如果說過去兩年 AI 投資的主戰場還是在資料中心、GPU 和雲端算力，那麼 2026 年開始，黃仁勳已經很明確地把市場的視線往下一個場景推了：physical AI。從 GTC 到台北的 Computex，NVIDIA 一直在講同一件事——AI 不只是會說話、會寫字、會生成圖片，它接下來還要真的走進工廠、倉庫、醫院和物流系統裡，變成可以感知環境、能跟人協作、也能自己動起來的機器。 這個轉變很重要，因為它意味著 AI 的供應鏈，將不再只是一條「把 token 算出來」的鏈，而是會開始接上另一條更古老、也更麻煩的工業供應鏈。

很多人聽到機器人，第一反應還是去想模型夠不夠聰明、晶片夠不夠快，但如果你真的把這條鏈拆開來看，就會發現 physical AI 的難點，往往不在螢幕裡，而在地板上。因為一個會動的系統，不只要會推理，還得看得準、抓得穩、走得安全、接得進現有流程。這時候供應鏈的關鍵就會從單一算力，慢慢擴展到感測器、工業相機、深度相機、馬達、減速機、控制器、邊緣運算模組，以及更重要的——把這些東西真的整合起來的人。 從投資角度看，這條鏈比純軟體 AI 更不浪漫，但也更真實，因為它每往前走一步，都要跨過認證、維護、安全標準和現場部署這幾道門檻。

這也是為什麼我越來越覺得，physical AI 時代真正值得看的瓶頸，未必是大家最熟悉的那幾家 AI 大公司，而可能是那些提供「眼睛」「手感」和「現場整合能力」的環節。最近在一些產業討論裡，越來越多人開始提到同一個問題：機器人真正卡住的地方，往往不是 intelligence，而是 sensing。 模型可以在模擬環境裡學會很多事，但真到了現實世界，光靠視覺其實不夠。高精度抓取、插接、微調、避障、跟人協作，背後需要的不只是鏡頭，而是深度感知、力回饋、觸覺資訊，以及一整套能把這些訊號轉成穩定動作的資料管線。 換句話說，在 physical AI 這條鏈上，感測器和資料回路很可能會變成新的流量閥門。

另一個很現實的瓶頸，則是供應鏈本身的地緣與製造問題。Computex 期間有不少報導都指出，今天很多機器人公司雖然講的是本地化、AI 化、邊緣智慧化，但實際上在鏡頭、鏡頭模組、深度相機和某些硬體組件上，仍然很難完全脫離中國供應鏈，因為那裡的選項更便宜、更齊全，也更有規模。 一旦客戶因為安全或政策原因要求去中化，成本就會立刻往上跳，某些案子的製造成本甚至會增加 10% 到 20%。 這種情況對投資人來說很值得注意，因為它提醒你：physical AI 的瓶頸不只是技術，也包括「誰能以合理成本把東西真正做出來」。有些公司會輸在模型不夠強，更多公司可能輸在供應鏈不夠穩。

所以，如果把 physical AI 當成下一階段的主題來看，我覺得投資人的問題也應該換一下。過去你可能先問：哪一家模型最強？哪一家機器人最會講故事？但接下來更值得問的，可能是：哪家公司已經真的部署到現場？它的感測器和控制系統是不是自己的能力圈？它要不要依賴別人家的底層硬體？它能不能進入高標準行業，比如醫療、半導體製造、智慧物流，而不只是做一個 demo 很好看的機器？ 這些問題聽起來不酷，卻更接近現實世界裡資本會不會持續流進去的答案。

從量化交易的角度看，physical AI 最有意思的地方，是它會把 AI 投資重新拉回「工業股思維」。也就是說，市場未來不一定只獎勵那種最會講 AI 故事的公司，也會開始獎勵那些供應鏈扎實、認證週期長、切進客戶流程後不容易被替代的工業型公司。 這些公司通常不會有最炫的敘事，但它們一旦卡進系統裡，地位反而更穩。AI 從雲端走到地板，投資人的視角也應該跟著從 PPT 回到工廠現場。下一篇，我想把整個系列再收束回來，談談當市場每天都在丟出新的 13F、新的熱點、新的敘事時，我們到底該怎麼避免被標題牽著走。

撰文：陳健君（Jason）

OLAXBT 創辦人、數據科學家與量化交易員、HKICT Award FinTech Gold Award（2025）得主