Digital AI vs. Physical AI：同一套成长逻辑，两条路径

2026年5月东京人形机器人高峰会上，一家国际顾问公司的合伙人展示一张实体AI（Physical AI）的全球劳动自动化市场潜力图。回来后，我把同一家机构的智库报告中关于數字AI（Digital AI）的职能分类，重划成一张对应图。2张图最有意思的地方，不是整体潜在市场（TAM）规模相近，而是说的是同一件事：自动化总是先从「结构化」场域开始。

过去2年，AI带动的运算与供应链经济规模快速成长，动力主要来自Digital AI：推论模型的token消耗、推论经济的成形，加上AI代理（AI Agent）的兴起。那么，Digital AI的演进时程，也会是Physical AI的路径吗？

先看第一张图。Digital AI的市场版图，核心原则清楚：任务愈规则化、數據愈密集，自动化愈快发生。以职能分类，差距显著：财务、法律、行政领域有55%至65%的工作属于高度可自动化范畴；軟件、研发、STEM领域约40%至50%；医疗、教育、管理领域则只有15%至25%。合约审阅、财务对帐、法遵查核，有明确的输入输出与可学习的历史數據，數字代理人活在「已被结构化」的信息环境里。反观主治医师的临床决策或管理者的组织判断，牵涉情绪脉络与权责，超出当前代理人的处理能力。Digital AI的边界，是「非结构化判断」的边界。

Physical AI的市场版图，则以地理维度切分：以制造业高度密集的韓國、德国为代表，实体劳动中有65%至75%属于高度结构化任务，涵盖工厂产线、仓储物流、重复性组装；日本、中国、美国等混合型经济体，这个比例约为40%至55%；以印度为代表、服务业与非正式劳动占比偏高的经济体，则只有10%至20%。

这个地理切分，逻辑与Digital AI相同，只是「环境」从信息空间换成实体空间：工厂的产线是被高度设计过的实体环境——固定的作业臺、可预期的物件、重复的动作序列——对机器人来说是相对友善的场域。零售服务、建筑工地、居家照护，面对动态、不可预测的实体情境，机器人的自主能力仍非常有限。2个版图的边界因此高度对称：一边是「非结构化判断」，一边是「非结构化实体环境」。

换句话说：Digital AI把信息世界结构化、智能化，Physical AI再把实体世界结构化、移動化。

2条路径的不同，先出现在时程上。Digital AI已进入扩散期：本专栏〈推论经济学〉与〈Token帐单之后〉追踪过这个变化，推论成本已从每百万token 30美元跌至1美元以下，但帐单不减反增，总用量的成长速度远超单价下滑。市场研究机构预测，2026年底约40%的企业应用将整合任务型AI代理，从2025年不到5%的基础一年内大幅跳升，是临界点后的快速扩散。

Physical AI这一边，需求走在技术前面：制造与物流现场的缺工是刚性需求，4萬億美元的潜在市场逐渐成形，但机器人在现场能稳定做到的仍然有限。2026年5月东京的人形机器人高峰会与6月维也纳的ICRA，反复出现的观察是：当前被称为「成功」的机器人部署案例，几乎都是透过缩窄问题范畴来达成自主性，而不是真正解决泛化能力的问题。触觉、Sim-to-Real、长时序规划与世界模型的差距，本系列前几篇已分别说明。

这个需求与能力的落差，不代表方向错了，而是时程不同：Digital AI的问题是「该在哪里找到成长曲线」；Physical AI的问题是「该在哪里确认成功案例」。

这条时间差，有一条能力曲线可以量化比较。模型评估机构METR（Model Evaluation & Threat Research）的Time Horizon追踪計劃，以「人类完成同一任务所需时间」衡量各時代模型能以50%成功率自主完成的任务复杂度。从2019年GPT-2只能处理约1至2秒的简单任务，到2026年的新一代模型，可完成的軟件类任务时长已达16小时等级，依其估算约每7个月翻倍。以8小时（一个标准工作天）为参考线，近期模型已陆续越过，意味著數字代理人有机会从「加速执行」走向「独立接手整天的工作」。这条指数曲线，目前只存在于數字世界：机器人要在实体环境中跨越数小时稳定完成复杂任务，所需的规划深度、容错能力与环境适应性，还需研究突破。

Physical AI的慢，不只在模型能力，也在部署方式。數字代理人的导入本质上是軟件问题：API串接、數據清理、流程重新设计，从决策到运行快则几周；失败可以修正，持续迭代。Physical AI的导入是系统整合问题：场地改造、安全认证、与既有设备的整合，时程以年计，成本以千万计。但是高门槛反而创造黏性：一家工厂花两年把机器人整合进产线，不会因为竞争对手推出更好的軟件就轻易替换。

两者的差距，也体现在「验证」这个环节。數字代理人的迭代回路是：推理、工具呼叫、执行、检查结果、修正，整个循环在數字空间完成，失败成本低，可實時重试，能力就在快速循环里累积。Physical AI的回路根本不同：机器人难以在真实场域反复试错，一次碰撞或抓取失误的代价，可能是设备损坏或人员风险，验证必须在执行之前完成，而非之后。这也是大家对世界模型在Physical AI中的期待：机器人需要先在模拟中「预演」动作结果，确认可行后才进入实体执行。在數字空间，验证回路天然存在；在实体空间，可能得靠世界模型解决，但是还没收敛。

因此，Physical AI的市场进入逻辑更接近「先深后广」：先在结构化程度高的场域建立滩头堡，累积具身數據与安全认证纪录，再逐步向更复杂的场域扩张。具身數據难以从網絡大量取得，主要来自真实部署；而获得真实部署机会，又需要先通过安全认证与场域验证。这个循环，让先进入特定场域的厂商建立起难以复制的护城河，即使后进者的軟件技术更先进。

Digital AI与Physical AI 2个市场都在快速成长，合计每年潜在经济价值达数萬億美元等级，涵盖的是人类2种核心的劳动形态。Digital AI开始进入收成期，竞争格局正在集中；Physical AI仍在播种期，先行优势可能要再过几年才会清晰显现。2条路径，同一套成长逻辑：AI总是先在结构化世界立足，再从那里逼近非结构化世界。