每个人都想知道下一个 重大 主题会是什么。
我很幸运，在大多数人之前就布局在了光学超级周期中，这彻底改变了我的生活。
如果我们能提前找到下一个同等规模的主题并提前布局呢？
我相信我们可以。
而这正是这份报告的内容。
在深入研究之后，我相信这就是了。
所以，在这份报告中，我将阐述这个主题是什么，为什么现在值得投资，在哪里投资，所有层面及供应链，以及我未来的计划。
光学/光子学仍然是我的主要主题，我会在这个页面上深入覆盖。
但外面还有机会在等着我们。
而这个我将要阐述的主题，未来将成为我 Substack 上的第二大核心覆盖领域。
我们现在仍然处于早期，还有时间进行布局。
让我们来想想怎么布局最好。
物理 AI
过去一年，我的大部分投资组合都集中在 AI 基础设施上。这显然非常棒。
现在，我越来越希望将新增的资金投入到物理 AI 主题的新机会中。
我投资的所有基础设施公司都支撑着这个新主题。
我写这份报告的目标，是以一个非常易懂的方式介绍这个主题，让我们都能在一个非常扎实的基础上开始。
当我想到物理 AI 时，我认为它代表着机器变得智能的节点。
所以我们谈论的是视觉、运动、识别、力量、安全、反馈。这只是部分最终产品的特性/特征。
整个流程看起来像是这样：感知世界（通过摄像头和/或传感器），理解这些输入，决定采取什么行动，产生运动或某种响应，然后检查结果并进行调整。
反馈循环是其中的关键部分。机器必须从结果中学习，这是与那些只会重复预设动作的"非智能"机器相比的一大区别。
当你阅读这篇文章时，我希望你一边读一边做笔记。每当你看到一个你认为可能值得投资的领域，就停下来记下来。尝试为这个层面创建设想一些不同的变现方式。不是公司，只是用产品或服务来变现的不同方式。做完笔记后，继续阅读。重复这个过程。
转变
从屏幕到现实世界。
目前 AI 的主要应用场景集中在生成式 AI，涉及文本、图像、代码、视频、研究、分析等。几乎所有读到这篇文章的人都用过，甚至每天都在用。ChatGPT、Claude、Gemini 等等。
我们已经在看到的下一波浪潮是代理式 AI，AI 开始执行任务，而不仅仅是提供回答。所以一个代理可以搜索文件、更新电子表格、起草邮件、管理你的日程等。所以是从"回答"到"执行"，但仅限于数字领域。
然后是物理 AI，你可以在现实世界中控制某些东西。无需告诉机器操作员哪里出了问题，它可以直接调整机器。
我想，大多数人听到"物理 AI"时，脑海中浮现的视觉例子是人形机器人。我们刚刚看到 Figure 公司现场展示了人形机器人和人类分拣包裹的对比。
但我认为，这是物理 AI 目前最不实用的形式之一。真正实用的是无人机、机械臂、自动驾驶拖拉机、仓储系统、手术系统、国防系统等等。
更深层的想法是，AI 正在靠近劳动。
结合起来看，通用 AI 帮助知识工作，代理式 AI 帮助办公室/软件工作，而物理 AI 帮助……嗯……体力工作。很高兴他们为我们想得这么简单。
那么，这里的总目标市场有多大？物理 AI 里到底有多少钱？
答案是：'是的'。
所有的一切。
好吧，说正经的，实体经济是巨大的。
我们谈论的是农场、仓库、矿山、医院、国防系统、交通网络、能源基础设施、建筑。你能想到的都有。
为什么这很困难
让我们用现实主义来打底。
当我们将 AI 隔离在屏幕内时，管理起来要容易得多。错误的成本没那么高。编辑也很容易。环境相对可控。
一旦踏入现实世界，事情就变得混乱了。
物体的放置是不可预测的。人类是混乱的（无意冒犯）。你还有像雨和风这样的环境因素。仓库内部的光线也会变化。
所以这些系统必须理解不确定性。再说一次，这就是"智能"的部分。这些系统需要即使在物体移动不可预测、传感器变脏、光线变化、人员进入其路径等情况下也能工作。
然后是安全方面。是的，软件存在安全隐患，尤其是当我们让代理在企业内自由活动时，但我们这里讨论的是物理安全。库存可能受损，人员可能受伤，设备可能损坏。
所以这些系统必须同时做到精确、可靠、快速和安全。
我认为精确、可靠和安全都是常识。
速度对某些人来说可能听起来有点惊讶。但想想看。最明显的例子是自动驾驶。如果一个人不可预测地走到一辆车前面，它必须几乎瞬间做出反应以避免灾难。延迟必须降到最低。这就是边缘 AI 的作用所在，因为在这些响应时间窗口内，你不能等待云端服务器。
然后是部件之间的协调。仅有大脑是不够的。我们需要传感器来感知，芯片来处理信息，软件来做决策，马达来运动，电源系统来提供能量，控制系统来保持精确，以及安全系统来防止不良结果。
听起来像一个供应链……对吧？
很好。很好。
所以当我们看到演示时，实际部署可能会看起来非常不同，也更遥远。让一台机器在隔离环境中工作是一回事。每天在真实环境中部署是完全另一回事。所以，除了我们刚才说的这些机器需要能够做到的所有事情之外，它们还需要耐用持久。
如果这一切听起来像是一个重大的壮举……很好。
确实如此。
而机会就在其中。
因为那些能够做到并实现规模化的公司，就有机会赚到真正的钱。
核心循环
我们这里讨论的几乎所有系统都必须经历一个相似的循环。
1 - 感知世界
2 - 理解正在发生什么
3 - 决定做什么
4 - 检查结果
5 - 改进
让我们举一个实际的例子。
一个仓库机器人。
首先，它必须看到过道。它可能使用摄像头、激光雷达、深度传感器或其他传感器来了解货架在哪里、箱子在哪里，以及其他机器人或人员在向哪里移动。
然后，它需要理解这些信息。它需要理解一个物体是箱子，一个是人等等。它需要理解距离、速度、方向和风险。
接下来是决策。它应该继续移动吗？减速吗？向左转吗？这就是感知开始转化为行动的地方。
接下来是运动。马达转动，机械臂调整，夹具闭合。无论是哪种情况。我们现在进入了物理层面。
然后它检查结果。它到达正确的货架了吗？它抓取了正确的物品了吗？这是一个关键步骤，因为现实世界是不可预测的。
最后，它进行改进。它利用来自所发生事件的反馈，以便下次做出更好的决定。这基本上也是我们人类运作的方式。也许它学会了某个物体更难抓取，或者某条路线在某个时间段会变得拥堵。
这个反馈循环正是物理 AI 与基本自动化的区别所在。旧的自动化是一套固定的指令集。物理 AI 则能适应、观察、反应、调整。
所有这些步骤正是为什么可投资的范围如此之大。我们谈论的是传感器、芯片、软件、马达、电源、控制器、安全系统、数据。一个没有循环的机器人身体是毫无价值的。
可投资的层叠
现在我们可以更深入地了解每个层面包含什么内容。
我们还没有深入到具体的公司。我们需要先打好基础。
我喜欢将物理 AI 比作一个人。不是在外形或美观方面，而是在功能与感官方面。
人类需要大脑、眼睛、肌肉、神经、能量、平衡、记忆和实践。物理 AI 系统需要所有这些事物的机器版本，以某种形式实现。
你看到的那个实实在在的机器人/机器只是系统的一部分。机器背后蕴含的东西要大得多，也要深入得多。而这正是公开公司投资机会真正所在之处。
甚至在层叠开始之前，我们有 训练。在机器能在现实世界工作之前，AI 必须先学习。所以我们需要数据、模型、良好行动的示例。所以它可能在真实世界数据、合成数据、模拟数据或人类演示数据上进行训练。这就像一个新员工在开始工作之前学习如何完成一项任务。
接下来是 模拟。这是机器在 虚拟 世界中练习的地方。所以一个仓库机器人可以在数字过道中练习移动。一架无人机可以在数字战场中练习飞行等等。这非常重要，因为在现实中练习成本高、速度慢，有时还有风险。
接下来是 感知。
要阅读这份报告的其余部分，请点击此处：
我在那里深入探讨了其余的可投资层面，我对这个主题未来走向的看法，以及我后续的流程。
与光学一样，物理 AI 现在是我深度覆盖的第二大主题。
完整的投资组合构建
解析所有层面
介绍具体公司
财报覆盖等。
