物理AI的第一桶金，不在人形机器人

把物理AI等同于人形机器人，会漏掉已经进入利润表的第一波商业化。

高盛的产业框架把AI价值链从算力扩展到数据中心、电力和实体经济应用，但它本身是投行业务发布的产业地图，不是股票评级。报告最有价值的地方，是提醒投资者：当模型调用成本持续下降，稀缺性会转向企业独有的数据、行业流程、控制系统和能够承担责任的交付网络。

仓储搬运、叉车无人化、农机导航、矿山作业和机器视觉的任务边界清晰，客户可以直接用效率、停机率、安全事故和人工成本衡量回报。人形机器人则仍要同时解决本体成本、续航、可靠性、泛化和安全责任，广泛部署时间更靠后。

第一波物理AI利润，来自把一个重复任务可靠地自动化，而不是先造出最像人的机器。

样本的意义不是直接给出股票答案，而是展示什么样的收入才算商业化证据。

这些公司共同的特征是：主业本来就有客户、工厂、服务团队和安全责任，AI是在既有交付体系中提高产品价值，而不是从零寻找使用场景。

另一方面，传统工业标签也不能自动等于低估。只有新业务收入占比、毛利率、复购和现金回款同步改善，所谓AI期权才从宣传变成股东价值。

一家公司至少需要跨过多数门槛，才有资格被称为平台，而不是概念映射。

• 传感与数据：拥有长期、合法、可用于改进模型的现场数据，而不是只接第三方模型。
• 闭环控制：不仅识别问题，还能安全地下发动作、处理异常并保留人工接管。
• 认证与责任：产品通过客户、行业和安全认证，错误成本足以形成更换壁垒。
• 规模量产：在大批量交付中保持良率、可靠性和售后响应，而不是只做示范项目。
• 经济回报：客户节省的人力、时间或事故成本能够覆盖设备、软件和维护费用。

在商业化早期，传统业务常常不是负担，而是AI落地所需的客户入口和责任体系。

仓储物流与机器视觉的确定性高于通用人形，农机与矿山的付费逻辑也比展示型机器人清晰。电力电子、精密元件和空间定位属于二阶工具，其纯度较低，却可能拥有更稳定的认证与材料壁垒。

因此研究顺序应当是：先确认场景的经济性，再确认公司在闭环中的位置，最后检查新业务是否已经影响集团利润。不能用机器人数量、合作公告或研发词频替代财务验证。

专用场景先兑现，通用智能后扩张；传统主业提供入口，但只有增量利润才能完成重估。