央视财经：有企业物理AI数据需求量一年暴增近10倍机构称到2030年市场规模有望达4500亿美元
端侧芯片：物理AI真正的新增量，也是国产芯片的差异化机会

这是物理AI与纯云端AI最大的不同。部署后的机器人需要持续运行感知-动作闭环，每秒多次输出电机指令，且对延迟极度敏感。云端芯片的架构无法直接胜任，端侧专用芯片成为刚需。

目前英伟达Thor芯片在具身芯片市场占据领先身位，但国内厂商正在切入：国产芯片的切入逻辑不是单纯拼峰值算力，而是更贴近本土机器人厂商的定制化需求和响应速度。有芯片企业高管指出，国产芯片有望凭借性价比优势逐步替代进口方案，芯片成本在人形机器人整机中的合理占比预计在5%至10%。

服务器与基础设施：推理负载的结构性变化

物理AI的推理负载不是“用户提问才响应”，而是7×24小时不间断运行。一台部署在产线或物流场景的机器人，其推理算力消耗是持续性的。这推动AI服务器采购从测试验证迈入实际部署阶段，算力需求从训练端向高并发推理端延伸。

IDC数据也印证了这一趋势：到2027年全球智能算力中推理算力占比将突破70%，边缘基础设施增速将超越核心数据中心。这意味着服务器厂商的机会不仅在于卖更多训练集群，更在于适配边缘推理场景的服务器形态和部署方案。

软硬件协同：被低估的环节

物理AI对算力的要求不是孤立的芯片性能问题，而是芯片-算法-场景的深度耦合。Arm高管明确指出，物理AI计算平台需要专属架构设计，核心指标是微秒到毫秒级的“感知到执行”延迟，这与云端平台的技术难题截然不同。国内产业链的机会在于：谁能把国产芯片、仿真平台、机器人本体和具体场景跑通闭环，谁就能在早期锁定生态位。仿真软件（如索辰科技等）和边缘AI算力盒（如智微智能等）被券商归入这一层。

总体来看，物理AI给算力产业链带来的机遇是分层的：短期最确定的是云端仿真与训练带来的服务器和国产GPU采购；中期弹性最大的是端侧具身芯片的国产替代；长期壁垒最高的是软硬件协同的生态卡位。国内产业链在端侧芯片和场景适配上具备本土优势，但端侧芯片的技术路线尚未收敛，算力标准也尚无定论，这一层的竞争格局远未定型。