有券商认为，物理AI或是未来三年及以上持续的投资主线，看好机器人、AIDC、智能驾驶三个方向。
这一判断的核心逻辑是：数字AI的模型能力与需求整体向上，但结合估值与预期，产业或进入预期分歧较大的阶段；物理AI则处于更早的阶段，技术路径、数据积累和商业化落地都在推进中，投资窗口更长。
数字AI：能力向上，但预期分歧加大
在数字AI方面，模型能力与需求整体向上，但结合估值与预期，产业或进入预期分歧较大的阶段。
这一判断的含义是：数字AI的基本面没有恶化，模型能力仍在提升，需求仍在增长，但估值已经反映了较多乐观预期。当估值与预期走到基本面之前，市场对后续进展的判断就会出现分歧——同样的模型迭代，有人看到的是能力跃升，有人看到的是边际放缓。
分歧加大不意味着产业趋势逆转，而是意味着投资难度上升。在预期分歧阶段，单纯依赖“叙事”的标的波动会加大，需要更关注估值与业绩的匹配度。
物理AI（机器人）：越接近关节与手部控制，越依赖专用模型与真实数据
在物理AI（机器人）方面，大模型显著提升语义理解，但越接近关节与手部控制，越依赖专用模型与真实数据，数据仍是最稀缺的要素。
这一判断拆开了机器人技术栈的两个层面。上层是语义理解——大模型擅长处理语言指令、场景识别、任务规划，这部分能力正在快速提升。下层是关节与手部控制——涉及运动学、动力学、力控和精细操作，这部分不能靠通用大模型解决，需要专用模型和真实物理数据。
数据是最稀缺的要素，原因在于：语言数据可以从互联网大规模获取，物理交互数据只能在真实场景中采集。机器人抓取一个物体、拧开一个瓶盖、行走一段不平坦的路面，这些数据无法从文本中学习，只能通过实际执行积累。数据采集的成本和速度，决定了机器人能力提升的节奏。
物理AI（汽车）：关注度低于机器人，但产业推进有序
在物理AI（汽车）方面，智能驾驶的市场关注度低于机器人，但产业推进有序。
智能驾驶是物理AI中商业化落地更早的方向。与机器人相比，智能驾驶的数据采集规模更大、法规框架更清晰、商业模式更成熟。市场关注度偏低，反而意味着预期没有被过度推高，产业进展更容易被低估。
“关注度低但推进有序”这一组合，在投资上往往对应更稳健的参与窗口。机器人方向弹性大但不确定性高，智能驾驶方向弹性小但确定性更强，两者在物理AI的主线下形成互补。
三个方向的共同点与差异
机器人、AIDC、智能驾驶三个方向，共同构成物理AI的投资主线，但各自所处的阶段不同。
机器人处于技术验证向商业化过渡的阶段，数据是瓶颈，专用模型和真实数据决定能力上限。AIDC（AI数据中心）对应算力基础设施，是物理AI的底层支撑，需求确定性较高但受资本开支周期影响。智能驾驶处于商业化加速阶段，关注度低但推进有序，确定性相对更强。
三个方向的差异，决定了配置节奏的不同：AIDC看资本开支周期，智能驾驶看渗透率和法规进展，机器人看技术突破和数据积累。三者并非同涨同跌，而是可以在物理AI的主线下形成结构性的配置组合。
观察：物理AI的“持续性”，来自数据与场景的积累速度
“未来三年及以上持续的投资主线”这一判断，成立的前提是物理AI的产业进展能够持续兑现。
数字AI的瓶颈在算力和模型，物理AI的瓶颈在数据和场景。语言数据可以规模化获取，物理交互数据只能逐场景积累。这意味着物理AI的进展会比数字AI更慢，但也更扎实——每一个场景的数据积累，都是竞争壁垒。
机器人方向，数据是最稀缺的要素；智能驾驶方向，场景和数据积累已经在规模化推进；AIDC方向，算力基础设施的需求与物理AI的进展相互支撑。三个方向分别对应数据积累的不同阶段，也对应不同的投资节奏。
接下来需要观察的是：机器人领域真实数据的采集规模能否加速、智能驾驶的渗透率能否在低关注度下持续提升，以及AIDC的资本开支能否与物理AI的算力需求形成正向循环。物理AI的主线逻辑成立，但三个方向的兑现节奏会有先后，配置上需要区分“弹性”和“确定性”。
