璞跃：2026智能层：人工智能如何重塑实体经济研究报告（英文版）（35页）.pdf

核心结论速览： 从“画线”到“定义意图”的范式转移：工程设计正从参数化CAD时代演进到AI原生时代——工程师的角色从绘制几何图形转变为定义优化意图，AI在巨大设计空间中探索最优解。 AI技能缺口是制造业转型的最大障碍：尽管90%制造商在投资AI，但AI技能缺口被列为最大整合障碍，导致74%组织希望通过AI实现收入增长，仅20%成功。 遗留基础设施是AI规模化扩展的致命弱点：许多制造商依赖无法支持AI所需大数据量的遗留基础设施和过时数据系统，导致有前景的试点项目难以规模化。 建筑行业面临40万熟练工人短缺：美国建筑行业熟练工人缺口超40万，且没有人口统计学上的解决方案。这使得生产力技术从奢侈品变为必需品。 电网是能源转型的最大瓶颈：全国并网队列已超过2600GW。同时，太阳能和风电的成本优势带来了新的挑战——间歇性造成的“基载缺口”威胁电网稳定。 自动驾驶投资已完成从硬件到软件的巨大转移：过去五年，风投资本已从感知硬件大规模转向AI模型。端到端神经网络和基础模型已取代脆弱的规则集。 量子计算仍处于“几乎但不完全”的境地：尽管已投入超250亿美元，领先机器约1000个原始量子比特，大部分被错误纠正消耗。尚无量子计算机能比传统计算机更快解决真实商业问题。物理AI落地的现实困境与突破路径。“智能层”为何尚未全面铺开？物理AI正成为横跨所有物理领域的水平使能层，但其商业化路径将保持不均衡。许多技术仍面临主要部署约束：碎片化的基础设施、互操作性挑战、劳动力再培训要求、安全验证，以及难以在严格受控的试点环境之外规模化。企业采用物理AI的三大核心障碍。1. 技能缺口（最严重的障碍） ：劳动力难以跟上技术进步的快速步伐，导致技能过时，制约生产力。2. 遗留基础设施：许多制造商依赖无法支持AI所需大数据量的过时系统。3. ROI不明确：缺乏清晰的ROI规划，导致有前景的试点项目无法转化为规模化部署。核心模式解析——物理AI落地的五种关键路径。路径一：从点解决方案到AI操作系统的演进。历史上，科技初创企业主要在孤立的阶段捕获价值。下一波浪潮是连接所有阶段的平台，实现从设计到运营的全流程代理编排。Datagrid、SURF(AI)CE、CONXAI、Trunk Tools等公司代表了这一新兴层：位于点解决方案之上的AI原生系统，将分散数据转化为协调的自主工作流。路径二：垂直整合的回归——从资产轻量化到技术主权。软件时代正促使企业回归垂直整合——这次是跨越整个技术栈。特斯拉制造自己的电池、芯片和软件，甚至拥有自己的充电网络；比亚迪从电池公司起家，现控制从电池到车轮的整个堆栈并设计自己的AI芯片。对于这些创新者来说，工厂本身就是产品。路径三：仿真优先的训练策略。物理AI系统可在虚拟世界中通过仿真和数字孪生进行训练和测试，显著降低现实世界的风险并加速开发周期。Waymo基于Gemini的生成模型创建逼真的3D驾驶环境；NVIDIA的OpenReason采用“思维链”架构。路径四：从CAPEX到OPEX的部署模式转变。在机器人领域，全球供应商开始提供云原生、订阅制的部署模式，将传统资本支出转化为灵活运营支出。企业可按需扩展，通过渐进式扩展验证投资回报。路径五：聚焦高ROI的狭窄场景。短期内最成功的物理AI公司将是那些解决狭窄但经济上紧迫的运营问题的公司，而非从一开始就追求通用自主。制造业的预测性维护、建筑工地的安全监控、物流的自主移动机器人等场景，都是ROI清晰、可快速验证的切入点。服务商生态的“断层”与中小企业机会。结构性空白：从数据孤岛到统一编排。当前物理AI服务商生态存在明显“断层”——点解决方案在各个阶段都已证明价值，但也造成了碎片化的堆栈，仍然需要大量人工协调。下一波机会在于创建位于点解决方案之上的编排层——自动路由信息、触发行动，并闭环设计、现场和运营。机会一：跨阶段数据编排平台。能够连接设计、施工、运营各阶段数据的平台，将分散信息转化为可执行的自主工作流。机会二：AI原生工程工具。在CAD领域，特定垂直领域日益赢家通吃。Higharc主导住宅建筑架构，nTop拥有增材制造几何——这些AI原生工具正在重新定义各自领域的工程范式。机会三：边缘推理与部署优化。物理AI部署栈的运行时/模型层涉及在靠近机器的地方运行模型，通过压缩、加速和高效运行时进行优化。这一领域的中小企业机会在于为特定工业场景提供轻量级、可快速部署的边缘AI方案。机会四：行业垂直的AI原生应用。物理AI的投资 landscape 反映了该技术在各行业的广泛适用性。制造业的预测性维护、建筑工地的安全监控、能源的故障检测等垂直应用，都是中小企业可以切入的高价值场景。标杆案例深度解析。案例一：Built Robotics——物理AI在非结构化环境中的落地。Built Robotics成立于2016年，总部位于旧金山，累计融资1.12亿美元。其AI导航系统可对标准挖掘机和推土机进行改造以实现自主操作，无需预映射环境。技术应用于风电场、太阳能和管道项目。关键价值在于：无需地图和网格——持续重新映射和构建原始户外地形的实时模型；解决劳动力危机——使单个主管同时监督多台自主机器；展示物理AI在真实基础设施上的世界建模能力。案例二：Einride——自主货运的端到端解决方案。Einride成立于2016年，总部位于瑞典，累计融资超7.52亿美元。提供电动和自主航运的端到端解决方案，结合其无驾驶室Pod与AI驱动的路线优化。已实现商业规模运营，安全行驶超1100万英里，零事故。案例三：HYPERLABS——实时强化学习驱动的自主系统。HYPERLABS成立于2022年，总部位于旧金山，种子轮融资1500万美元。专注于AI驱动的自主系统，由实时强化学习驱动。代表了AV领域在AI和数据基础设施方面的持续创新。案例四：六家传统设计软件巨头的AI转型。西门子（1847）、新思科技（1986）、达索系统（1981）、欧特克（1982）、Cadence（1988）和PTC（1985）正在全面拥抱AI。这些公司的收购策略和AI路线图指明了创业公司最大的颠覆机会。计算机辅助工程领域的PhysicsX和Neural Concept等公司在多物理场仿真的ML架构方面拥有可防御的知识产权。物理AI部署行动指南。第一步：评估准备度。 评估现有运营中的效率瓶颈和数据采集能力。 识别哪些环节可从实时感知、预测性维护或自主操作中获益最多。 计算潜在ROI（参考行业基准：制造业预测性维护可大幅降低计划外停机）。第二步：选择合适的切入点。| 行业 | 推荐切入点 | 关键考量 |||||| 制造业 | 预测性维护、AI视觉检测 | 效果可量化，ROI清晰 || 建筑 | 工地安全监控、自主设备 | 解决劳动力短缺痛点 || 物流 | 自主移动机器人、路线优化 | 提升效率，降低人力成本 || 能源 | 预测性故障检测、资产监控 | 降低运营风险 |第三步：利用现有基础设施。 优先考虑可改造现有设备的解决方案（如Built Robotics的 retrofit 方案）。 避免“推倒重来”的高成本路径。 利用云-边缘协同架构，逐步扩展。第四步：从试点到规模化。 从单一高ROI场景起步。 通过小规模试点收集数据验证效果。 利用数据反馈循环持续改进模型。 逐步扩展至更多产线和场景。第五步：建立数据飞轮。物理AI的竞争优势通过数据飞轮不断累积。确保部署方案包含完善的数据采集和反馈机制，使系统能够通过运营数据持续改进。延伸阅读。以上为报告核心趋势分析，如需获取完整报告详细数据及全部案例，请访问下载页下载完整PDF报告。FAQ。Q1：中小企业如何以最低成本启动物理AI部署？建议从解决单一高ROI痛点开始——如制造业的预测性维护或AI视觉检测。选择可改造现有设备的解决方案（如Built Robotics的 retrofit 方案），避免“推倒重来”。利用订阅制部署模式将CAPEX转化为OPEX，通过渐进式扩展验证ROI。Q2：没有数据科学团队的企业如何部署物理AI？可选择与系统集成商合作，或采用提供“开箱即用”AI应用的平台化解决方案。物理AI部署栈的编排/安全层和中间件层可帮助企业将AI连接到现有系统，降低技术门槛。Q3：物理AI的投资回报周期通常多长？因行业和应用场景而异。制造业的预测性维护可在6-18个月内实现正回报；建筑工地的安全监控和自主设备可在项目周期内见效。关键是选择效果可量化、ROI清晰的场景作为起点。Q4：建筑行业AI转型的最大机会在哪里？两大机会：一是连接设计、施工、运营各阶段的跨阶段数据编排平台；二是解决40万熟练工人短缺的自主设备方案（如Built Robotics）。Q5：量子计算何时能对实体经济产生实际影响？目前尚无明确时间表。尽管已投入超250亿美元，量子计算仍处于“几乎但不完全”的境地。短期内，混合量子-经典计算和量子仿真可能是最早产生商业价值的领域。Q6：物理AI领域的初创企业如何与巨头竞争？机会在于创建连接各阶段的编排层，而非与巨头在单点工具上竞争。同时，聚焦狭窄但经济上紧迫的垂直场景，建立数据飞轮和领域专业知识，形成可防御的护城河。数据来源说明。以上分析基于Plug and Play Ventures《The Intelligence Layer: How AI Is Rebuilding the Physical Economy》报告（2025年发布）。