身智能、半导体产业链
来源：每日经济新闻 | 整理：经管讲堂
原文链接：https://www.rcbom.com/aibps/6965.html
