每個人都想知道下一個 大 主題是什麼。
我很幸運能在光學超級週期初期就卡位，這徹底改變了我的人生。
如果我們能找到下一個同等規模的主題，並及早佈局，會怎樣？
我相信我們可以。
而這正是這份報告的核心。
深入研究之後，我相信就是這個了。
所以在這份報告中，我會闡明這個主題、為什麼現在值得投資、在哪裡投資、所有層面與供應鏈，以及我未來的計畫。
光學 / 光子學仍然是我的主要主題，我會在這個頁面上深入探討。
但市場上還有機會在等著我們。
而這個我即將說明的主题，未來將成為我 Substack 上第二個主要的覆蓋領域。
我們還很早，還有時間佈局。
讓我們找出最佳的做法。
實體 AI
過去一年，我的投資組合很大一部分都集中在 AI 基礎設施上，這顯然表現得很好。
現在，我越來越希望將新的資金投入到實體 AI 主題的新機會中。
我所投資的所有基礎設施公司，都在為這個新主題鋪路。
這份報告的目標，是用一個非常容易理解的方式來介紹這個主題，讓我們都能在一個紮實的基礎上起步。
當我想到實體 AI 時，我認為它代表著機器變得智慧的關鍵點。
所以我們談的是視覺、移動、辨識、力量、安全、反饋。這只是最終產品的一些功能/特性。
流程看起來像是：感知世界（透過相機和/或感測器）、理解輸入、決定該做什麼、產生移動或某種回應，然後檢查結果並調整。
反饋迴圈是這裡的關鍵。機器必須從結果中學習，這是它與只會重複預設動作的「非智慧」機器的重大區別。
當你閱讀這篇文章時，我希望你邊讀邊做筆記。每當你讀到一個你認為可能可以投資的領域時，停下來寫下來。試著腦力激盪這個層面有多少種不同的投資方式。不是公司，而是不同的變現方式，無論是靠產品還是服務。完成後，繼續閱讀。重複這個過程。
轉變
從螢幕到現實世界。
目前 AI 的主要應用場景大多落在生成式 AI，涵蓋文字、圖像、程式碼、影片、研究、分析等。幾乎每個讀到這篇文章的人都用過，甚至每天在用。像是 ChatGPT、Claude、Gemini 等。
我們已經看到的下一波浪潮是代理式 AI，AI 開始執行任務，而不僅僅是給出回應。所以一個 Agent 可以搜尋檔案、更新試算表、草擬電子郵件、規劃你的行程等。從「回答」進化到「做事」，但僅限於數位領域。
接下來是實體 AI，你對現實世界中的某個物體擁有控制權。與其告訴機器操作員哪裡出了問題，它可以自己調整機器。
我認為，大多數人聽到實體 AI 時，腦中浮現的視覺範例是人形機器人。我們剛剛看到 Figure 公司進行了人形機器人與人類分類包裹的現場並排比較。
但在我看來，那是目前實體 AI 中最不實用的形式之一。真正實用的是無人機、機械手臂、自動駕駛拖拉機、倉儲系統、手術系統、國防系統等等。
更深層的概念是，AI 正在更靠近勞動力。
回過頭來看，生成式 AI 幫助知識工作，代理式 AI 幫助辦公室/軟體工作，而實體 AI 幫助……嗯……體力工作。還好他們命名得很直觀。
那麼，總體潛在市場（TAM）有多大？實體 AI 到底有多少錢？
答案是：「有」。
全部。所有的一切。
好吧，認真說，實體經濟非常龐大。
我們談的是農場、倉庫、礦場、醫院、國防系統、運輸網路、能源基礎設施、建築。你想得到的都有。
為什麼這很難
讓我們用現實主義來奠定這份報告的基礎。
當我們把 AI 限制在螢幕內時，管理起來容易得多。錯誤不那麼關鍵。編輯很容易。環境相對可控。
但踏進現實世界，事情就變得混亂了。
物體擺放位置難以預測。人類行為難以捉摸（沒有冒犯的意思）。還有像下雨、颳風等環境因素。倉庫內的光線也會變化。
所以這些系統必須理解不確定性。再次強調，這就是「智慧」的部分。這些系統必須在物體不可預測地移動、感測器變髒、光線變化、有人擋住路徑等情況下，依然能夠運作。
再來是安全層面。是的，軟體也有安全問題，尤其是如果讓 Agent 在企業內部隨意行動，但這裡我們談的是物理安全。庫存可能受損，人員可能受傷，設備可能故障。
所以這些系統必須同時具備精準、可靠、快速和安全。
我認為精準、可靠和安全都是常識。
速度對某些人來說可能有點意外。但想想看。最明顯的例子是自動駕駛。如果一個人突然走到車前，它必須幾乎瞬間做出反應以避免災難。延遲必須降到最低。這就是邊緣 AI 的用武之地，因為在這些反應時間視窗內，你無法等待雲端伺服器。
另外還有部件之間的協調。光有大腦不夠。我們需要感測器來感知、晶片來處理資訊、軟體來做決策、馬達來移動、電源系統來提供能量、控制系統來保持精準，以及安全系統來防止不良結果。
聽起來像是一條供應鏈……對吧？
很好。很好。
所以當我們看到演示時，實際部署可能看起來大不相同，而且時間更久。讓一台機器在隔離環境下運作是一回事。在真實環境中每天部署則是另一回事。所以除了我們剛剛說的那些能力之外，這些機器還需要耐用且持久。
如果這一切聽起來像是一項重大成就……很好。
確實是。
而這就是機會所在。
因為那些能做到、能規模化的公司，將有機會賺大錢。
核心迴圈
我們在這裡討論的幾乎每個系統，都必須經歷一個類似的循環。
1 - 感知世界
2 - 理解正在發生的事
3 - 決定該做什麼
4 - 檢查結果
5 - 改進
舉個實際例子。
一個倉儲機器人。
首先，它必須看到通道。它可能使用相機、光達、深度感測器或其他感測器，來了解貨架在哪裡、箱子在哪裡，以及其他機器人或人員的移動方向。
然後它需要接收這些資訊並加以理解。它需要理解某個物體是箱子，某個是人類等等。它需要理解距離、速度、方向和風險。
接下來是決策。它應該繼續移動？減速？向左轉？這就是感知開始轉化為行動的時候。
下一步是移動。馬達轉動、機械手臂調整、夾爪閉合。無論是什麼。我們現在進入了物理世界。
然後它檢查結果。它到達正確的貨架了嗎？它拿對物品了嗎？這是至關重要的一步，因為現實世界是不可預測的。
最後，它進行改進。它利用發生的事情所得到的反饋，以便下次做出更好的決策。這基本上也是我們人類的運作方式。也許它學會了某個物體更難抓取，或者某條路線在某個時間會擁擠。
這個反饋迴圈正是實體 AI 與基本自動化之間的區別。傳統自動化是一套固定的指令。實體 AI 則會適應、觀察、反應、調整。
所有這些步驟，就是為什麼可投資的層面如此龐大。我們談論的是感測器、晶片、軟體、馬達、電源、控制系統、安全系統、數據。如果沒有這個迴圈，一個機器人本體是毫無用處的。
可投資的層面
現在我們可以更深入探討每個層面包含的具體內容。
我們還不深入探討公司。我們需要先打好基礎。
我喜歡把實體 AI 比作一個人。不是人形/美學方面，而是功能與感官。
人類需要大腦、眼睛、肌肉、神經、能量、平衡、記憶和練習。一個實體 AI 系統需要所有這些東西的機器版本，以某種形式呈現。
你看到的那個機器人/機器本身只是系統的一部分。機器背後的世界更大、更深入。而這才是公開公司曝險真正的所在。
甚至在這個層面開始之前，我們還有 訓練。在機器能在現實世界中工作之前，AI 必須先學習。所以我們需要數據、模型、好的行動範例。它可能使用真實世界數據、合成數據、模擬數據或人類演示來訓練。就像新員工在開始工作之前先學習如何執行工作。
接下來是 模擬。這是機器在虛擬世界中練習的地方。所以倉儲機器人可以練習在數位通道中移動。無人機可以練習在數位戰場中飛行等等。這很重要，因為在現實世界中練習成本高、速度慢，有時甚至有風險。
接下來是 感知。
要閱讀這份報告的其餘部分，請按此處：
我會深入探討其餘的可投資層面、我認為這個主題未來的走向，以及我的流程會是什麼樣子。
與光學並列，實體 AI 現在是我深入涵蓋的第二個主要主題。
完整的投資組合建構
拆解所有層面
介紹具體公司
財報覆蓋等
