报告行业投资评级 * 报告未在核心结论或目录中明确给出统一的行业投资评级，但通过分析“重点公司估值表”可推断其关注相关领域 [122][123] 报告的核心观点 * 物理AI正推动工业AI进入生产闭环，工业智能的价值衡量标准正在从人效提升转向良率、能耗、节拍、停机时间等生产指标，其价值锚点面临重估 [4] * 工业是物理AI最值得重视的落地场景，因其具备物理对象、连续数据流、仿真验证机制和清晰的ROI，满足“可验证、可量化、可付费”的条件 [4][15][16] * NVIDIA的范式揭示了物理AI的本质是算力、仿真、世界模型和执行系统的协同工程，未来AI进入真实工厂前需先在数字孪生和仿真环境中完成验证 [4][24][27] * 工业软件的入口价值将被重新定价，其长期方向是演变为工业操作系统，成为AI调用工业流程、理解业务上下文、连接执行层的关键接口 [4][62][85] * 工业AI的长期壁垒不在于模型本身，而在于工业体系的沉淀，包括系统记录、数据上下文、仿真验证、OT执行闭环以及由此建立的安全与信任 [4][104][120] 1. 物理AI：工业智能的范式切换 * 定义与演进：物理AI是一个系统工程，目标是构建能理解、推理并直接作用于物理世界的智能系统 [7][9] 其发展经历了从传统工业AI（数据分析、知识问答）到工业Agent（调用软件、编排流程），再到物理AI（仿真验证、执行反馈）的形态演进，价值从信息处理效率转向重构工业闭环 [8] * 核心变化：工业侧的核心变化在于AI输出从“可读”的内容、建议升级为“可验证、可执行、可反馈”的参数、动作、路径和调度策略 [10][12] 价值衡量标准从语义准确转向物理可行、安全可控、实时稳定，商业价值从信息处理效率转向良率、能耗、节拍、停机时间等直接生产指标 [12][13] * 落地场景：工业是物理AI的主战场，由四大要素驱动落地闭环：明确的物理对象（设备/产线/机器人）、连续数据流、成熟的验证机制（CAE/数字孪生）以及清晰的ROI闭环（良率/能耗等） [14][15] * 价值分层：工业AI的价值随执行深度提升而增加，分为三层：1）知识助手（文档问答等），提升人效但壁垒有限；2）流程优化器（质检/排产等），ROI验证最清晰；3）自主执行系统（设计生成/产线控制等），重构工业闭环，门槛最高但空间最大 [17][18][19] * 发展路径：工业AI从Copilot（辅助工程师）到Agent（调用工业软件），最终走向Autopilot（受控执行闭环），执行深度的提升不断打开其价值空间 [20][21][22] 2. 技术底座：数字孪生、世界模型与仿真优先 * NVIDIA范式：英伟达构建了从仿真底座到工业执行的物理AI平台生态，包括Omniverse（数字孪生与仿真）、Cosmos（世界模型与数据）、Isaac（机器人训练）和Thor/Jetson Thor（边缘算力），揭示了物理AI需要多技术协同的系统工程本质 [24][25][27] * 数字孪生升级：数字孪生的产业定位正从展示监控转向AI决策的前置验证平台，未来AI生成的产线改造、工艺参数等需先在数字孪生环境中测试，再进入真实生产系统 [32][33][36] * 世界模型作用：世界模型（如Cosmos）使工业AI从“识别发生了什么”的状态识别，升级为“推演调整后会发生什么”的结果推演，提升了前瞻决策能力，可用于评估工艺调整、设备状态变化等 [37][42][48] * 仿真验证核心：仿真验证是物理AI从“给建议”进入“受控执行”的关键，决定AI输出能否直接作用于核心设备，其战略价值因AI而上升 [49][54][118] * 数据供给变革：工业AI的数据瓶颈将通过真实数据、仿真数据、合成数据三类供给共同缓解，CAE、数字孪生和世界模型成为新的重要数据来源 [55][56][57] * 虚实迁移能力：物理AI从Demo进入真实工厂的关键在于Sim-to-Real（从仿真到现实）的持续校准能力，需通过域随机化、真实数据校准和生产反馈迭代来缩小虚实差距 [58][59][60] 3. 系统重构：从工业软件到工业操作系统 * 角色升级：工业软件（CAD、CAE、PLM、MES、SCADA等）正从记录、管理和协同的工具，升级为AI调用工业流程、理解业务上下文的关键接口层 [62][78] * 云化与平台化：工业软件的云端迁移实现了数据对象化、协同实时化和商业模式订阅化，为AI提供跨项目、跨流程学习的数据基础，是工业AI落地的重要前置阶段 [72][75] * 架构重构：工业AI推动工业软件架构从“工具软件”向“工业操作系统”重构，交互层变为自然语言+Agent编排，数据层变为知识图谱+向量库，执行层变为Agent调用API [78][82] * 工业操作系统架构：长期形态是三层架构：AI编排层（Agent/模型）、工业软件层（CAD/MES等）、执行与数据层（PLC/机器人/传感器），越靠近核心流程和执行接口，价值分配能力越强 [84][85] * 数据与执行关键：工业数据的价值取决于其是否具备设备、工艺、质量等完整上下文，数据上下文越完整，AI决策质量越高 [86][88] 而AI进入执行系统的关键在于OT连接、权限边界与可追溯机制 [87][88] * 商业化路径：工业AI商业化将从软件模块增量和高阶订阅起步，中期走向卖流程自动化，长期可能出现按结果（如节省停机时间、提高良率）付费和平台生态分成 [95][96][97] 4. 工业AI的壁垒如何体现？ * 真壁垒所在：工业AI的真正壁垒不在模型本身，而在模型周围的一整套工业体系，包括工业数据的上下文、系统记录、仿真验证能力、从建议到执行的闭环能力以及工业级安全与责任体系 [104][120] * 壁垒一：数据上下文：根本障碍不是“数据不够多”，而是数据缺乏工业语义、流程上下文和历史反馈关联，裸数据对大模型几乎没有工业价值 [105][108] * 壁垒二：系统记录：掌握客户设计、生产、质量真相的权威数据源（系统记录），其迁移成本极高，是工业软件企业最深的结构性壁垒，模型可替换，但系统入口难以复制 [109][113] * 壁垒三：仿真与验证：工业AI的答案必须物理可行，CAE、仿真和数字孪生作为AI决策的“验证器”，其战略价值将显著上升 [114][118] * 壁垒四：执行闭环与信任：只有进入包含感知、理解、推理、验证、执行、优化六个环节的完整闭环，AI才有长期价值 [119] 工业级的安全、合规、责任体系及由此建立的客户信任，是新进入者难以短期建立的信用壁垒 [120] 5. 重点公司 * 报告列举了14家与物理AI及工业智能相关的重点公司，并提供了截至2026年6月24日的市值、归母净利润及市盈率数据，包括中控技术（市值961亿元）、鼎捷数智（106亿元）、能科科技（125亿元）、智微智能（346亿元）、索辰科技（246亿元）、群核科技（184亿元）、中望软件（102亿元）、华大九天（588亿元）、瑞芯微（780亿元）、天准科技（234亿元）、思看科技（118亿元）、奥比中光-W（517亿元）、五一视界（323亿元）、凡拓数创（61亿元）等 [122][123]