算力更省电了，需求反而会更饥渴。这不是直觉，是英伟达GTC Berlin 2026释放出的真实信号。
10月20日至22日，英伟达在德国柏林举办区域性GTC大会，黄仁勋在10月21日的主题演讲中宣布，Vera Rubin平台已全面投产。100%液冷架构、每台超级计算机配备72个GPU、预计未来两年性能提升30倍；配套的DSX POD模块化AI工厂参考设计，把现场部署时间从六个月压缩到14天，最多节省30%能源、节水近100%。黄仁勋甚至算了一笔账：一座1吉瓦的AI工厂成本约500亿美元，网络部署若延迟三个月，将造成数十亿美元的收入损失。
几乎同时，招商策略在10月25日发布的研报里给出判断：本次英伟达GTC大会围绕Vera Rubin算力升级与物理AI应用拓展两大方向展开，物理AI有望成为重要增长方向，为算力需求提供新增量。研报认为，算力端Vera Rubin持续提升计算效率，配合液冷及模块化部署方案，推动AI基础设施建设效率与综合能效提升；应用端英伟达加快物理AI在机器人、智能驾驶及工业制造等领域的布局，推动AI与实体产业深度融合。
把这两件事放在一起看，逻辑就清楚了：一边是算力供给的效率瓶颈被液冷、模块化、开源部署工具逐一打通；另一边是物理AI把AI的触角从数字世界伸进工厂、马路和机械臂。供给越高效，单位算力成本越低，被压抑的需求就越容易释放；而物理AI一旦规模化落地，感知、决策、执行、反馈的闭环会重新拉动一整条算力链条。招商策略的核心判断，落点正在这里。
能效提升不是需求的刹车，而是放大器
招商策略对算力端的概括很克制：Vera Rubin持续提升计算效率，配合液冷及模块化部署方案，推动AI基础设施建设效率与综合能效提升。但这句话背后藏着一个反直觉的机制。能效提升并不意味着算力需求放缓，恰恰相反，它降低了单位算力的使用门槛，把原本被电力和部署成本压住的需求释放出来。
英伟达给出的数字足够直观。DSX POD把现场部署从六个月缩短到14天，对受制于建设周期的AI工厂而言，这不是省了时间，而是同样的时间能多出好几轮产能。100%液冷和节能30%意味着在供电容量不变的前提下可以塞进更多芯片。黄仁勋说，借助DSX，用户可以在不花一分钱的情况下对整个工厂进行模拟，在安装任何机架之前验证性能。部署效率的提升，直接转化为算力供给的扩张。
Vera CPU本身也是同一逻辑的产物。英伟达在5月31日的官方新闻稿中称，Vera的任务完成速度比x86 CPU快1.8倍，这是英伟达首款专门为AI智能体打造的CPU。OpenAI、Anthropic、SpaceX已确认成为Vera的首批部署客户。当推理与服务部署取代训练成为AI工作负载的重心，通用CPU的地位重新凸显，而英伟达用Vera表明，它不想在这场转型里被绕开。
所以算力端的叙事不是简单的更快更省电，而是更高效，所以更便宜，所以需求更大。这正好解释了为什么招商策略会把算力升级和物理AI放在同一份判断里。前者是供给能力的扩张，后者是需求侧的新开口。
物理AI的瓶颈在数据，英伟达搭了三条梯子
如果算力是铲子，物理AI就是那片还没被大规模开挖的矿。但物理AI的开采难度远高于生成式AI。核心矛盾在于数据：语言模型的数据来自人类视角，互联网上充斥着第三人称的视频与图文；而机器人需要第一视角的感知数据，它要看见自己手部的动作，感受与物体接触的力度。这类数据全球稀缺，获取成本极高。
英伟达的解法分成三条路径。远程操作，让人类演示任务，机器人采集第一视角数据；仿真模拟，用Omniverse在虚拟世界里生成海量训练场景；把第三人称数据转换成第一视角，最终训练出世界基础模型。GTC上发布的Cosmos 3，就是这条路线的阶段性产物。这是一个面向物理AI的开源基础模型，基于全新Transformer混合架构，支持像素、动作、声音、语言多模态输入，能完成推理、规划与指令生成。
这条数据梯子一旦搭成，物理AI的研发门槛会被显著拉低。英伟达推出的Isaac GR00T人形机器人参考平台，以宇树科技的人形机器人为载体，整合Jetson Thor计算模块、GR00T软件栈与五指灵巧手，支持开箱即用。英伟达副总裁Rev Lebaredian说，这是将前沿人形机器人研究从全球最大科技公司和AI独角兽手中解放出来，让每个实验室都能触及。Ai2、苏黎世联邦理工学院、斯坦福大学机器人中心、加州大学圣地亚哥分校已确认率先采用。
应用场景的三重开口：机器人、智驾、工业制造
招商策略把物理AI的落地方向归纳为机器人、智能驾驶及工业制造。这个排序本身就有意味。机器人是最具象的载体，智能驾驶是商业化最接近闭环的场景，工业制造则是中国最有底气的腹地。
智能驾驶的生态已经铺开。英伟达在GTC上披露，比亚迪、吉利、极氪、小米以及小马智行等中国主流车企和自动驾驶公司，均已采用或正在基于DRIVE Hyperion平台开发智能驾驶系统。Hyperion是一套标准架构，配备14个摄像头、9个雷达、3个激光雷达，由双GPU系统驱动。黄仁勋还把目光投向Robotaxi车队。全球每年有上万亿英里的行驶里程，未来很大一部分会交给无人驾驶出租车，而车队将接入统一架构，各家车企的车辆都能融入同一个虚拟车队网络。
工业制造则是中国物理AI最厚的场景基础。头豹研究院在9月发布的中国物理AI厂商全景报告中测算，物理AI有约3375亿美元的市场空间，中国物理AI正从概念导入迈向工程化落地与商业化验证阶段。增长动力来自三方面：制造业、汽车、机器人、城市治理等场景基础深厚；智能算力、传感器、仿真平台与数字孪生能力持续完善；政策对算力基础设施、数据要素、机器人和智能网联汽车持续支持。代表公司里，汇川技术被视作工业控制与执行底座，奥比中光被看作物理世界感知入口。
但物理AI的落地难点同样清晰。真实世界具有高动态、高不确定性和高安全责任。企业必须同时具备多模态感知、世界建模、任务规划、仿真验证、实时控制和持续迭代能力。这不是单点突破能解决的，需要一整套能力栈。
数据缺口里的投资机会
国联民生证券在研报里给了一个横向对比：主流物理AI数据库的规模显著低于图文与文本数据，高质量训练数据的生产成本仍然高昂，而数据标准尚未统一，制约了跨平台流通与复用。这正是早期阶段的典型特征。数据在人工智能的早期阶段价值突出，值得优先关注。
NVIDIA推动的OpenUSD，是面向超大规模3D场景的统一描述、组织与仿真框架，已获多家机构参与和支持。如果它真能推动行业标准统一，数据积累的飞轮就会开始转动。美光科技董事长兼CEO Sanjay Mehrotra在10月1日的财报电话会上说得更直白：除了数据中心，下一个巨大的增量市场将是物理AI；随着设备数量和单机存储含量的双重增长，物理AI将成为存储需求的重要驱动力。
这句话和招商策略的判断形成了闭环。物理AI不只是应用层的扩张，它会沿着感知、决策、执行、反馈的闭环，把算力、存储、传感器、执行器一整条产业链重新拉动一遍。
结论：当AI开始拿起工具，算力曲线会被重新画一遍
回到招商策略的核心判断：AI产业正呈现算力基础设施持续升级、应用场景加速拓展的趋势，物理AI有望成为重要增长方向，为算力需求提供新增量。
这个判断的成立，依赖两个前提。第一，算力端的能效提升要持续转化为供给扩张，而不是被电力瓶颈锁死，100%液冷、DSX POD的模块化部署解决的就是这个问题。第二，物理AI的数据梯子要真正搭成，让机器人、智驾、工业制造从示范项目走向规模化复制，Cosmos 3、Isaac GR00T、DRIVE Hyperion正在铺这条路。
对投资者而言，值得关注的不是物理AI这个概念本身，而是概念落地过程中真正吃到红利的环节：算力基础设施的供给方、物理世界数据的采集与标注方、仿真与数字孪生平台，以及已经在工业控制与感知入口卡位的公司。国金证券10月初的研报把物理AI称为AI的下一站，申万宏源把AMD收购World Labs解读为平台化竞争加速的信号，头豹研究院给出3375亿美元的空间测算。三家机构切入角度不同，指向的方向却一致。
生成式AI改变了内容生产的方式，代理式AI改变了数字任务的执行方式，而物理AI要改变的是真实世界的运行方式。当AI开始走进工厂、开上马路、拿起工具，算力的需求曲线会被重新画一遍。
快报