每个人都想知道下一个大主题是什么。
我很幸运能在大多数人之前就布局在光学超级周期，这改变了我的生活。
如果我们能找到下一个同等规模的重大主题并提前布局呢？
我相信我们可以。
而这正是这份报告的意义所在。
在深入研究这个主题后，我相信就是它了。
所以在这份报告中，我将阐述这个主题、为什么现在可以布局、在哪里布局、所有层级和供应链，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。
而这个我即将在这里阐述的主题，将随着时间的推移，成为我 Substack 上的第二个主要覆盖领域。
我们仍然处于早期，还有时间进行布局。
让我们找出最佳的方式。
Physical AI
过去一年，我的投资组合中很大一部分都集中在 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 Physical AI 主题的新机会中。
我所投资的所有基础设施公司都为这个新主题提供了支撑。
我写这份报告的目标，是以一个非常易于理解的层次来介绍这个主题，这样我们都能在一个非常扎实的基础上开始。
当我想到 Physical AI 时，我认为它是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。这只是最终产品的一些特性/特征的例子。
整个流程看起来像是：看世界（通过摄像头和/或传感器）、理解输入、决定采取什么行动、产生运动或某种响应，然后检查发生了什么并进行调整。
反馈迴路在这里是一个关键部分。机器必须从结果中学习，这是与那些只是重复预设动作的“非智能”机器的一个重大区别。
当你阅读这篇文章时，我希望你一边读一边做笔记。当你读到一个你认为可能可以布局的领域时，停下来写下来。尝试创建分支，思考这个层级可能有多少种不同的布局方式。不是公司，而是通过产品或服务实现盈利的不同方式。完成后，继续阅读。重复此过程。
转变
从屏幕到现实世界。
目前 AI 的主要应用场景属于生成式 AI，涵盖文本、图像、代码、视频、研究、分析等。几乎所有阅读本文的人都使用过，如果不是每天都用的话。ChatGPT、Claude、Gemini 等等。
我们已经在看到的下一波浪潮是 Agentic，AI 开始运行任务，而不仅仅是给出回应。所以一个 Agent 可以搜索文件、更新电子表格、起草邮件、管理你的日程等。所以从“回答”到“执行”，但仅限于数字领域。
然后是 Physical AI，在这里你可以控制现实世界中的某样东西。不是告诉机器操作员哪里出了问题，而是它自己可以调整机器。
我认为大多数人听到 Physical AI 时想到的视觉例子是人形机器人。我们刚刚看到 Figure 公司进行了一场人形机器人和人类分拣包裹的现场对比。
但在我看来，这是今天最不实用的 Physical AI 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 正在向劳动力靠近。
总结一下，生成式 AI 帮助处理知识，Agentic AI 帮助处理办公室/软件，而 Physical AI 帮助处理……嗯……体力劳动。很高兴他们为我们简化了这一点。
那么，这里的 TAM 是多少？Physical AI 里到底有多少钱？
答案是：“有”。
全部。一切。
好吧，说真的，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。
为什么这很难
让我们把这份报告建立在现实主义的基础上。
当我们将 AI 局限在屏幕内时，管理起来要容易得多。错误不那么关键。编辑很容易。环境相对可控。
踏入现实世界，一切就变得混乱了。
物体放置不可预测。人类是混乱的（无意冒犯）。你有像雨和风这样的环境因素。仓库内的光线可能发生变化。
所以这些系统必须理解不确定性。再次强调，这是“智能”的部分。这些系统需要在物体不可预测地移动、传感器变脏、光线变化、有人走进它们的路径等情况下也能正常工作。
然后是安全问题。是的，软件存在安全问题，尤其是如果我们让 Agent 在企业中自由漫游的话，但我们在这里谈论的是物理安全。库存可能受损，人类可能受伤，设备可能损坏。
所以这些系统必须同时做到准确、可靠、快速和安全。
我认为准确性、可靠性和安全性都是常识。
速度可能会让一些人感到惊讶。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出现在汽车前面，它必须几乎瞬间做出反应以避免灾难。延迟必须最小化。这就是边缘 AI 的用武之地，因为在这些响应窗口内你无法等待云服务器。
然后是部件之间的协调。仅有大脑是不够的。我们需要传感器来看，需要芯片来处理信息，需要软件来做决策，需要电机来移动，需要电源系统来输送能量，需要控制系统来保持精确，需要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且更加遥远。让一台机器在隔离环境下工作是一回事。每天在真实环境中部署则是另一回事。所以除了我们刚才说的所有这些能力之外，这些机器还需要耐用且持久。
如果这一切听起来像是一项重大壮举……很好。
确实如此。
而这正是机会所在。
因为那些能够做到并且能够规模化的公司，才有机会赚到真金白银。
核心循环
我们在这里讨论的几乎每个系统都必须经历一个类似的循环。
1 - 看世界
2 - 理解正在发生什么
3 - 决定做什么
4 - 检查结果
5 - 改进
让我们看一个实际的例子。
一个仓库机器人。
首先，它必须看到通道。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在哪里移动。
然后它需要接收这些信息并理解。它需要理解一个物体是箱子，另一个是人体等等。它需要理解距离、速度、方向和风险。
然后是决策。它应该继续移动吗？减速吗？左转吗？这就是感知开始转变为行动的地方。
接下来是运动。电机旋转，机械臂调整，夹爪闭合。无论是什么。我们现在进入了物理世界。
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。它利用从已发生事件中获得的反馈，以便下次做出更好的决策。这基本上也是我们人类运作的方式。也许它了解到某个物体更难抓握，或者某条路线在特定时间会变得拥堵。
这个反馈迴路正是 Physical 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。Physical AI 则进行适应、观察、反应、调整。
所有这些步骤使得可布局的堆栈如此庞大。我们谈论的是传感器、芯片、软件、电机、电源、控制、安全系统、数据。如果没有这个循环，机器人本身是毫无用处的。
可布局的堆栈
现在我们可以深入到每个层级具体包含什么。
我们还不深入讨论具体公司。我们需要先打好基础。
我喜欢将 Physical AI 与人类进行比较。不是在类人/美学方面，而是在功能和感官方面。
人类需要大脑、眼睛、肌肉、神经、能量、平衡、记忆和实践。Physical AI 系统需要以某种形式拥有所有这些对应的机器版本。
你看到的实际机器人/机器只是系统的一部分。隐藏在机器背后的东西要大得多、深入得多。这也是上市公司真正的投资机会所在。
即使在堆栈开始之前，我们也有训练。在机器可以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、好的行动示例。它可能在真实世界数据、合成数据、模拟数据或人类演示上训练。这就像一个新员工在开始工作之前学习如何执行一项任务。
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练习在数字通道中移动。一架无人机可以练习在数字战场中飞行等。这很重要，因为现实世界的练习成本高昂、速度更慢，有时还有风险。
接下来是感知。
要阅读这份报告的剩余部分，请点击此处：
我会深入探讨其余可布局的层级，我对这个主题走向的看法，以及我的流程将会是怎样的。
与光学一起，Physical AI 现在是我深入覆盖的第二个主要主题。
完整的投资组合构建
解构所有层级
介绍具体公司
业绩覆盖等
