Physical AI：市場的最高想像力在哪裡？
一篇關於各大機構如何測量一個可能改變人類文明的技術之上限的普通文章
2025 年 CES，NVIDIA 執行長黃仁勳在主題演講中宣告：「AI 正在以驚人的速度進化——從感知 AI，到生成式 AI，現在我們正進入 Physical AI 的時代。機器人的 ChatGPT 時刻，幾乎已經到來。」 同場，他發布了 NVIDIA Cosmos 世界基礎模型——一個讓機器人能在虛擬環境中自我訓練、理解物理世界法則的平台。 2026 年 1 月，他再度站上 CES 舞台，直接宣布「機器人的 ChatGPT 時刻已經到來」。[^1][^2][^3][^4][^5][^6]
聯想董事長兼 CEO 楊元慶在同一個展會上，把 Physical AI 總結成：「有腦子的機器」。他說，AI 正在讓機器獲得感知、理解和決策能力，機器人不只是取代人類體力勞動，未來甚至可能承擔一部分腦力工作。在 2026 年 Computex 台北主題演講，英特爾 CEO 陳立武（Lip-Bu Tan）把英特爾的未來押注在包含 Physical AI 在內的核心策略支柱上：「即將到來的 Physical AI 浪潮，將通過機器人、自主機器和各類 AI 邊緣設備，從根本上改造整個工業經濟的邊緣地帶。」 同週，他宣布 Intel 分別與 Hitachi、富士康深化合作，把製造業、能源與運輸的 Physical AI 落地列為最優先任務。[^7][^8][^9]
從黃仁勳、楊元慶到陳立武，三個站在不同位置的人——晶片平台、終端整合、基礎運算——得出同一個結論：Physical AI 是這一輪科技週期從「軟體」走向「硬體」的關鍵轉折點。
「虛擬 AI 改善了辦公室工作流程，但對生產力的影響仍然有限。真正的革命，將在 AI 移入實體資本設備時發生。」— 瑞典銀行 Thomas Thygesen
Physical AI 解決的，是一個跑不掉的問題
要看懂 Physical AI，先問一句：它到底解決什麼問題？
日本工作年齡人口從 1995 年高峰的約 8,700 萬人，降到 2024 年的約 7,370 萬人，少了整整 16%，預計 2040 年還要再短缺逾 1,100 萬名工人。 光是長照一個產業，到 2025 年已短缺近 38 萬名工人，政府估計 2030 年整體缺口將達 640 萬人。 日本在 2026 年已進入大規模實際部署——倉庫、長照機構、零售、餐飲，機器人填補的是真實的人力空缺，不是為了效率，而是因為找不到人。[^10][^11][^12][^13]
這不只是日本的問題。OECD 最新數據指出，到 2060 年，超過四分之一的 OECD 成員國工作年齡人口將萎縮逾 30%。 中國的製造業工資因勞動力見頂而持續上漲，美國製造業每年的人力缺口也無法靠傳統招募補上。MIT 經濟學家 Daron Acemoglu 的研究指出，單是「人口老化程度」這一個變數，就能解釋各國機器人採用率差異的 35%。[^14][^15][^16]
人不夠用了，而且補不回來
不可逆是這個命題的關鍵。出生率下降、人口老化，是數十年政策累積的結果，短期內回不了頭。機器人要填的，不是「景氣循環」的缺口，而是一個確定會越來越大的缺口。需求是真的，而且確定會持續惡化。
華爾街集體出手
當一個主題同時具備「確定的長期需求」和「正在發生的技術突破」，賣方研究部門有責任替客戶估算它的規模，買方基金則急著找到下一個十年的投資主線。於是從 2024 到 2026 年間，五份報告先後問世：
Goldman Sachs（投行龍頭）——《Humanoid Robot: The AI Accelerant》，從製造成本出發。
Citi Research（花旗）——《The Rise of AI Robots》，用機器人「台數」作為計量單位。
Barclays（巴克萊）——《AI Gets Physical》，又稱《The Decade of the Robot》，畫出落地時序路線圖。
Morgan Stanley（大摩）——由分析師 Adam Jonas 領銜的《Robot Almanac》，把勞動力市場換算成市值。
ARK Invest（Cathie Wood 的顛覆性創新基金）——以勞動力替代和 NPV 模型推算長期上限。
四家是賣方投行，一家（ARK）是買方主題基金；它們面對同一個市場，卻給出了從 38 億美元到 24 兆美元、相差超過 6,000 倍的答案。這個數字差距本身，就是一個問題：它們到底在算什麼？先把每一份攤開來看。
Goldman Sachs：2035 年的 380 億美元
Goldman 的起點是一位工廠採購主管的算盤：一台機器人要在兩到三年內回本，成本就必須持續下降。所有推估，都從這條成本曲線往外推。
最值得注意的，是它的上修幅度：Goldman 把 2035 年的預測從 60 億美元一口氣上調至 380 億美元，足足上調六倍。 驅動這次上修的，是一件超出它原本預期的事：端對端 AI 訓練（end-to-end AI training）的突破——模型可以自我訓練行為，不再需要人工設計每一個動作，大幅加速了成本下降的速度。 人形機器人的製造成本在 2022 至 2023 年間已下降約 40%，遠超原本預估的年降幅。[^17][^18][^19][^20]
Goldman 的基本情境預計 2030 年全球出貨逾 25 萬台，幾乎全部用於工業場景；一路推到 2035 年，出貨量約 140 萬台，TAM 約 38 億美元。 Goldman 同時維持一個「藍天情境」：若設計、技術、可負擔性與大眾接受度的障礙都被完全克服，2035 年的上限可達 1,540 億美元。[^21][^22][^18][^23]
Goldman 態度保留的核心原因是：技術可靠性在真實生產環境中還沒充分驗證，且從工業部署跳到消費者市場，是一個需要同時克服多個障礙的非線性跨越。
Citi Research：2050 年 40 億台
如果說 Goldman 的視角是「工廠算盤」，Citi 的切入則換了一把尺。它的報告以台數而非美元市值作為主要計量單位，理由是定價曲線的不確定性太高，台數更能反映真實的擴散邏輯。
Citi 以三個驅動力構建需求框架：技術（多模態 AI、靈巧度、邊緣運算突破）、經濟（勞動短缺、有吸引力的投資回收期）、生活品質改善（讓人從繁複、危險、無聊的工作中解放）。
估值結果：2035 年，廣義 AI 機器人（含 AMR、自駕車等）在役約 13 億台，其中人形機器人約 1,330 萬台；2050 年，廣義 AI 機器人達 40 億台以上，人形機器人約 6.48 億台。 Citi 刻意不換算美元規模，但若按均價假設換算，40 億台約等於 20 兆美元量級。[^24][^25]
Barclays：2035 年 2,000 億美元（上限情境）
台數和美元之外，Barclays 問的是另一個問題：哪個先發生？它在 2026 年 1 月發布的報告《AI Gets Physical》，是這五份報告中最注重「落地時序」而非終局估值的一份。[^26][^27]
報告把 Physical AI 落地分成兩大浪：
第一浪（2025–2030），以製造業、物流、農業、建築為主，技術相對成熟，部署已在進行中；
第二浪（2030 年後），進入醫療、長照、教育、餐飲服務等環境更不規則的場景。
按 Barclays 的估算，人形機器人市場從今天約 20 至 30 億美元的利基規模，基準情境到 2035 年達約 400 億美元，上限情境可達 2,000 億美元；若把整個 Physical AI 生態（含自駕車、無人機、工業自動化）算進去，2035 年整體市場基準約 9,000 億美元，上限接近 1.4 兆美元。[^28][^29][^26]
Barclays 用「三個 B」概括 Physical AI 目前同步發生的成本崩塌：Brains（AI 軟體）、Brawn（精密致動器等硬體）、Batteries（能源系統）——它估計三條曲線合計帶來了約 30 倍的成本下降。 致動器（robotic muscles）一項佔人形機器人生產成本約 50%，是成本下降的核心戰場。[^27][^28]
Barclays 另外點出一個結構性機會：服務業。過去 40 年工廠自動化已相當成熟，但服務業佔 OECD GDP 七成以上，幾乎沒被傳統機器人觸及，原因是工作環境太不規則。Physical AI 是第一次有機會打開這道門。
Morgan Stanley：5 兆美元
成本曲線、台數、時序——前三家都在問「這個市場有多大、多快到來」。Morgan Stanley 把問題往更上游推了一步：如果機器人真的大規模取代人類勞動，整個勞動力市場值多少錢？
推估：到 2050 年，全球人形機器人在役約 10 億台； 硬體年收入規模約 4.7 兆美元，加上軟體、維修、保養與服務，整體達 5 兆美元——大約是 2024 年全球前二十大車廠總營收的兩倍。 若把整個機器人生態（含工業機器人、AMR、自駕車）算進去，2050 年整體機器人經濟可達 25 兆美元。[^30][^31][^32][^33]
價格路徑是 Morgan Stanley 報告的核心論點之一：人形機器人目前售價約 20 萬美元，預計高收入國家到 2050 年降至 5 萬美元；在中國供應鏈主導的市場，則可能更早跌至 1.5 萬美元。 採用曲線的 S 型轉折點估計落在 2030 至 2040 年之間。[^34]
Morgan Stanley 特別強調供應鏈的乘數效應：要支撐數以億計的機器人出貨，所需的攝影機、馬達、稀土磁鐵、電池，將擴張數十倍到上千倍。報告因此整理出最具戰略位置的供應鏈公司，涵蓋半導體、感測器、精密致動器等——投資機會不只在造機器人的公司，更在替機器人「裝零件」的公司。[^30]
ARK Invest：24 兆美元
如果 Morgan Stanley 是把勞動力市場換算成市值，ARK 走得更遠：它連不被計算在 GDP 裡的勞動也一起算進去。這使得 ARK 的 24 兆，是這五份報告中視野最寬、假設最激進、也是上限感最強的一個數字。[^35][^36][^37]
推估分兩塊：
製造端： 美國製造業僱用近 1,200 萬人，每年工作約 230 億小時，工資約 7,850 億美元；若用機器人取代所有人類工人，讓機器人每天工作 16 小時，製造業只需約 590 萬台機器人即可維持相同產出。[^38]
家庭端： 全球家務勞動（烹飪、清潔、照護）目前不計入 GDP，ARK 把它視為一個尚未被定價的潛在市場。製造端加家庭端，約各佔一半，合計約 24 兆美元。[^39]
ARK 有兩個其他機構都沒有的特殊假設。一是機器人工時是人類的兩倍，不需休假、病假，因此同樣台數能產生兩倍勞動輸入。 二是以 NPV 模型計算機器人相對人類勞動的財務損益平衡點——一旦成本跌至特定水位，機器人在財務上就比雇用人類更划算，採購決策會出現非線性加速。[^35][^38]
作為參照，Elon Musk 在 2024 年 Tesla 股東大會上的邏輯，和 ARK 的框架屬同一條脈絡：他預計 Optimus 機器人最終將讓 Tesla 市值達到 25 兆美元，主張若機器人能理解現實世界並按需執行任何任務，「經濟規模就沒有有意義的上限」。[^40][^41]
從 Goldman 的 38 億，到 Citi 的台數框架，到 Barclays 的時序路線圖，到 Morgan Stanley 的勞動力換算，再到 ARK 的「連家務都算進去」——每往前一步，視野就更寬，數字就更大。但它們真正的分歧，在更深的地方。
為什麼同一個市場，算出差 6,000 倍的答案？
差異分三層。
第一層：不一樣的「市場」
最容易被忽略的差異，是定義本身。「Physical AI」和「Humanoid Robot」不是同一個詞
。
Goldman 的 38 億美元只算人形機器人硬體；Barclays 的 9,000 億基準包含了自駕車（自駕車一項就佔廣義市場的相當大比例），是完全不同的計算範疇。把這兩個數字直接相比，就像拿一棟樓的面積去比一整座城市。[^29]
第二層：看世界的角度
就算口徑對齊，五家用的計算框架還是不同
：
Goldman 在算「工廠現在買不買得下手」，ARK 在算「如果全人類的勞動都能被替代，上限在哪」——兩者本來就不會、也不應該得出同一個數字。[^18][^35]
第三層：假設（Assumption）分歧
挖到最底層，五家的差異集中在四個假設上。
一、通用性（Generalizability）能走多遠？
這是 ARK 和其他家最大的分叉點。Goldman 認為機器人短期內只能在特定場景可靠工作（安保、引導、物流搬運），通用性還遠不到；ARK 認為通用性是「一旦突破、市場就跳升」的非線性事件，VLA 模型和 NVIDIA Cosmos 等世界基礎模型的進展讓它相信曲線更陡；Barclays 與 Morgan Stanley 居中：通用性會來，但 2030 年前主要在受控環境漸進推廣。[^27][^35]
二、成本跌到哪裡、要多久？
Goldman 的低端數字針對的是中國低成本廠商（如 Unitree），Morgan Stanley 的預估較接近目前歐美品牌的主流定價走勢。這個落差本身，就是中美競爭格局的縮影。[^34]
三、家庭市場會不會開放？
ARK 把家庭端看得和製造端一樣重要（各佔 24 兆的約一半），邏輯是「隱形 GDP 解鎖」——家務勞動目前不計入 GDP，但機器人一旦能承擔，這是全新市場而非替代既有市場。Goldman 與 Barclays 都認為 2030 年之前家庭端不會成為主力，複雜的家居環境、安全責任歸屬和保險覆蓋問題尚未解決。Citi 最保守：估計 2050 年已開發國家家庭端滲透率僅約 22%，發展中國家僅 11%。[^42][^35]
四、中國的角色。
這是所有報告中落差最明顯的地方。2025 年，中國廠商 Unitree 一家就出貨逾 5,500 台人形機器人，中國整體佔全球人形機器人安裝量 80% 以上。 背後的結構性優勢，是從電動車產業繼承的零組件供應鏈——致動器、精密馬達、稀土磁鐵的本地化率已高達 70% 至 85%，原型機的生產週期是歐美的十分之一。Goldman 把中國廠商視為成本下行的主要推手；Barclays 估計，若當前趨勢持續，機器人到 2035 年可填補中國因老齡化造成相當大比例的勞動力缺口。[^43][^44][^27]
一個故事的三個章節
拆完為什麼不同的大行報告，會發現它們其實在講同一個故事的不同章節。把它們按時間排好，數字各歸各位。
第一章｜工廠先行（2024–2028）。 成本從約 15 萬美元快速降到 15,000 至 40,000 美元，早期客戶（BMW、Amazon、Foxconn）在受控環境部署、驗證投資報酬，全球出貨從每年數萬台爬向數十萬台。這是幾十億到幾百億美元的市場，不是幾兆——但它決定了技術能不能站得住腳。Goldman 講的是這章。
第二章｜服務業開放（2030–2035）。 成本繼續下降，人形機器人進入餐飲、零售、長照等環境不規則的場景開始划算，採用曲線出現 S 型轉折。服務業的開放是最大的非線性機會，因為它佔 OECD GDP 七成以上，卻幾乎從未被傳統機器人觸及。Barclays 講的是這章。
第三章｜規模放大（2035–2050）。 若通用性真的突破、家庭市場打開、機器人跟著類似智慧型手機的路徑全球普及，那麼 5 兆（Morgan Stanley）到 24 兆（ARK）的數字在邏輯上才站得住。但這一章的前提，是第一、二章先被驗證。Morgan Stanley 和 ARK 講的是這章。
五家各自在問不同章節的問題：
Goldman 在問：第一章能不能順利完成？
Barclays 在問：第一、二章之間的橋怎麼搭？
Citi 在問：到了第二章，滲透率會是多少？
Morgan Stanley 在問：如果三章都順利，整體市場是什麼規模？
ARK 在問：如果第三章的天花板完全打開，上限在哪裡？
工廠採購主管、長期基金經理、主題型投資者，本來就會看不同的預測。
Takeaway：看 Physical AI，先問四件事
看到任何 Physical AI 的數字，先問：
口徑是什麼？ 只算人形硬體？廣義 Physical AI？還是含軟體與服務的整體生態？
關鍵假設是什麼？ 通用性走多遠、成本跌多深、家庭市場開不開。
這家機構的立場是什麼？ 賣方研究、買方主題基金，還是中立學術？
這是基準情境，還是上限情境？ 同一家往往兩者並存——Goldman 的基本情境 38 億 vs 藍天情境 1,540 億，Barclays 的基準約 400 億 vs 樂觀 2,000 億。[^17][^26]
這個故事不是「會不會發生」的問題，而是「哪一章、多快」的問題。
這篇說完了。但有一個問題還沒答
現在知道 Physical AI 解決什麼問題、五大機構怎麼估值、整個故事的時間軸是什麼形狀。
但如果你是投資者，知道這些之後，一個問題會自然浮出來：
如果這個故事確定會發生，誰會是真正的受益者？
一台機器人從零到走進工廠，中間經過多少雙手？整個產業鏈裡，哪一層的定價權最強？哪裡是真正的瓶頸？
McKinsey 2026 年 4 月的報告指出，有一個答案讓很多人意外：不是算力，不是電池，而是感測器——一個目前沒有廣泛量產、供應鏈尚未成形的元件，卻是讓機器人真正「看懂」物理世界的關鍵。報告把機器人 BOM（物料清單）的每一個元件按「成本佔比」和「差異化能力」兩個軸排列，感測與感知這一層落在右上角：高價值、高差異化、但供應商基礎最不成熟。
這是下一篇要拆的問題：一台機器人的 value chain，從上游到下游，定價權在哪裡？瓶頸在哪裡？投資機會又在哪裡？
編按：Morgan Stanley 2035 年人形機器人的具體里程碑數字，目前只有 2050 年的 5 兆美元與約 10 億台有第一手文件確認；2035 年的美元規模屬從 S 曲線回推的推算，引用時宜標示。Goldman Sachs「1,540 億藍天情境」（$154 billion）廣為流傳，但目前未能以 Goldman 第一手文件獨立確認，引用宜標為待核實。坊間流傳「METI 撥 3,873 億日圓專供 Physical AI、目標 2040 年佔全球市場 30%」一說，亦無法以官方文件獨立確認為 Physical AI 專項，與更廣義 AI／半導體預算口徑疑有混用，本文不採用此數字。[^17][^30]
會員專享：
個人投資者最大的結構性劣勢不是資訊——2026 年，你能讀到的財報、電話會議、賣方報告跟機構投資者幾乎一樣多。你的劣勢是時間。你有正職。你不可能每天花八小時追蹤每一棵樹的每一根枝條。
所以我建了一個工具。
我把這系列文章教的整套方法——假設、樹、證偽、每日覆驗——寫成了一套 AI 系統。它每星期自動追蹤我們社群正在研究的每一棵樹，抓取最新的數據，更新每一根枝條的狀態：✅ 假設仍然成立、⚠️ 出現需要關注的信號、❌ 枝條被砍斷。
每天早上，付費會員打開 Slack，看到的不是一堆新聞標題，而是一棵活的樹——哪根枝條變綠了，哪根變黃了，哪根被砍斷了。你不需要自己讀完所有財報和電話會議記錄。你只需要看哪根枝條的燈號變了，然後決定：我的假設還活著嗎？
這不是訊號服務。不會告訴你「買」或「賣」。它做的事情只有一件：幫你用科學方法管理你的假設。篩子還是你的。決定還是你做。它只是幫你把篩孔對準最新的數據。
