物理 AI/Physical AI正在出现一场很像PC和智能手机时代的产业分化。
过去，人们讨论机器人，主要关注“谁的机器人跑得更快、手更灵活、价格更低”。但随着VLA（视觉—语言—动作模型）、世界模型和机器人基础模型快速发展，一个更重要的问题开始浮现：
未来机器人产业，是由少数软硬一体公司主导，还是会出现可以运行在不同机器人上的通用“机器人智能平台”？
这大致可以概括为两条路线：
Apple模式：机器人本体、AI模型、传感器、控制系统、芯片、数据和制造体系高度整合。
Android / Windows模式：机器人硬件来自不同厂商，上层运行相对通用的机器人基础模型和智能平台。
这场分化，很可能决定未来Physical AI产业的利润如何分配。
Tesla是“Apple模式”最典型的代表之一。
在这种路线下，机器人不是“先造一个身体，再装一个AI模型”，而是机械结构、执行器、传感器、控制器、推理芯片、感知模型、行为模型、训练系统和制造体系共同设计。
这种模式最大的优势是联合优化。
机器人与PC最大的区别，在于软件和硬件耦合得非常紧。PC软件通常不需要知道显示器内部如何工作，但机器人AI必须知道机械臂有多长、关节极限是多少、摄像头装在哪里、手指有哪些自由度、最大扭矩是多少、当前重心在哪里。
同样一句“把杯子拿起来”，对于两种不同身体结构的机器人来说，真正执行的动作可能完全不同。
这就是所谓的 Embodiment Gap——具身鸿沟。
因此，在机器人硬件尚未高度标准化的阶段，软硬一体具有天然优势。Figure等公司也明显走在这条道路上：模型直接针对自己的机器人训练，高层负责理解任务，中层生成动作，底层负责平衡、接触和全身协调。模型和身体可以不断相互调整。
但另一条路线也正在迅速形成。
Physical Intelligence、Skild AI、Generalist以及Google DeepMind等公司正在尝试把“机器人脑”从具体机器人身体中抽离出来。
它们赌的是一个更大的目标：
未来没有必要给每一种机器人重新训练一个大脑。
Skild提出“Any Robot, Any Task, One Brain”，希望一个统一模型能够控制机械臂、人形机器人、四足机器人等不同形态的机器。它甚至利用大量不同机器人形态进行训练，希望模型学到的不只是某种机械结构的动作，而是更一般的物理规律。
Physical Intelligence走的是类似路线。其机器人基础模型训练时直接使用多种机器人平台的数据，希望通过Cross-Embodiment学习，让模型具备跨本体迁移能力。
如果这种路线成熟，未来机器人产业可能出现类似智能手机的结构：
硬件厂商负责制造机器人身体，基础模型公司提供“机器人操作系统和大脑”。
Generalist的定位更加直接：重点开发Robot Brain，而不是制造机器人本体。其背后的产业判断是，未来真正最有价值的资产，未必是机器人身体，而可能是可以运行在大量机器人上的通用智能。
这就是Physical AI版的“Android模式”。
而NVIDIA的位置又有所不同。
它既不是单纯的机器人厂商，也不是单纯的基础模型公司，而是在构建完整的Physical AI基础设施：GPU负责训练，Jetson负责端侧推理，Isaac用于机器人开发和仿真，Cosmos负责世界模型，GR00T负责机器人基础模型，Omniverse负责数字孪生。
因此，如果一定要套用PC时代的类比，NVIDIA可能更像：
Intel + Windows基础设施 + CUDA生态的结合体。
它真正希望实现的，不一定是自己制造最多机器人，而是让未来大量机器人都运行在自己的计算和软件栈之上。
Google也在明显下注“机器人Android”。Gemini Robotics的重点之一，就是让机器人模型能够迁移到不同机器人身体，并进一步提供可以直接在机器人端侧运行的模型。
如果未来Google将Gemini Robotics进一步平台化，向机器人厂商提供SDK、API和Runtime，那么它很可能成为通用机器人智能平台的重要候选。
不过，机器人产业不会简单复制PC和智能手机历史。
最大的原因是：
机器人硬件远没有PC和手机那么标准化。
PC最终形成了相对统一的CPU、内存、硬盘、显示器结构；智能手机也逐渐收敛到触摸屏、ARM SoC、摄像头、Modem和传感器。
机器人却千差万别。
工业机械臂、双臂机器人、轮式机器人、四足机器人、人形机器人、无人机甚至自动驾驶汽车，在自由度、尺寸、动力学和动作空间上都有巨大差异。
所以，“机器人Android”真正需要解决的并不只是大模型问题，而是如何让通用智能适配不同身体。
未来很可能出现这样一种架构：
通用Physical AI模型
↓
Embodiment Adapter
↓
机器人硬件抽象层（Robot HAL）
↓
运动控制系统
↓
具体机器人身体
上层模型负责理解“抓住杯子”这种抽象任务，而不是直接输出某个关节旋转多少度。中间的Embodiment Adapter和Robot HAL负责把抽象动作翻译成不同机器人可以执行的控制指令。
一旦这一层成熟，真正意义上的“机器人Android”才可能出现。
而决定这两条路线最终竞争格局的，还有一个更关键的问题：
数据。
LLM之所以能够快速Scaling，是因为互联网天然存在巨量文本数据，可以统一转换成Token。
Physical AI没有这样的天然数据源。
机器人数据不仅需要记录“看到了什么”，还必须知道“做了什么”和“结果如何”，也就是：
Observation → Action → Result
更麻烦的是，不同机器人的Action空间并不一样。
因此，软硬一体公司拥有一个明显优势：
每部署一台机器人，就多了一台真实世界数据采集器。
机器人运行、产生失败案例、数据回传、模型训练、OTA升级、能力提升，再部署更多机器人，可以形成完整的数据飞轮。
但平台型公司也拥有另一种潜在优势：
它们可以同时汇集多个机器人品牌的数据。
机器人A的数据、机器人B的数据、仿真数据、人类视频和互联网视频，如果最终能够进入一个统一的Physical AI基础模型，那么平台型公司的数据规模可能超过任何一家单独的机器人厂商。
因此，有观点更倾向于认为：
Physical AI早期，Apple模式更有优势；长期来看，Android模式的空间会越来越大。
原因很简单。
当前机器人硬件仍高度非标准化，身体、控制、传感器与AI强耦合，因此软硬一体更容易把产品真正做出来。
但随着机器人关节、传感器、控制接口和硬件抽象层逐渐标准化，跨本体模型能力不断增强，产业结构很可能开始分层。
最终可能形成三类核心玩家：
第一类：Physical AI Apple
机器人本体 + AI模型 + 数据 + 制造体系高度一体化。
代表方向包括Tesla、Figure等。
第二类：Physical AI Android
提供通用机器人基础模型和跨本体智能。
代表方向包括Google DeepMind、Skild AI、Physical Intelligence、Generalist等。
第三类：Physical AI基础设施平台
提供芯片、仿真、训练、世界模型、端侧计算和开发工具。
最典型的就是NVIDIA。
因此，未来真正值得观察的问题，已经不只是：
“哪家机器人跑得最快？”
而是：
谁会成为机器人时代的Apple？谁会成为Android？谁又会成为NVIDIA？
机器人本体未来很可能逐渐商品化，而真正决定产业利润和生态控制权的，可能是那些掌握了机器人智能平台、数据飞轮、开发者生态和计算基础设施的公司。
Physical AI真正的大竞争，或许才刚刚开始。