川海智库

报告概述

这份由PitchBook机构研究团队撰写的分析师笔记，聚焦Physical AI在仓储与物流自动化领域的最新进展和投资动态。报告以全球仓储机器人、人形机器人、自主配送及相关基础设施企业为研究对象，覆盖2017年至2026年上半年的融资交易数据，并从市场地图、技术路径、经济性测算和安全认证等角度展开分析。报告通过对比传统确定性自动化与物理AI的差异，解释了后者为何能处理混合SKU拣选、退货处理、动态车队协调等此前难以自动化的场景。对于物流科技从业者、投资人以及关注自动化替代人工的产业研究者，这份报告提供了结合资本数据、案例与判断的快速入口。

报告的核心结论

物理AI是仓储自动化逻辑的根本性转变

传统自动化依赖工程师预先编写的固定规则，一旦遇到新SKU、布局变化或异常情况就会停机或需要重新工程。物理AI从海量数据中学习世界表征，能够泛化到未见过的情况，并随部署和数据积累不断改进，使仓库从静态工程系统转向自适应、概率性的系统。这一转变是理解当前自动化投资热潮的基础。

劳动力成本与短缺正加速推动物理AI采用

仓储行业面临劳动力成本高企、招工困难和流失率惊人的结构性压力，同时电商吞吐量持续增长。与此相对，机器人硬件和模型成本在快速下降，使得自动化替代人工的经济拐点比预期更早到来。报告认为，劳动力经济是物理AI落地的最直接驱动力，也是企业投资回报计算中的核心变量。

自动化部署仍集中于资本雄厚的大型企业

领先巨头通过大规模投资和自研技术建立了显著优势，而高额的前期投入和复杂的技术整合让中小竞争者难以跟进。即便资金充足的企业也可能遭遇失败，头部玩家在部署过程中同样面临集成、协调和财务减值风险。这一格局决定了物理AI短期内的渗透广度有限，但单点深度在增加。

安全与认证是物理AI规模化扩展的关键瓶颈

物理AI行为具有概率性，不像传统确定性机器那样可以通过审查逻辑来证明安全，因此工业客户在获得可靠安全认证前不会批量部署。报告指出，NVIDIA等企业已开始用专门的安全平台应对这一挑战，但认证框架的成熟仍将是决定物理AI能否走出试点阶段的主要商业障碍。

物理AI投资在2026年上半年急剧升温

市场数据显示，2026年上半年的交易数量已接近2025年全年水平，而吸引的资本总额更是大幅超过上年全年，多笔大额融资超过十亿美元。投资方结构也从传统风投扩展到科技巨头和战略投资者，反映出市场对物理AI商业化前景的信心正在快速增强。报告认为这一趋势短期内仍将持续。

报告回答的关键问题

什么是物理AI，和传统仓库自动化有什么区别？

物理AI是从数据中学习世界表征并依据经验做决策的人工智能，而传统自动化靠工程师提前写好的规则和决策树运行。前者能处理没见过的新商品、新布局和动态变化，并随数据增加不断变好；后者只能在编程设定的范围内高效重复，遇到意外就会停机。简单说，物理AI让系统适应环境，而不是环境适应系统。

为什么仓储行业如此迫切地需要自动化？

根子在于劳动力供不应求且越来越贵。仓库工作体力消耗大、受伤率高，人员流动非常快，企业常年面临招工和培训压力，而电商订单还在不断增长。与此同时，机器人和AI方案的落地成本持续下降，使得用自动化替代人工在经济上越来越划算。报告认为，这种剪刀差是推动仓储自动化加速的根本力量。

物理AI在仓库里能做什么以前做不了的事？

它更适合处理传统自动化做不了的“长尾”可变任务，比如从装满混杂商品的料箱中拣选特定SKU、分拣不规则的退货、让人形机器人完成跨工序的通用劳动，以及动态协调几百台不同型号的移动机器人避免拥堵。这些任务变量多、环境不可控，过去只能靠人，现在正成为物理AI的核心应用场景。

投资仓库机器人多久能回本？

报告给出的示例是，一套约300万美元的机器人拣选系统替换20名全职拣选员，每年可节省约110万至120万美元人力成本，回本周期约2.5至3年，扣除维护后即贡献利润。但硬件投资只是起点，还要算上系统集成、安全认证和运维管理成本。实际回本周期会因订单结构、吞吐水平和部署规模而显著浮动。

物理AI安全认证难在哪？NVIDIA的Halos能解决吗？

传统机器行为可以预先审计，因此容易通过ISO/OSHA等安全认证；物理AI的行为是概率性的，出错方式难以固定，传统认证方法很难证明其安全性。NVIDIA的Halos是一个全栈安全系统，希望在提供安全框架和认证基础上，让机器人公司直接构建产品，从而降低工业客户对AI机器人的责任担忧，为规模化部署扫除障碍。

报告中的代表性数据

$8.2B

物理AI融资总额（2026年上半年）

2026年上半年（截至6月30日），根据PitchBook数据，全球物理AI相关公司在2026年上半年筹资超过82亿美元，是2025年全年38亿美元的两倍以上，显示投资显著加速。

约25%（先进自动化约10%）

全球仓库自动化渗透率

2026年，报告引用行业统计，全球约25%的仓库已实施某种形式的自动化，其中包含AS/RS、自主移动机器人和机器人拣选在内的先进自动化占10%。

50%至70%

劳动力占仓储运营成本比例

报告发布时，在典型履约中心，直接劳动力（拣选、包装、分拣等）占运营总成本的50%至70%，是评估自动化经济性的核心变量。

以上数据根据报告摘要整理，具体统计口径和数值请以完整报告原文为准。

完整报告包含什么

  • 全球物理AI投融资全景图：包括2017年至2026年上半年的年度融资总额和交易数量图表，以及按基础模型、训练数据、人形机器人、拣选操作、配送和自动驾驶卡车等细分的市场地图。读者可以直观看到资本在哪个环节聚集、哪些赛道正在升温，以及不同年份的波动趋势。
  • 主流投资者与头部公司档案：列出了Sequoia、NVIDIA、Khosla Ventures等投资机构的交易数量，以及Figure、Skild AI、Physical Intelligence、Apptronik等公司的最新融资规模、估值和成立年份。对于想要快速了解生态格局的人来说，这部分相当于一份参考名录。
  • 传统自动化与物理AI的系统性对比框架：从核心逻辑、处理新颖性、性能提升、失败模式、最佳适用任务、环境依赖、资本模式、集成复杂度、人工监督和安全性等十个维度展开比较。这一框架能帮助技术负责人判断哪些场景适合沿用传统自动化，哪些值得引入物理AI。
  • 驱动因素与挑战的深度解读：详细展开了劳动力短缺、电商增长、空间利用率、安全和竞争等驱动因素，也分析了成本、技术复杂度、劳动力管理和市场因素等挑战。报告特别讨论了数百台机器人协同引发的拥堵问题，以及WMS、控制系统和ERP层层集成的复杂性，帮助读者理解落地的真实难度。
  • 经济性测算与ROI模型：以机器人拣选系统为例，拆解了直接人力节省、吞吐量提升、错误率下降、房地产效率改善和工伤责任减少等多项收益来源，并给出了投入产出比、回本年限等关键指标。对于计划立项的企业，这部分提供了可参考的计算思路。
  • 关键案例与安全认证前沿：包含Amazon部署第100万个机器人、Walmart投资改造配送中心、Kroger在自动化项目上的减值等标志性案例，以及NVIDIA Halos全栈安全系统的介绍。这些内容有助于读者理解巨头策略和行业正在解决的安全瓶颈，也为后续研究提供了延展线索。

本页内容由川海智库整理，用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限，部分观点、数据、统计口径或表述可能存在偏差，具体内容请以完整报告原文为准。

相关报告