做了20年A股科技股投资，我最深的一个体会就是：所有人都挤破头抢的赛道，往往已经不是最划算的买卖；真正的超额收益，都藏在大家的认知盲区里。

这两年物理人工智能火了，满市场都在喊“算力是瓶颈”“得高端芯片者得天下”，资金一窝蜂往云端算力芯片、服务器里冲，好像只要沾上算力，就能躺赢下一波行情。

可上个月我跟深圳两家做具身智能、做工业智能的创业公司老板喝茶，聊出来的结论完全相反。他们说，现在公司最头疼的根本不是算力不够——云端算力租得到，花钱就能解决；真正卡脖子的，是能用的真实场景数据太少了。

而且他们一致提到一个点：未来能真正接住物理人工智能落地红利的，绝对不是云端的大家伙，是装在每台设备、每个机器人身上的小芯片——也就是端侧系统级芯片。

那天聊完我回来翻了整整一周的行业报告和产业链调研，越看越觉得这个逻辑站得住脚。今天就把这件事从头到尾讲透：为什么说物理人工智能的瓶颈不是算力是数据？为什么端侧芯片才是真正的产业接水口？国内现在有哪些核心玩家，各自的优劣势是什么？

全文都是产业观察和逻辑拆解，不荐股，不带任何买卖建议，纯聊行业真相。看完你再看物理人工智能这条赛道，就不会再跟着别人人云亦云，只会盯着算力炒概念。

一、先破误区：物理人工智能的瓶颈，真的不是算力

很多人对人工智能的认知，还停留在大语言模型时代：参数越大越厉害，算力越强越牛。

这个逻辑放在纯文本、纯图像的云端大模型上，确实成立。可放到物理人工智能上，就完全不对了。

我先给大家算笔最实在的账。现在云端的AI算力，不说过剩，但绝对算不上稀缺。你只要愿意花钱，随时能租到几十上百张高端显卡，跑大模型、做训练都够用。别说创业公司，就算是个人开发者，也能租到算力做项目。

可物理人工智能需要的核心生产资料——真实物理场景的高质量标注数据，花钱都不一定买得到。

为什么会这样？核心是两者的训练逻辑完全不一样。

大语言模型训练，用的是互联网上公开的文本、图片、视频，都是标准化的数字内容，爬下来就能用，标注成本很低。经过这几年的消耗，几乎把互联网上的公开优质语料都快用光了。

可物理人工智能，要学的是和真实世界交互：怎么抓东西、怎么走路、怎么识别不同的工件、怎么应对复杂的现场环境。这些数据，没有现成的互联网资源，必须到真实场景里一点点采集、一点点标注。

更关键的是，物理场景对算力的需求，根本不是“堆参数、堆算力”那一套。

比如工厂里的机械臂、仓库里的搬运机器人，它不需要跑千亿参数的大模型，它要的是低延迟、低功耗、高可靠——看到工件要马上反应，差个几十毫秒就可能撞坏设备；要24小时连续跑，功耗太高电费都扛不住；还不能动不动就断网掉线，不能全靠云端。

这些需求，靠云端算力根本解决不了。云端算力再强，传输有延迟，断网就瘫痪，功耗还高，天生就不适合物理场景的实时控制。

我2015年第一次接触工业AI的时候就发现这个问题了。当时很多工厂搞智能检测，都想把数据传到云端跑大模型，结果试了一圈全退回来了——一是工厂数据不敢外传，二是延迟太高跟不上产线速度，三是一年下来网费电费比人工还贵。最后落地的方案，全都是在产线边上装个小盒子，本地芯片直接算，又快又安全。

那时候我就明白一个道理：人工智能要走进实体产业，最后一定是往端侧走，不是往云端挤。

根据IDC去年的统计数据，2024年国内工业AI场景里，端侧计算的占比已经超过了60%，而且还在逐年提升。云端更多是做模型预训练、大数据分析，真正的实时决策、实时控制，全在端侧完成。

说白了，算力早就不是物理人工智能的拦路虎，怎么拿到真实数据、怎么低成本用好数据，才是真正的卡脖子问题。

二、为什么数据才是真瓶颈？三座大山翻不过去

可能有人会说，数据有什么难的，多采集不就行了？

真没这么简单。物理世界的数据，和互联网数据根本不是一个难度级别的。目前行业里有三座大山，到现在都没有特别好的通用解法，这也是物理人工智能落地慢的核心原因。

第一座山：场景天生碎片化，根本没有通用数据集

大语言模型为什么发展快？因为全人类的文本语言是通用的，一个模型训练好了，所有人都能用。

可物理场景完全不一样。

同样是工业检测，电子厂的工件和汽车厂的工件完全不一样，检测标准天差地别；同样是机器人搬运，仓库里的环境和车间里的环境完全不同，障碍物、地面平整度都不一样。

每个行业、每个工厂、甚至每条产线，都是独一无二的场景。你在A工厂训练好的模型，放到B工厂根本用不了，必须重新采集数据、重新训练。

没有通用数据集，就意味着没法靠一个大模型通吃所有场景，每个场景都要从零开始攒数据。这和大模型时代的“一次训练、到处使用”完全是两种逻辑，落地速度自然就慢得多。

赛迪研究院有个数据，目前全球公开的具身智能通用数据集，总规模还不到大语言模型训练数据的0.3%。而且大部分都是实验室环境下的理想数据，拿到真实工厂里，根本不好用。

第二座山：标注成本高到离谱，是文本的几十倍

数据采集上来还不能直接用，得标注。也就是告诉AI，这个是什么、那个是什么、遇到情况该怎么反应。

文本标注很简单，标个分类、打个标签，一个人一天能标几千条，几毛钱一条。

可物理数据的标注，复杂度完全不在一个量级。

比如机器人抓取数据，要标注3D空间坐标、物体材质、抓取力度、运动轨迹，还要标注不同光线、不同角度下的情况。一条合格的训练数据，标注员要花十几分钟，成本是文本数据的20-30倍。

要是涉及力反馈、复杂运动控制，标注成本还要再翻几倍。

我认识一个做数据标注的老板，他说现在接工业AI的标注项目，报价是普通文本项目的25倍以上，就算这样，熟练的标注员都不好找，因为要求太高了。

这么高的标注成本，直接把很多小场景的落地计划给掐死了——本来用AI能省100万，结果标注数据就要花200万，谁还愿意做？

这也是为什么现在物理人工智能只在汽车、3C这些大行业落地快，因为人家体量够大，摊得起数据成本；很多中小行业，根本承担不起。

第三座山：数据孤岛严重，没人愿意共享数据

这是最核心、也最难解决的问题。

互联网数据是公开的，大家都能爬来用；可工厂的生产数据、企业的运营数据，都是核心商业机密。

你让工厂把产线数据拿出来，给AI公司训练模型，人家根本不愿意——万一数据泄露了，生产工艺、产能、良率这些机密都被竞争对手知道了，损失谁来承担？

别说跨企业共享了，很多企业内部不同车间之间，数据都不互通。

这就导致了一个死循环：数据越不共享，模型越难优化；模型越难优化，企业越不愿意投入数据。行业整体就卡在这，进展快不起来。

很多人觉得，只要算力够强、模型够厉害，就能解决所有问题。可现实是，没有数据，再厉害的模型也是巧妇难为无米之炊。

这就像你招了个最聪明的学霸，却不让他看书做题，他再聪明也考不了高分。数据就是物理人工智能的“书本和习题”，没有这个，一切都是空谈。

三、为什么端侧系统级芯片，才是真正的接水口？

聊到这儿，核心问题就来了：数据的三座大山，怎么解？

靠政策推动数据共享？太慢，而且涉及企业核心利益，很难推进。

靠降低标注成本？有进步，但本质还是人工标注，下降空间有限。

真正能从根上破局的，就是端侧系统级芯片。

先给大家解释清楚，什么是端侧系统级芯片。

简单说，就是把AI计算、视觉感知、运动控制、数据处理这些功能，全都集成在一颗小小的芯片上，直接装在机器人、产线设备、摄像头这些终端设备里。不用连网线、不用传云端，设备自己就能采集数据、自己就能计算决策、自己就能优化模型。

它刚好对应着解决了数据的三大痛点，每一下都戳在要害上。

第一，数据不出本地，直接破解数据孤岛

企业为什么不愿意给数据？怕泄密。

如果数据根本不用离开设备、不用离开工厂，就在本地芯片上处理、本地训练，那泄密的风险就基本消失了。

企业不用把数据传给AI公司，也不用传到云端，自己的设备自己产生数据、自己优化模型，所有数据都留在自己厂里，安全性有保障，自然就愿意放开了用。

别小看这一点，这是撬开工业场景的关键钥匙。

我接触过很多制造企业的老板，他们对上AI的最大顾虑，从来不是钱，是数据安全。只要能保证数据不出去，他们愿意花钱升级设备。

端侧芯片就是给企业吃了这颗定心丸：数据不离厂，智能留下来。这一下就把数据孤岛的墙给砸开了一道口子。

第二，边用边学，用数据养数据，大幅降低标注成本

传统模式是：采集数据→人工标注→云端训练→部署到设备。流程长、成本高，而且模型部署完就固定了，遇到新情况又要重来一遍。

有了端侧AI芯片，模式就变了：设备一边干活，一边采集新数据，芯片在本地自动做轻量化微调，模型越用越准。

也就是大家常说的“用数据养数据”。

比如一台检测机器人，一开始只能识别常见的次品，遇到新的瑕疵类型，它自己记录下来，本地微调模型，下次就能识别了。不用把数据发回云端，不用人工重新标注，成本能降一大截。

而且用得越久，数据越多，模型越准，形成正向循环。这才是物理人工智能真正的成长方式，不是靠实验室里训练好的固定模型，是在真实场景里越用越聪明。

根据业内测算，用端侧自学习的方式，数据标注和训练的综合成本，能降到传统云端模式的1/5甚至更低。

成本一旦打下来，很多之前不划算的中小场景，就都能落地了。市场空间一下子就打开了，这才是万亿市场的真正起点。

第三，低延迟高可靠，满足物理场景的硬要求

最后也是最基础的一点：物理场景对延迟的要求，是云端永远满足不了的。

工业机械臂抓取工件，要求延迟在10毫秒以内，慢一点就撞坏了；人形机器人走路，要求毫秒级的姿态调整，慢一点就摔倒了；自动驾驶就更不用说了，延迟高几十毫秒，可能就是一场事故。

云端算力再强，数据传输也要时间，再加上网络波动，延迟普遍在50毫秒以上，遇到网络不好的时候，直接就断了。这种可靠性，根本没法用在工业和机器人的核心控制上。

端侧芯片就不一样了，计算就在本地，不用传输，延迟能压到几毫秒以内，而且断网也不影响工作，可靠性完全不在一个级别。

IDC有组数据很说明问题：2024年国内工业AI的实时控制场景，90%以上都采用了端侧或边缘侧计算，纯云端方案的占比还不到10%。

不是大家不想用云端，是云端真的满足不了物理场景的硬要求。端侧计算，不是选择题，是必答题。

也正是因为这些原因，端侧AI芯片的增速，已经远超云端AI芯片。

根据IC Insights的预测，2025到2030年，全球端侧AI芯片市场的年复合增速将达到42%，是云端AI芯片增速的两倍以上。到2030年，端侧AI芯片的市场规模，将会和云端基本持平。

说白了，人工智能的下一波增量，不在云端的数据中心，在千千万万台实体设备里。谁能拿下端侧芯片的市场，谁才真正接住了物理人工智能的红利。

四、国内端侧芯片的核心玩家，各自卡位在哪？

讲完了产业逻辑，再聊聊国内的产业链玩家。

端侧AI芯片这个赛道，不像云端高端芯片被海外卡得那么死，国内企业已经有很强的竞争力了，尤其是中低端工业和消费级场景，国产芯片的渗透率已经非常高了。

下面这几家，是目前国内端侧AI芯片领域布局最深、落地最广的核心玩家，每家都有自己的优势赛道，也有各自的短板。还是提前说清楚：仅为产业格局梳理，不构成任何投资建议。

1. 瑞芯微：高端工业视觉龙头，技术迭代最激进

这家是国内中高端端侧AI芯片的头部玩家，主打视觉处理，在工业检测、高端服务机器人、智能安防这些场景，渗透率非常高。

它的特点是技术迭代快，AI算力提升很猛，而且能效比做得很好，在同级别芯片里，功耗控制是第一梯队的。很多对性能要求高的工业设备、高端机器人，都会优先选它的方案。

优势很明显：高端市场认可度高，技术壁垒强，毛利也相对高；短板也有，消费级市场布局不算深，下游客户相对集中在工业和安防领域，场景覆盖没那么全。

整体来看，它是国内最有希望冲击高端端侧AI芯片的厂商之一，也是物理工业落地最核心的受益者。

2. 全志科技：性价比之王，出货量最稳

如果说瑞芯微主打高端，这家就是性价比路线的代表。它的端侧AI芯片，主打低功耗、高性价比，在扫地机器人、智能家居、中低端工业视觉、智能硬件这些场景，出货量非常大。

很多你熟悉的家用智能设备、小型工业设备，里面装的可能都是它的芯片。

它的优势是出货量大，客户覆盖极广，价格竞争力强，基本盘非常稳；短板是高端市场突破慢，单价和毛利相对低一些，技术迭代节奏比瑞芯微稍缓。

但架不住它场景多、出货稳，物理人工智能落地越普及，中低端芯片的需求量就越大，它的基本盘就越扎实。

3. 晶晨股份：多媒体AI龙头，跨界工业边缘计算

这家本来是多媒体芯片的龙头，在电视盒子、智能投影、智能电视这些领域，市占率非常高，几乎是垄断级别的。

这几年它把AI能力集成到多媒体芯片里，开始往工业边缘计算、智能视觉、商业显示这些场景延伸，落地速度很快。

它的优势是多媒体技术积累深，客户资源稳定，现金流好，有足够的钱研发投入；短板是工业场景布局时间相对短，行业认知和客户积累还在爬坡期。

但胜在底子厚、执行力强，跨界拓展的潜力不小，是端侧芯片里不可忽视的玩家。

4. 紫光展锐：全场景覆盖，国家队背景的种子选手

背靠紫光集团，是国内少数能覆盖消费级、工业级全场景端侧芯片的厂商，从低端到高端都有布局，产品矩阵很全。

它原来在消费电子领域积累很深，这几年大力往工业端、机器人端拓展，AI算力提升很快，而且背靠大集团，资源和资金都不缺。

优势是技术栈全，背景硬，能啃下一些对资质要求高的大客户；短板是工业端的落地经验和生态完善度，比起前面几家纯市场化的厂商，还有一定差距。

长期来看，它的潜力很大，尤其是在国产替代的大趋势下，优势会越来越明显。

除了这四家，还有很多厂商在不同细分赛道布局，比如有的专做汽车端侧，有的专做低功耗物联网端侧。整个行业现在还在快速发展期，格局远远没定，后面说不定还会跑出黑马。

但有一点是确定的：谁能更快地落地真实场景、积累更多数据、打磨出更适配的芯片，谁就能笑到最后。

五、赛道虽好，这三个坑千万别踩

说了这么多好处，也必须泼盆冷水。端侧AI芯片是好赛道，但不是随便买都能赚钱。我炒了20年科技股，见过太多看似光明的赛道，最后大批企业死在半路上。这三个最常见的坑，一定要避开。

坑一：技术迭代太快，一步落后步步落后

芯片行业的残酷之处，就是技术迭代太快。端侧AI芯片差不多1-2年就更新一代，研发投入动辄几亿几十亿。

你这一代产品领先，不代表下一代还领先。只要有一代没跟上，客户就跑了，再想追回来就难了。

很多蹭概念的公司，就出了一款入门级芯片，就敢叫自己AI芯片龙头，其实研发投入根本跟不上，后面很快就会被甩开。

我早年炒芯片题材的时候踩过这种坑，看着公司概念很正，结果产品迭代慢了半拍，市场份额直接被竞争对手抢走，股价跌了一半都不止。

所以看端侧芯片公司，别只看现在有没有产品，要看研发投入够不够，迭代节奏稳不稳。只靠一款产品吃老本的，迟早要被淘汰。

坑二：场景太碎片化，很难赚大钱

端侧芯片的另一个问题，就是场景太散了。

手机芯片为什么赚钱？因为一款旗舰芯片，能卖几千万甚至上亿颗，摊薄下来研发成本很低。

可端侧芯片不一样，工业场景有上百个细分行业，每个行业的需求都不一样，要做定制化适配。单款芯片的出货量有限，研发成本摊不薄，毛利自然就上不去。

很多小公司，就盯着一两个细分场景，看起来是龙头，可市场空间就那么大，根本做不大。

投资的时候一定要看，这家公司的场景覆盖够不够广，有没有通用化的平台型产品。只靠单一赛道的，抗风险能力太差，行业一波动就容易出问题。

坑三：海外巨头降维打击，竞争压力不小

别觉得端侧芯片国内就稳了，海外巨头也在盯着这块蛋糕。

高通、英伟达这些海外大厂，都在疯狂发力端侧AI芯片，人家技术积累更深，生态更完善，高端市场目前还是人家的天下。

尤其是高端工业、高端机器人场景，现在很多用的还是海外芯片。国内厂商虽然进步快，但在高端算力和生态完善度上，还有差距。

如果后面海外巨头降价抢市场，国内厂商的压力会很大。那些技术壁垒不高、只靠价格战的公司，很容易被冲垮。

真正能活下来的，一定是有自己的核心技术、有稳定的客户群、在细分场景做到极致的企业。

六、20年交易感悟：别挤最热闹的桥，找真正的痛点

聊到最后，说点我自己的心里话。

我经历了互联网、移动互联网、新能源、人工智能好几轮科技浪潮，发现一个永远不变的规律：

每一波大产业趋势，一开始最热闹、最受关注的环节，往往预期打满、估值最贵，最后不一定是收益最高的；反而那些不那么起眼、真正解决行业痛点的基础设施环节，往往能走出更长的慢牛。

当年互联网浪潮，大家都抢着做门户网站，最后最稳的是做基础软件和硬件的；

新能源浪潮刚开始，所有人都盯着整车，后来发现最赚钱的是上游核心零部件；

现在物理人工智能来了，大家又一窝蜂去抢云端算力、抢大模型，觉得这才是核心。可在我看来，算力是明牌，预期早就反映在股价里了；真正还没被充分定价的，是端侧芯片、是数据这些藏在水下的环节。

因为行业的真正瓶颈在哪，红利就会流向哪。

物理人工智能现在的瓶颈，从来不是算得不够快，是数据不够用、场景落不了地。谁能解决数据问题、谁能让AI真正走进实体设备，谁就能吃到最大的红利。端侧芯片，刚好就是这个关键的接水口。

当然我也要提醒大家，这个赛道还在成长期，不确定性还很大，技术路线、行业格局都没完全定下来。投资不是炒概念，要跟踪真实的落地进展，看订单、看收入、看渗透率，别听几个故事就往里冲。

再好的赛道，买贵了也会亏钱；再差的赛道，买得便宜也能赚钱。

最后说几句

好了，关于物理人工智能和端侧芯片的话题，今天就聊到这儿。还是那句老话，本文仅为行业观察和逻辑分享，不构成任何投资建议。股市有风险，入市需谨慎。

如果你觉得这篇文章对你有用，麻烦点个赞，点个关注。

你觉得物理人工智能真正的瓶颈是算力还是数据？更看好端侧还是云端？评论区聊聊你的看法，我看到都会回复。

下期我会给大家拆解，怎么跟踪端侧芯片的真实落地进展，教大家几个判断行业景气度的实用指标，感兴趣的可以提前关注。