AI接下来会如何发展？未来十年，人与机器将如何重新分工？英伟达CEO黄仁勋给出了最新答案。 在拉斯维加斯的2026年CES展会上，黄仁勋用一场90分钟的演讲，为全球科技界指出了一个新方向。 在这位"黄衣教主"看来，人工智能已经正式迈入全新阶段——从理解语言进化到理解物理世界，他将这个转变称为"物理AI"的 "ChatGPT时刻"。 黄仁勋自信地预测，2026年，将有望看到能力达到"人类级别"的机器人。 诸多业内分析认为，这意味着，人工智能将从处理文本和图像的虚拟领域，迈向一个能理解重力、摩擦、材质，并与物理世界进行实时、合理交互的全新 纪元。 在AI从业人士马哥看来，"物理AI"的概念，并不难以解读。实际上，从国内诸多相关企业的动作来看，"物理AI"已经初见端倪，"当然，面临的挑战依然 不小。" "可以预见的是，2026年，必定是'物理AI'爆发的一年。"马哥笃定地指出，在这个赛道的每一位玩家，要做的，便是尽可能地更快地抢占高地，"虽然这 并不容易，但动作慢了，便要挨打，这是毋庸置疑的。" 01 "物理AI"迎来"ChatGPT时刻" 2025年7月，黄仁勋曾与之江实验室主任、阿里云创始人王坚对话时首次明确提 ...

文章核心观点 - AI行业的发展重心正从追求单点模型突破转向构建完整的工业化能力体系 英伟达CEO黄仁勋在CES上宣布计算行业每一层都需重写 强调AI的真正跃迁依赖于可复制、可部署、可验收且能规模化的工业化能力[1] - 英伟达通过发布完整的工业化体系 定义了AI竞争的新焦点 即从模型能力竞争转向工业化速度与体系的竞争[45] 应用架构变革 - AI应用构建方式发生根本转变 从“写软件”转变为“训练软件” 开发者角色从编程转向训练智能体理解如何做事[4] - 底层逻辑发生三大变化：从编程到训练、从CPU到GPU的加速计算、从调用单一模型到架构能调用多模型和工具的工作智能体[4] - 英伟达提出“AI蓝图”架构 这是一套可被复制和定制的通用方法 企业可基于此教AI专属技能 工程师可插入自有数据 使各行业能建立自主协作的AI[6][7][8][9] - AI应用的底座从软件架构转变为智能架构[10] 算力基建升级 - 决定AI能否广泛应用的关键是底层算力“发电厂” 英伟达发布Rubin AI平台作为核心引擎[11][12] - Rubin平台是一次全套计算方式的重做 包括六大芯片协同设计、物理结构彻底重构以及能效革命性提升 组装时间从2小时缩短至5分钟[13] - 推出Rubin旨在解决“Token通胀”带来的算力危机 模型规模年增10倍 推理Token生成量年增5倍 但Token价格年跌10倍[14] - Rubin平台相比前代Blackwell实现显著提升：训练10万亿参数模型所需系统仅为Blackwell的1/4 每瓦性能是Blackwell的10倍 Token生成成本是Blackwell的1/10[16] - 一个500亿美元、1吉瓦电力的数据中心使用Rubin可比使用Blackwell多产出10倍收入[16] - Rubin已全面投产 旨在为全行业提供标准化的算力底座[16] 物理AI与机器人工业化 - 机器人正成为AI工业化后第一批量产的实体产品 被归类为“Physical AI” 即能理解物理世界运作规律（如重力、摩擦）的AI[17][18][19] - 英伟达建立了完整的Physical AI训练体系 核心是使用“模拟计算机”在虚拟世界中反复演练 关键工具包括世界基础模型Cosmos和物理模拟平台Omniverse[22][23][24][30] - 自动驾驶AI系统Alpamayo是该方法论的验证 它是全球首个会推理的端到端自动驾驶系统 能解释行为原因以应对长尾场景[24][25] - Alpamayo的训练数据结合了人类驾驶里程、Cosmos生成的数十亿公里虚拟数据以及精细标注的边缘案例 并采用双堆栈安全设计[26] - 该系统计划于2026年Q1在梅赛德斯-奔驰CLA车型上路 且已开源[26] - 此工业化路径适用于各类机器人 英伟达展示的Groot人形机器人等均在Omniverse中训练 将部署于仓库、医院等多场景[27][28] 开源生态战略 - 英伟达通过开源模型、数据和工具链来降低AI门槛 旨在让每家公司都能构建自己的AI 其战略是做AI时代的“台积电” 专注于卖芯片和算力基础设施[31][34][40] - 开源对英伟达的好处包括：1) 扩大市场规模 激活需要自训练模型的成千上万家长尾企业需求[32] 2) 建立事实标准 通过开源Nemo工具链、Cosmos、Omniverse、Blueprint等 深度绑定其芯片生态[33][35][36] 3) 锁定生态 使合作伙伴如Palantir、西门子、Meta等形成依赖 增加切换成本[37][41] - 该战略对产业意味着：1) AI竞争从模型能力转向工业化能力（训练速度、部署成本、场景落地）[37][42] 2) 为创业公司创造机会 使其能基于开源模型和行业数据建立专属AI能力[38] 3) 促使云厂商在深度集成闭源模型与支持开源生态之间做出选择[39] - 英伟达的产业布局分为三层：开源模型与工具链降低门槛、Rubin芯片与算力基础设施锁定生态、Physical AI标准路径定义下一代产业[43][44]

宏观与固定收益 - 11月广义财政（一般公共预算+政府性基金）支出同比降幅较10月的19.1%收窄至1.7%，剔除注资特别国债和用于化债的“特殊专项债”后同比降幅亦较10月的20.2%收窄至3.8% [2] - 修正后的（季调后）广义财政支出环比增长从10月的15%进一步上行至33%，可能主要反映政策性金融工具投放和地方债务结存限额下发带动信用扩张 [2] - 今年前11个月增值税/企业所得税累计同比增长3.9%/1.7%，快于去年全年的-3.8%/-0.5% [2] - 海外对国内映射的四条主线为：外需影响盈利预期，AI链贡献热点，地缘风险有所降低，海外流动性和人民币升值对国内资产影响偏正面 [4] - 国内股债跷跷板效应短期弱化，年底阶段盈利、叙事、资金面青黄不接，短期股指向下有支撑但向上空间不清晰；债市遇利好不涨反跌 [4] 证券行业与重点公司 - 中金公司拟通过A股换股吸收合并东兴证券、信达证券，交易完成后中央汇金将直接持有中金24.44%股份 [5] - 合并后中金净资本将增长105%，多项财务指标迈入行业前5，有效提升客群基础、网点数量，在财富/投行/资管等多领域互补 [5] - 并购整合浪潮下证券行业持续向头部集中，且权益市场景气度较高、一流投行建设支持政策可期 [5] 互联网与科技行业 - 腾讯控股的大逃杀玩法已进入成熟阶段，并加速向平台化演进（引入多元玩法），有望维持常青；“搜打撤”射击赛道仍具成长空间，预期腾讯市占率持续提升 [6] - AI从制作、体验与运营多维赋能游戏，腾讯游戏工业化效率不断提升，版本更新频率显著加快（如《三角洲》赛季更新仅需2-3个月） [6] - 腾讯强调游戏即服务（GaaS），以长线运营为核心巩固竞争力；腾讯云加快海外本地化基建布局，有望凭借性价比优势持续渗透 [6] - 小马智行25Q3营收2544万美元，同比+72%、环比+19%；毛利467万美元，毛利率18%，同比+9pcts、环比+2pcts；Non-GAAP归母净亏损5472万美元 [7] - 小马智行预计26年Robotaxi将扩至3000台（当前961台），且第七代单车BOM成本再下降约20% [7] - 小马智行继西湖集团后再与阳光出行合作，轻资产模式加速；已在8国落地，与Uber、Bolt等平台深度协同；港股上市募资超8亿美元，目前现金储备超14亿美元 [7] 评级变动 - 英科再生评级由“增持”上调至“买入”，目标价40.04元 [8]

AI发展阶段的转变 - AI领域从“手工作坊”走向工业化仅花费不到3年时间，远快于西方国家近200年和中国70余年的传统工业化进程 [2] - AI落地重点已从“项目交付”转变为“价值交付”，行业共识是下一轮AI卖的不是工具而是收益 [2] - 国家层面推动AI价值落地，国务院提出三阶段发展目标：2027年AI与六大重点领域深度融合且应用普及率超70%，2030年普及率提升至90%以上，2035年全面步入智能经济和智能社会 [2] 国内外AI发展路径差异 - 国际AI发展更侧重基础理论研究、算力优势及金融属性来驱动整体发展 [3][4] - 中国凭借工业全品类、统一大市场及政策连续性，在消费互联网时代依靠场景和应用取胜，如移动支付和健康码的成功实践 [3] - 中国企业无需在基础大模型上与OpenAI等巨头直接抗衡，应聚焦将基础模型能力与庞大垂直行业场景结合，解决“最后一公里”落地问题 [4] AI落地面临的挑战 - AI应用落地存在三大核心问题：开发周期过长、投入成本过高、模型质量在实际业务中成效过低 [6] - 效率方面，传统政务问答模型需5名工程师耗时近一个月进行数据标注，模型制造周期长达90人天且质量依赖工程师经验 [6] - 成本方面，企业需单独采购算力、组建团队和搭建平台，导致单个模型成本高达数千万，全球AI公司年均研发投入增长45%但商业化落地率不足30% [6] - 模型质量方面，问题源于模型选型与业务需求不匹配及模型幻觉，企业内有效训练数据占比普遍低于10%，80%的AI项目因数据孤岛、指标混乱等问题卡在落地环节 [7][8] AI工业化解决方案 - 通过构建人工智能模型工厂实现标准化生产，采用“九大单元”架构覆盖从数据准备到集成交付的全流程，将模型生产拆解为可复制模块 [9] - 数据车间通过11道工序和60套工具对数据进行清洗、合成和扩容，基于可信数据空间进行最小化授权和脱敏处理，确保数据安全 [9] - 模型车间基于高质量数据对模型进行调优训练，实现从“数据输入”到“模型输出”的标准化转化 [10] - 模型工厂模式将平均制造周期从90人天压缩至20人天，效率提升75%，全球已有4个模型工厂投入运营，第5个即将投产 [10] 企业AI应用战略重点 - 企业AI投入从追求技术先进性转向追求可量化的商业价值，技术需为企业带来新增长或节省开支才有意义 [7] - 在AI步入Agent时代，企业应尽快将Agent与业务场景结合创造价值，而非盲目追求技术迭代 [11] - 模型交付不是终点而是服务起点，AI工业化革命正从工具提供转向价值交付，开启人人可享的智能新时代 [12]

公司：Cognizant Technology Solutions (CTSH) AI 市场机会与战略框架 - AI 市场机会分为三个向量：向量一（利用 AI 解锁生产力和成本优化）、向量二（工业化 AI，将 AI 注入技术栈）和向量三（代理化，部署智能代理）[4][5][6] - 当前需求主要集中在向量一，几乎所有客户都专注于通过 AI 提高效率和优化成本[5][8] - 向量二和向量三的市场机会远大于向量一，预计未来几个季度将逐步演进[6][40][41] - 向量二涉及三个关键层：数据层（准备 LLMs、SLMs 等）、计算层（现代化云和基础设施）和数字工程层（构建原生 AI 应用）[9][10][11] - 支持向量二的服务线（数据、基础设施和云、数字工程）增长远高于公司平均水平，表明向量二机会正在显现[11][48] 财务表现与大型交易 - 大型交易一直是重点领域，过去几个季度每季度稳定赢得 4-6 笔大型交易（每笔价值超过 1 亿美元）[12][14] - 大型交易可能呈现波动性，例如上季度宣布了 20 亿美元的交易[13][14] - 公司专注于争取超大型交易（5 亿美元或 10 亿美元以上）[14] - 金融服务业连续四个季度实现同比增长[21] 行业需求与部门动态 - discretionary 支出在部分行业出现回升，如金融服务和保险，但医疗保健行业仍保持谨慎[15][17][19] - 医疗保健行业谨慎源于政府医疗保险支出动态和贸易关税情况[15][16] - 产品和资源行业（零售、制造、物流等）受宏观经济和贸易焦虑影响较大[16][17] - 通信、媒体和科技行业的 discretionary 支出与前一两个季度相比没有显著变化[17] 战略重点与增长杠杆 - 针对渗透不足的市场（如医疗保健提供者、通信和媒体、航空航天和国防）加倍投入[25][26][27] - 通过内部构建或收购（如 Belcan）增强能力并进入新市场[29][76] - 平台战略：在医疗保健领域扩大 TriZetto 平台（覆盖美国三分之二 insured 人口），并探索扩展至财产和意外保险、人寿保险市场[23][31][32][34] - 探索将 AI 相关平台扩展到更广泛的市场[33] 定价与竞争动态 - 向量一的定价竞争激烈，但向量二和向量三因需要专业技能和领域知识，预计定价将更优质[59][60] - 定价模式将从时间和材料制转向混合模式（数字代理和物理劳动力结合），基于价值和结果定价[42] - 独特竞争优势：结合深度领域专业知识、客户上下文和 AI 能力[61][62][63] 运营与利润率 - 重点是通过严格的大型交易治理和执行、下一代计划（next gen）、金字塔优化和全球交付来增长收入并提高利润率[55][56][57] - 公司有 5 亿美元可用于投资并购，重点关注进入新市场、填补能力缺口或扩展新地区[76] 文化与领导力 - 公司文化以客户为中心为核心 DNA，保持不变[68][69] - 当前领导层专注于增长，强调重回赢家圈子和填补能力缺口[72] - Belcan 整合按计划进行，表现符合预期[75] 宏观与市场展望 - 增长回归高个位数至低两位数取决于向向量二和三的转型，但时间受宏观经济动态影响[49][50][51][52] - 部分行业（如金融服务和医疗保健）能见度较高，而产品和资源行业能见度较低[53][54]