产业基础能力提升“十五五”规划 - 八部门印发《产业基础能力提升“十五五”规划》，提出推动人工智能赋能产业基础创新，加强产业基础领域通用大模型和行业大模型研发布局，推动工业机理与智能体决策模型融合，发展智能原生的基础产品，培育模型即服务、智能体即服务等新业态 [2] - 规划提出到2030年产业基础薄弱问题明显缓解，技术创新能力、自主可控能力、优质产品供给能力全面提升，基础产品质量水平明显提高，形成一批引领整机创新的关键基础产品和若干具有国际影响力的知名品牌 [2] - 工业AI应用方向明确，将AI模型与工业实际应用场景结合是下一步AI发展的重要方向之一，AI在材料研发中辅助筛选配方、识别工业流程问题等方面大有可为，但工业领域AI结果需符合物理规律并经过测试验证 [2] - 中小工业企业AI研发能力有限，对外部AI服务需求较高，模型即服务可将专业AI模型能力以服务形式提供，智能体即服务进一步将AI与工业业务流程组合承接具体任务，但规模化商业落地仍有距离 [2] 电力消费数据 - 1—9月全国城乡居民生活用电量12346亿千瓦时，同比下降0.3%，为近十年该统计口径下1—9月居民用电累计增速首次由正转负 [3] - 1—9月全社会用电量80734亿千瓦时，同比增长3.9%，增长动力集中在工业、高技术制造以及数字、充换电等服务业 [3] - 9月单月城乡居民生活用电量1210亿千瓦时，同比下降6.0%，下拉了前8个月微弱的正增长趋势 [3] - 9月当月上海（-27.8%）、浙江（-22.6%）、江苏（-22.1%）、湖南（-21.4%）等地城乡居民生活用电量同比两位数负增长 [3] - 居民用电增长很大一部分来自空调负荷，9月受台风和强降雨影响多地降温用电需求明显下降，上一轮厄尔尼诺的滞后加热效应助推前两年东部地区高温天气，抬高了居民用电基数，也放大了今年的负增长 [3] - 居民用电在全社会用电中占比有限，第二产业仍是用电需求的基本盘，第三产业增长动力更趋多元，充换电、互联网数据服务等领域用电快速增加，用电结构正随之调整 [4] 美国战略石油储备 - 美国战略石油储备较前一周下降30万桶至2.827亿桶，续创1982年10月以来新低 [5] - 美国原油产量为每天1330万桶，比前一周减少41万桶/日；上周美国原油进口减少29.1万桶/天降至580万桶/天，出口减少110万桶/天降至340万桶/天 [5] - 美国能源部表示特朗普政府将释放美国100万桶紧急取暖油储备的近三分之一以应对飞涨的油价，将为燃料零售商和终端持有者提供竞争性投标流程以确保燃料流向短缺地区 [5] - 由于霍尔木兹海峡长期无法通航，各国原油储备加速消耗，世界能源供应面临更大挑战；美国墨西哥湾沿岸油气重镇遭飓风袭击，大量海上钻井平台临时关闭，削减了上周美国原油产量 [5] - 美国投资者要求页岩油生产商控制资本开支，优先将利润用于分红和回购，导致美国页岩油增产速度较慢，难以有效增加全球原油供给 [5] - 能源供应短缺带来的通胀压力席卷全球，全球居民日常生活支出被抬高，欧洲甚至因此发生大规模抗议活动，高通胀也成为美国中期选举的重要议题，全球原油供应恢复常态暂时看不到希望 [6] 民营银行异地存款限制 - 全国19家民营银行中已有十余家区域性民营银行明确暂停向居住地、户籍地均不在本省（市）的客户新增销售个人存款，并压缩、关闭线上异地购买入口，存量存款可按原有协议持有至到期，储户可正常提前支取，到期后不再办理续存 [7] - 限制对象主要是线上开立二类账户的客户，线下柜面开出的实体一类卡由于本身经过面签、绑定真实经营居住关系，基本不受地域约束 [7] - 早在2021年监管已将地方法人银行吸收异地存款纳入宏观审慎评估，并明确不得借助各类渠道新办异地存款业务，存量业务原则上随到期自然退出 [7] - 互联网平台改变了银行传统线下获客方式，区域性民营银行能以较低成本在线上获客，但风险管理能力以及对异地客户的了解未必能同步跟上，互联网平台储户对利率差异更为敏感，高息揽储成为线上获客常态，高成本和低稳定性两个资金端短板正逐渐演变成不可忽视的金融风险 [7] - 短期内区域性民营银行将逐步面临存款资金收缩压力，主动压降高息负债反而可能改善负债结构，未来民营银行之间分化可能更加明显，缺乏本地特色金融服务能力的银行将面临更大压力 [8] Meta财报 - Meta第三季度营收达646亿美元，同比增长26%，超出分析师预期的633亿美元，预计第四季度营收将达到730亿至760亿美元 [9] - Meta第三季度摊薄后每股收益为3.83美元，低于分析师预期的约6.54美元，公司计入98.9亿美元法律和解费用，剔除该费用后每股收益为7.40美元 [9] - Meta自由现金流自上市以来首次转负，报告期内为负22亿美元，第三季度资本开支（包括融资租赁本金偿付）达到349.1亿美元 [9] - 公司宣布创设新的无投票权C类普通股，旨在为AI投资提供更多资金来源，同时避免削弱CEO扎克伯格的投票控制权 [9] - Meta三季度营收超出市场预期，个人AI助理Muse为AI变现打开新的空间，广告业务延续增长，三季度世界杯赛事尾端带来广告投放增量，叠加Meta将AI工具融入广告业务提升投放精准度，行业地位得到进一步稳固 [9] - Meta裁员带来的费用节省难以抵消AI的激进投入对利润的侵蚀，Muse正处于用户放量阶段，少量收取订阅费并通过用户电商交易抽佣的变现路径已初步成型，但按当前资本开支节奏，Meta明年将面临更大的现金流压力，倒逼公司加速融资，Muse的成败已成为影响Meta未来运营的重要因素 [10] 特斯拉财报 - 特斯拉第三季度实现营收280.46亿美元，同比基本持平；归属于普通股股东的净利润为7.87亿美元，同比下降43%；经调整净利润（Non-GAAP）为16.97亿美元，同比下降4% [11] - 汽车业务收入为205.6亿美元，同比下降3%；能源发电与储能业务收入为28.81亿美元，同比下降16%；服务及其他业务收入为46.05亿美元，同比增长33% [11] - 特斯拉第三季度交付量为48.65万辆，同比下滑2.1%，环比增长1.3%，高于市场普遍预期的约46万辆，马斯克表示目标是到2030年前后实现年产约500万辆汽车 [11] - 特斯拉三季度开展降价和促销活动并延续贴息政策稳住了销量，但单车均价环比微降，整体卖车毛利润不减反升，主要得益于高毛利的FSD订阅率上升，自动驾驶功能正成为特斯拉的核心卖点 [11] - 美国对部分储能产品征收关税，特斯拉对一些客户进行关税补偿或退款结算，同时碳酸锂等电池原材料价格回落，储能产品售价整体下调，拖累了储能业务表现 [11] - 无人驾驶出租车Robotaxi项目稳步推进，但Cybercab的城市扩张略慢于预期，位于弗里蒙特的人形机器人工厂进入早期生产流程，产能爬坡周期被拉长，新业务对业绩的贡献预计将在明年下半年陆续显现 [12] AI发现PHP安全漏洞 - 研究人员借助AI工具在PHP编程语言中发现两处严重安全漏洞，全球大量网站面临被黑客入侵的重大风险，荷兰、法国、丹麦、芬兰等多国政府网站紧急下线 [13] - 该漏洞在PHP代码库中潜伏逾十年，此次由美国网络安全公司借助谷歌和OpenAI旗下AI工具发现，PHP开发团队已发布紧急补丁并呼吁所有用户立即更新 [13] - 据互联网情报公司Censys数据，在约260万个运行PHP的主机中，目前约有150万个使用的版本尚无可用补丁 [13] - PHP为全球约75%已知编程语言构成的网站提供底层支撑，WordPress、Drupal、Joomla和Magento均建立于这一技术之上 [13] - 此次被发现的两处PHP漏洞多年前就有研究人员注意到相关迹象，当时团队认为其很难被利用加上修复工作牵一发而动全身便将其搁置，AI工具介入研究后找出了具体攻击路径，也改变了原有的风险判断 [13] - 黑客也可以利用AI加速攻击，使得攻防时间差被大大缩短，此次漏洞信息就在补丁发布前泄露，增加了攻击者抢先行动的风险，即便后续补丁发布也不意味着完全安全，攻击者仍可以利用补丁信息攻击尚未更新的系统 [13] - PHP自1995年公开发布至今版本更迭频繁，积累了庞大的存量系统，基于旧版本开发的老网站升级的现实成本较高，为了安全起见只能先行关闭，AI正在打破系统维护“能用就不动”的惯性，未来可能会挖掘出更多潜伏多年的问题，修复速度能否跟上将是一个巨大的挑战 [14] 二级市场表现 - 10月22日市场全天调整，三大指数集体走弱，创业板指较今年6月的历史高点跌幅超40%，多只宽基ETF尾盘再度放量，沪深两市成交额1.53万亿，较上一个交易日放量994亿，全市场近5000只个股下跌 [15] - 工程机械板块逆势活跃，银行板块活跃；AI漫剧概念持续走低，算力硬件股集体杀跌，CRO概念走低 [15] - 截至收盘，沪指报3658.03点跌1.48%，成交额为7061亿元；深成指报11357.32点跌2.96%，成交额为8226亿元；创业板指报2576.9点跌4.37%，成交额为4062亿元 [15] - 美股市场逐渐企稳，亚太地区成为抛售重灾区，A股则更为弱势，AI相关产业链全线杀跌，AI硬件相关板块大幅下挫，午后一度出现低位买入资金但更多只是起到延缓下跌的效果，难以改变市场情绪 [15] - 宽基ETF仅在尾盘最后十分钟出现买入力量，结合近期整体表现更像是收集筹码的动作，市场进入杀估值阶段后相对价格的低位越来越难以吸引场外资金入场，周四大跌之下两市依旧没能形成明显放量 [16]

文章核心观点 - 特斯拉2026年第三季度财报呈现营收持平但利润大幅下滑的态势，利润下降主要受研发费用大增及股权激励费用上升影响，资金集中投向AI、自动驾驶及人形机器人领域 [2] - 毛利率回升成为财报结构性亮点，汽车毛利率连续两个季度改善，但监管积分收入骤降对汽车业务形成拖累 [3] - 储能业务呈现"量增利升、收入下降"的分化格局，装机量创历史第二高且毛利率大幅跃升，但收入同比下降 [3] - FSD付费用户及Robotaxi、Optimus等AI相关业务取得显著进展，成为公司未来投入重点 [4] - 现金流较第二季度明显回正，公司下调全年资本开支指引但明确未来几年将继续扩大对Robotaxi、Optimus、AI算力及半导体工厂的投入 [5] 股价与市场表现 - 10月22日美股科技七巨头普跌，仅苹果小幅上涨，特斯拉开盘一度跌超3.6%，截至北京时间23:20跌幅收窄至0.72%，结束连续三日上涨趋势，股价报383.69美元/股 [1] - 特斯拉股价仍较近期7月29日低点增长29%，总市值1.5万亿美元 [1] - 当日科技七巨头涨跌幅：脸书跌5.70%、亚马逊跌3.81%、英伟达跌3.69%、谷歌跌2.27%、微软跌1.34%、特斯拉跌0.72%、苹果涨0.22% [2] 整体财务表现 - 第三季度总营收280.46亿美元，同比基本持平 [2] - GAAP归母净利润7.87亿美元，同比下降43% [2] - 营业利润7.18亿美元，同比下降56% [2] - 营业利润率从去年同期的5.8%收缩至2.6% [2] - 利润下滑主要受研发费用同比大增69%至27.61亿美元、股权激励费用上升等因素影响，资金投向AI、自动驾驶及人形机器人 [2] 毛利率表现 - 整体毛利率回升至19.6%，高于去年同期的18.0%和第二季度的16.8% [3] - 剔除监管积分后的汽车毛利率升至18.1%，连续两个季度改善 [3] - 监管积分收入从去年同期的4.17亿美元骤降至1.13亿美元，对汽车业务形成拖累 [3] 交付与产销 - 第三季度全球交付486,532辆，同比下降约2%，环比增长1.3% [3] - 产量464,391辆，交付高于产量约2.2万辆，继续去库存 [3] - 截至季末未交付订单量创近四年新高，加拿大、澳大利亚、日本等市场创季度交付纪录 [3] 储能业务 - 装机量13.7GWh，同比增长约9.6%，为历史第二高 [3] - 毛利率从去年同期的20.4%大幅跃升至33.1% [3] - 能源业务收入28.81亿美元，同比下降16%，公司称部分受关税相关客户退款影响 [3] - 2027年Megapack产能已基本售罄 [3] FSD与自动驾驶及机器人业务 - FSD付费用户达到174万，同比增长67%，订阅用户占比首次过半 [4] - 北美新车FSD搭载率超过75% [4] - Robotaxi方面，Cybercab已在奥斯汀投入运营，截至季末无监督累计行驶里程接近200万英里，本季度增长约8倍 [4] - Optimus人形机器人已在弗里蒙特工厂启动量产 [4] 现金流与资本开支 - 第三季度经营现金流62.63亿美元，自由现金流15.31亿美元，较第二季度的负值明显回正 [5] - 公司将全年资本开支指引从250亿美元下调至200亿美元 [5] - 公司明确未来几年将继续扩大对Robotaxi、Optimus、AI算力及半导体工厂的投入 [5]

物理AI产业专家交流纪要关键要点总结 一、纪要涉及的行业与公司 - **行业覆盖**：物理AI产业，涵盖自动驾驶、工业机器人、服务机器人、人形机器人、工业数字孪生与设备运维、AI for Science等应用领域[1][4][14][15][21] - **公司提及**： - 平台层：英伟达（全栈玩家）、所见科技、51WORLD[8] - 3D感知层：奥比中光、禾赛科技、速腾聚创[8] - 执行控制层：汇川技术、埃斯顿、绿的谐波、拓普集团[8] - 本体层：特斯拉、比亚迪、小鹏、宇树、智元、优必选[8] - 数据与场景层：Momenta、Waymo、光轮智能、Scale AI[8] - 技术代表：谷歌RT-2、Physical Intelligence的π0.5、特斯拉端到端FSD[6] - 机器人代表：波士顿动力、宇树H1、京东狼族机器人[14] - 工业应用：西门子（宝马工厂数字孪生）、中控技术（化工企业APC方案）[15] - 自动驾驶：Momenta RX方案、Waymo离线仿真、小鹏PonyWorld[13] - 视频生成模型：Sora、Kling、Runway Gen-3、GameNGen[7][17] 二、核心观点与论据 （一）AI演进路径与物理AI的本质定义 - AI发展分三阶段：2018-2023年生成式AI、2023-2025年Agent、2025年起进入物理AI阶段[2] - 传统AI核心是"预测"（预测下一个token），物理AI核心是"干预"（执行动作改变世界状态并接收反馈）[2] - 物理AI必须处理因果性（A行为导致B结果），而非仅相关性（A行为经常伴随B现象）[2] - 自动驾驶中传统AI可预测行人轨迹，物理AI需规划车辆路径并实际转动方向盘；机器人中识别杯子位置属感知，规划抓取姿态和施加力矩由物理AI统筹全链条[2] - 数字世界表现良好的AI公司进入物理世界面临巨大Sim-to-Real鸿沟[2] （二）资本转向物理AI的三大原因 - 大模型技术红利递减：自2017年Transformer架构提出以来基础生态已固化，技术路线边际效应减弱[3] - 物理AI在降本增效方面具备清晰投资回报率，能替代人工、减少事故、优化能耗[4] - 国家战略层面，制造业自动化和自动驾驶成为各国竞争重点[4] （三）市场规模预测 - 全球物理AI市场：2025年约180亿美元，预计2030年增至3,000亿美元[1][4] - 全球自动驾驶市场：预计2030年达两万亿美元[13] - 仿真软件市场：2025年约20亿美元，预计2030年增至100亿美元[13] - 全球机器人市场：2025年约800亿美元，工业机器人占比约60%[15] - 人形机器人市场：有预测2030年达380亿美元，但确定性不强[15] - 全球数字孪生市场：2025年250亿美元，预计2030年达800亿美元[15] - 工业机器人装机量：2025年全球约60万台[14] （四）产业链结构 - 上游：算力芯片、传感器、执行器[4] - 中游：物理AI仿真平台、世界模型、VLA（视觉语言动作）模型、运动控制系统[4] - 下游：自动驾驶和工业机器人是当前应用较好领域，服务机器人处于第二梯队[4] （五）技术闭环与核心瓶颈 - 技术闭环五步骤：感知→世界建模→规划→控制→反馈[5] - 每一步存在大量工程难题，如实验室完美运行的视觉系统在室外强光或尘土环境下准确率断崖式下跌[5] - 核心瓶颈是世界模型，其质量决定物理AI能力上限，需具备从错误中学习的能力[5] - VLA模型是备受追捧的技术路线，代表性工作包括谷歌RT-2、Physical Intelligence的π0.5、特斯拉端到端FSD[5][6] - VLA优势在于端到端训练无需手工设计中间表示，但局限在于缺乏显式世界模型，难以长期规划和因果推断[6] - π0.5单步成功率仅70%至80%，每次失败需人工干预，因缺少世界模型预测行为后果（如将杯子放在桌子边缘无法预见掉落风险）[6] - 下一代VLA模型预计内嵌世界模型形成混合架构[6] （六）世界模型的分类与趋势 - 严格定义下世界模型必须能用于规划和控制，而非仅生成视觉内容[7] - 三类世界模型：第一类生成视频帧的模型（Sora、Kling、GameNGen），计算量巨大且难保证物理一致性；第二类在潜空间操作的世界模型；第三类结构化世界模型（如物理信息网络），显式构建物理量，可微分便于控制优化[7] - 技术趋势从像素级世界模型逐步演进到结构化、包含物理约束的方向[7] （七）产业链投资逻辑差异 - 平台层投资逻辑侧重生态绑定能力[8] - 3D感知层关注技术迭代速度[8] - 执行控制层国产替代是主要关注点[8] - 本体层最拥挤，重点考察量产能力[8] - 数据与场景层核心逻辑在于能否形成完整数据飞轮[8] - 平台层和数据层可能比本体层更具潜力，"卖铲子"公司比"挖金子"公司具有更高确定性[8] （八）行业共识 - 单纯数据驱动存在缺陷，世界模型能提供物理约束带来可执行性，纳入物理AI链条是必要的[10][11] - Sim-to-Real差距仍是当前最大瓶颈，需更优仿真和域随机化方法解决[11] - 数据闭环是核心竞争力，能以低成本获取高质量真实数据的企业将获领先优势[11] （九）行业分歧 - 技术路径分歧：特斯拉等少数企业坚持端到端方案，学术界和工业界更普遍选择模块化路径（感知、规划、控制分离，可靠性更高，各模块可独立替换升级）[11] - 通用vs专用机器人分歧：通用机器人旨在完成所有场景任务，专用机器人能更快商业变现；短期内专用场景可能率先商业化[11] - 通用机器人在传动装置、关节等精密零件方面瓶颈较高，成熟可能还需五年以上[11] - 多数生产商采用数据驱动与物理约束相结合的混合方式[11] （十）自动驾驶领域应用 - 自动驾驶是物理AI首个万亿级且最成熟落地场景，具备明确商业模式[12] - 世界模型三大核心应用：长尾场景生成（"鬼探头"、极端天气）、因果推演（预测其他交通参与者意图辅助决策）、数据合成（降低路测成本提高训练效率）[12][13] - Momenta RX方案利用世界模型将制动力降至原来的三分之一，已搭载多款量产车型[13] - Waymo利用世界模型离线仿真每日模拟数百万英里，远超实际路测数据[13] - 小鹏PonyWorld专注长尾场景生成[13] - 投资需区分L2+量产项目（已有收入）与L4级无人驾驶项目（仍处持续投入阶段）[13] （十一）机器人领域应用与投资节奏 - 工业机器人成熟度最高，世界模型主要用于抓取规划、装配预演和故障检测[14] - 服务机器人（清洁、送餐、导览）技术门槛较低但市场竞争激烈[14] - 人形机器人最早量产预计2027年年中或年底，技术瓶颈在"具身大脑"部分[14] - 波士顿动力机器人成本高达百万美元级别；宇树H1售价9万美元已售出数百台，主要用于科研和演示；京东狼族机器人在仓库用于包裹分拣搬运，据报道可提升30%效率[14] - 投资节奏：短期看工业机器人（投资回报率明确）；中期看服务机器人（场景碎片化但覆盖广泛，存在生态位差异）；长期看人形机器人（养老和家庭服务潜力大，但带有技术突破博弈性质，VLA需接入更成熟世界模型，具身大脑、运动控制、灵巧手技术路线尚未统一）[15] （十二）工业数字孪生与设备运维 - 数字孪生是物理世界在数字世界的镜像，结合世界模型可实现预测性维护[15] - 应用场景包括工业产线、能源设施、矿山、港口；世界模型作用是模拟设备老化、预测故障、优化排产计划[15] - 西门子为宝马工厂构建数字孪生系统，将产线调整时间从几周缩短至几天[15] - 中控技术为化工企业提供先进过程控制方案，可将能耗降低5%至10%[15] - 客户多为预算充足的大型工业企业，项目规模较大且替换成本高，属相对稳健赛道[15] - 投资关注具备仿真能力、数据处理能力及控制全栈能力的公司[15] （十三）评估物理AI公司的核心考量因素 - 核心考量并非模型大小，而是场景数据的仿真、校验、加工和交付能力[16] - 数据飞轮：是否具备可持续、低成本获取高质量数据的能力[16] - 数据仿真能力：真实数据往往不足，需评估Sim-to-Real差距是否可控[16] - 工程化能力：产品能否在真实环境中稳定运行[16] （十四）主要风险 - 技术风险：世界模型存在长时序漂移问题，遇到分布外场景基本失效[16] - 成本风险：高端传感器、执行器等核心部件价格昂贵[16] - 法律与监管风险：自动驾驶、医疗机器人等领域监管严格，法律法规滞后于技术发展[16] - 估值泡沫风险：人形机器人（具身智能）领域许多公司估值偏高[16] （十五）世界模型的常见误解与技术短板 - 主要误解是将视频生成模型（Sora、Runway Gen-3、可灵等）等同于世界模型[17] - 视频生成模型本质是学习像素分布输出最大似然值，不保证物理一致性，常出现物体相互穿透、违反重力（水往高处流）、流体行为异常、光影矛盾等错误[17] - Sora生成视频中玻璃杯摔碎后碎片可能穿透地板，飞散角度和碰撞响应未必符合动量守恒[17] - 区分标准：能否输出结构化状态向量（位置、速度、力）并用于规划[17] - 四大技术短板：长时序漂移（预测10秒后物体位置可能偏移数米）、分布外失效（泛化能力与大语言模型差距显著）、缺乏形式化保证（概率模型无法数学证明满足物理定律，可能出现"幻觉"）、计算开销巨大（难以在端侧设备实时运行）[17][18] - 解决方案：混合架构（神经网络与物理引擎结合引入物理内生约束，如英伟达在物理约束中加入物理约束网络或等变网络实现在线适应）；工业界"双保险"策略（神经网络快速预测+物理引擎校验形成外部约束）[18] （十六）评估公司技术实力与业务真实性的方法 - 考察世界模型能力：是否能输出结构化状态信息（位置、速度、力）而非仅视频[19] - 关注Sim2Real成功率：是否有第三方机构测试验证[19] - 探究真实数据来源：公开数据集还是自有部署形成的私有数据集[19] - 分析商业模式和客户基础：收入来源是项目制还是产品订阅制，是否拥有真实客户案例[19] - 物理AI是工程密集型而非论文密集型行业，缺乏真实客户案例可能意味着技术仍停留在理论或实验阶段[19] - Momenta拥有超过100万台车辆的数据，大部分收入来自车企授权，商业模式清晰[20] - 对发布通用机器人世界模型但从未公布真实部署数据的初创公司需谨慎评估[20] （十七）物理AI、世界模型与AI for Science的区别与协同 - 世界模型：可预测系统，定位为内部模拟器/预测器，不直接接触实体，解决"下一步会怎样"，输出预测状态、视频或轨迹；评价标准为物理一致性和长程推演稳定性；典型场景为自动驾驶和机器人预训练[20] - 物理AI：完整智能执行系统，在真实世界感知、决策、行动，必须接触真实实体，解决"如何行动"及"行动效果如何"，输出动作指令和真实反馈信号；评价标准为任务成功率和安全性[20][21] - AI for Science：利用AI加速科学研究的方法论，定位为科学计算和规律求解工具，通过仿真和实验间接接触实体，解决"规律是什么"或"方程的解是多少"，输出材料性质、偏微分方程的解等；评价标准为数值误差、守恒率满足程度或实验精度；典型场景为气象预报、流体力学计算、新材料发现、药物新靶点发现[20][21] - 协同闭环：世界模型为物理AI规划器提供决策依据；AI for Science为世界模型提供物理理论先验知识（能量守恒、动量守恒）减少数据依赖或生成带物理约束的训练数据；物理AI在真实世界执行任务收集数据修正世界模型并反哺验证AI for Science[21] - 机器人抓鸡蛋示例：AI for Science提供蛋壳力学模型（脆性、硬度）→世界模型预测不同抓取力度后果→物理AI选择并执行最优抓取策略[21] - 考察物理AI公司应关注是否整合AI for Science能力，纯数据驱动模型长期竞争力可能不如数据与物理约束结合的混合模型[21] （十八）三者商业化路径与投资策略差异 - 物理AI：主战场，市场空间巨大但竞争激烈，需深厚工程积累；主要风险在技术成熟度（实验室成果能否工程化规模化落地）；短期内自动驾驶和工业机器人是较成熟且值得关注的方向[22][23] - 世界模型：商业化路径相对模糊，技术壁垒高；当前商业模式主要是作为仿真工具出售或作为内置模块嵌入更大系统；科学技术含量高但商业前景尚不明朗；中期可布局平台型公司，部分头部投资机构已在此领域完成布局[23] - AI for Science：市场天花板相对不高，客户主要是科研机构和大型企业，付费能力较强；主要风险在学术性强导致产品化难度较大（如制药领域发现新药靶点后仍需大量生物医药专业人员实验验证）；长期在材料科学和新药研发领域前景良好[23] - 综合来看，值得研究的团队关键在于能否构建数据闭环并具备强大工程落地能力；物理AI是AI产业化落地重要环节，需在工程实践中不断打磨验证[23] 三、其他重要但可能被忽略的内容 - 物理AI产业链中英伟达是全栈玩家，覆盖多个环节[8] - 本体层（机器人或车辆）是目前最拥挤的赛道[8] - 产业泡沫初期，提供工具和平台的"卖铲子"公司往往比直接参与应用开发的"挖金子"公司具有更高确定性[8] - 世界模型可以容忍一定误差，只要不影响后续规划和运动即可[20] - 真实数据特别是小概率和罕见场景数据对于训练世界模型极为宝贵[17] - 物理AI领域高度依赖数据，能否构建数据飞轮是核心竞争力之一[19] - 仿真软件市场增速显著（2025年20亿美元至2030年100亿美元，增长约4倍），可作为独立投资线索跟踪[13] - 数字孪生赛道客户替换成本高、项目规模大，具备较强客户粘性[15]

文章核心观点 - 特斯拉2026年第三季度汽车交付量持续走高、订单积压创四年新高，FSD成为拉动整车需求的核心引擎 [1] - Robotaxi、Optimus人形机器人、自研芯片工厂Terafab被定为中长期增长主线，储能业务需求火热、毛利率大幅改善 [1] - 多项前沿项目仍处投入期，商业化落地时间表、监管审批节奏、长期资本开支规模成为市场关注焦点 [1] 核心财务 - 汽车交付连续两季度突破48万台，订单积压创四年新高，交付约束来自产能，汽车毛利率（剔除积分）环比抬升至18.1% [3] - 储能部署量13.7吉瓦时，储能毛利率提升至33.1%，2027年Megapack订单基本售罄，服务板块毛利率创新高，Robotaxi归入该业务 [3] - 季度自由现金流超15亿美元，现金及投资合计超450亿美元，全年资本开支指引调整至200亿美元 [4] FSD与Cybercab Robotaxi - 北美新车FSD开通渗透率达75%，全球付费用户突破170万，订阅模式占比首次过半，公司持续推进欧洲、中国监管审批 [5] - 奥斯汀Cybercab车队规模快速扩张，下月落地达拉斯，车辆无人监督里程保持高双位数周度增长，短期以特斯拉自营运营为主，2026年末小批量向客户交付 [5] - 自研AI地图正在开发，V15版本软件很快向普通车主推送，目标实现0.3美元/英里运营成本，预计2027年Robotaxi贡献可观利润 [6] - FSD的长尾极端工况是高壁垒，短期难以被竞品追赶 [9] - Cybercab设计简化，零部件数量较常规车型减少一半，制造端易于规模化，但扩张受软件成熟度与各地监管双重约束 [10] Optimus人形机器人 - 弗里蒙特工厂启动样机试产，硬件最大瓶颈在手部执行器，计划搭建机器人学院，依靠实体机器人自我博弈完成训练 [7] - 预计一年后解决机电、AI、可靠性问题并对外交付，初期优先面向工业高危、重复性岗位，后续再拓展家用场景，AI-5芯片计划明年4月集成上机，算力大幅提升 [7] - 人形机器人赛道有望成为全球最大产业，但商业化周期较长 [8] 储能、Semi与Terafab芯片厂 - Semi半挂卡车启动生产，新款Roadster完成演示，储能需求旺盛，是确定性较高的增长板块 [8] - Terafab奥斯汀芯片工厂明年上半年调试设备，预计2028年三季度实现芯片量产，项目总投入或超千亿美元，支撑机器人与自动驾驶算力需求 [8] 其他问答要点 - 公司拒绝继续讨论和SpaceX合并事宜 [2][9] - 公司长期目标为2030年汽车年产500万辆，持续扩建现有工厂并规划新产线 [11]