中美AI竞争的胜负手【索辰科技系列5】

时不我待,势不我留

真正的历史窗口,从来不会提前敲锣打鼓,它只是在你回头时,悄然合上。

如果说前几篇还在讨论"物理AI是不是趋势""索辰处在什么位置",那么这一篇,我想把问题直接摆到桌面上:

留给中国参与物理AI核心体系建设的时间,真的不多了。

英伟达的真正意图:抢占"物理世界解释权"

我们必须正视一个现实。

在物理AI这条路上,英伟达不是在试探,而是在冲刺。而黄仁勋的节奏,已经明显从"铺生态",进入了"抢标准、抢位置、抢心智"的阶段。

这一轮不再是模型竞赛,而是谁先定义:什么是"可被信任的物理世界"。

很多人低估了英伟达正在做的事情。

他们以为那只是算力升级、平台更新、生态发布。但如果你把这些碎片连起来看,会发现一个非常清晰的方向:

英伟达正在试图,把"真实世界的数字化解释权",牢牢握在自己手里。

看英伟达2024-2025年的动作密度

2024年3月GTC大会:

发布Blackwell架构,专门优化物理仿真性能

推出Project GR00T,统一的人形机器人基础模型

展示Omniverse Cloud,让任何企业都能访问工业元宇宙

2024年6月:

收购Run:ai,加强AI工作负载编排能力

宣布与丰田合作,构建自动驾驶训练平台

2024年9月:

发布Isaac Sim 4.0,大幅提升机器人仿真速度

与Siemens深化合作,打通Omniverse与西门子工业软件

2024年11月:

宣布Earth-2气候数字孪生平台向全球气象局开放

发布Cosmos世界基础模型,可生成物理一致的视频

2025年1月CES:

宣布与多家车企合作,基于Drive Thor平台构建下一代智能座舱

展示Jetson Thor,为人形机器人提供边缘算力

2025 年 3 月 GTC 大会：

正式发布 Blackwell Ultra / B200 系列，明确将多物理场仿真、机器人训练、数字孪生作为核心负载场景

发布 Isaac GR00T N1，首次将人形机器人基础模型以平台级能力对外开放，强调“可在仿真世界中规模化训练”

强化 Omniverse + Cosmos 的组合定位，提出“世界模型（World Model）是物理 AI 的核心资产”

明确提出：Physical AI 是继生成式 AI 之后的下一轮主战场

2025年5–6月：

推动 Omniverse 与主流工业软件体系的深度融合，强化其在制造、能源、基础设施领域的工程级可用性

在机器人与自动驾驶领域，持续扩大 仿真即训练（Simulation-as-Training） 的行业共识

将 合成数据（Synthetic Data） 明确列为物理 AI 的核心生产要素之一

2025年下半年（路线图与生态动作）：

公布 Rubin 架构 路线，强调其面向的是比 Blackwell 更复杂的物理世界建模与推理负载

在机器人、工业自动化领域，推动“模型 + 仿真 + 算力平台”的一体化交付

持续强化 Jetson / Drive / Isaac / Omniverse 的协同关系，形成从云到边缘、从虚拟到现实的闭环

这个节奏说明什么?

说明英伟达已经不再满足于"提供算力",而是要成为"定义物理世界数字化标准"的那个人。

从仿真、数字孪生,到机器人训练、自动驾驶、工业系统,它不是想参与,而是想成为默认底座。

一旦这种"默认"被全球开发者和产业接受,后来者将面对的,不是竞争,而是绕不开的体系壁垒。

历史的残酷教训:错过窗口期的代价

这就是为什么我会反复强调"时间紧迫"。

物理AI和内容AI最大的不同在于:它一旦进入工程体系,就极难被替换。

模型可以更新,应用可以迁移,但工程底座一旦被写进研发流程、验证体系和工业标准,替换成本高到几乎不可承受。

看操作系统的历史。

1990年代初,Windows还不是唯一选择。OS/2、BeOS、Linux都有机会。

但微软通过OEM预装协议,把Windows变成了PC的"出厂默认"。

到1995年Windows 95发布时,游戏已经结束了。不是因为Windows最好,而是因为:整个软件生态已经围绕Windows构建,替换成本高到不可承受。

今天你让企业从Windows迁移到Linux,不是技术问题,而是:

数万个历史应用需要重新适配

数千名员工需要重新培训

数百个业务流程需要重新验证

这就是工程体系的锁定效应。

看EDA软件的历史。

1980年代,全球有上百家EDA公司。中国也曾有过自己的EDA工具。

但到1990年代,Synopsys、Cadence、Mentor(现西门子EDA)通过与台积电、英特尔的深度绑定,把自己的工具变成了"芯片设计的事实标准"。

到2000年,窗口期已经关闭。

中国芯片设计公司想不用这三家的工具?可以,但代价是:

无法使用台积电的最新工艺库

无法通过晶圆厂的DRC/LVS验证

无法与全球供应链协同

今天我们在EDA领域的艰难追赶,正是当年错过窗口期的代价。

看云计算的历史。

2010年,云计算还是新兴概念。AWS、Azure、阿里云、Google Cloud都在探索。

但亚马逊通过快速迭代服务、建立开发者生态、定义云原生标准,在2012-2015年这三年关键窗口期,建立了难以撼动的领先优势。

到2016年,AWS已经占据云计算市场40%份额,更重要的是:数百万开发者已经习惯了AWS的API、工作流、架构范式。

今天你让一个企业从AWS迁移到其他云?技术上可行,但:

Lambda函数需要重写

S3存储需要迁移

IAM权限需要重构

CloudFormation模板需要翻译

迁移成本动辄数百万美元、耗时数月。这就是错过窗口期后,追赶的代价。

物理AI的窗口期,正在快速关闭

这意味着什么?

意味着如果在关键窗口期没有形成自己的工程体系与基础能力,后面很可能面对的是:只能使用别人定义好的世界。

看今天物理AI的演进速度:

2023年,物理AI还是概念探索阶段。

2024年,英伟达、特斯拉、Figure AI、波士顿动力已经开始大规模训练物理AI模型。

2025年,工程验证体系开始形成:

哪些物理引擎被认为是"可信的"?

哪些数字孪生平台被认为是"工程级的"?

哪些仿真框架被认为是"符合标准的"?

这些问题的答案,正在被快速定义、快速固化。

如果2025-2026年这两年,中国没有自己的工程体系站稳脚跟,到2027-2028年,我们很可能会发现:游戏规则已经被别人写好了。

$索辰科技(SH688507)$ 中国不能缺席的位置

也正是在这个背景下,我重新理解索辰科技的意义。

索辰并不是一家"追着英伟达跑"的公司,它真正重要的价值,在于:

它是中国极少数,长期、系统性地构建"可计算物理世界"的工程型公司。

从能力结构看，索辰的积累，集中在三个层面。

第一，多物理场仿真与耦合计算能力。

围绕结构、流体、热、电磁等多物理场问题，强调工程级稳定性与可验证性，这是构建“可信物理世界模型”的前提。

第二，复杂系统与整机级建模经验。

面向真实工业系统与整机级场景，而非理想化单点模型，强调系统协同、边界条件与工程可落地性。

第三，工程级验证与持续迭代机制。

通过长期项目交付、仿真结果与实测数据的反复对标，在真实产业环境中积累可被复用、可被信任的工程经验。

这些东西看起来慢、重、不性感,但它们决定了:我们有没有能力,在自己的体系内,训练和验证物理AI。

必须说得更直白

必须把话说得更直白一些。

如果没有自己的工程仿真与物理建模能力,所谓"国产物理AI",最终很可能只是运行在别人定义的物理世界之上。

那不是参与竞争,而是接受分配。

想象一个场景:

2027年,中国某家公司开发出了先进的自动驾驶AI模型。

但训练这个模型,需要:

使用英伟达的Isaac Sim仿真环境

调用Omniverse的物理引擎

遵循英伟达定义的数据格式和验证标准

这个模型,再先进,也是建立在别人的物理世界假设之上。

如果某一天,英伟达调整了物理引擎参数、修改了数据接口、提高了授权费用——你能怎么办?

这就是没有自主工程体系的代价。

这是中国AI发展中,最不能错过的一战

这也是为什么我认为:物理AI是中国AI发展中,最不能错过的一战。

不是因为它最热,而是因为它一旦错过,就很难补课。

对比内容AI和物理AI:

内容AI领域:

落后了?可以追模型(从GPT-4追到GPT-5水平)

算力不够?可以堆卡(从1000卡扩展到10000卡)

数据不足?可以爬取、合成、清洗

时间换空间的可能性:存在

物理AI领域:

工程体系一旦成型,后发者要付出的代价呈指数级上升

不是"追模型"的问题,而是"能否被产业接受"的问题

不是"堆算力"能解决的,而是长期工程积累的问题

时间换空间的可能性:极低

看一个对比:

2025年初，DeepSeek通过巧妙的工程优化,用较少算力训练出了接近GPT-4水平的模型。这证明:内容AI领域,后发依然有机会弯道超车。

但如果今天中国要从零开始做一套EDA工具,想达到Synopsys的水平?即使有无限资金,也需要至少10-15年,因为:

需要与台积电、三星合作,积累工艺库

需要数千个芯片项目的验证

需要全球IP生态的接受

这就是工程体系的时间壁垒。

资本市场为什么要提前定价?

回到资本市场的视角。

为什么在牛市+情绪共振下,第一阶段给到700亿这样的定价,并不夸张?

因为市场真正定价的,不是"今年赚多少钱",而是一个更残酷的问题:

如果这一代物理AI体系成型,中国有没有自己的工程底座型公司?

市场的逻辑非常简单:

如果有,那这家公司的价值,就是"中国物理AI产业的基础设施"。

如果没有,那中国物理AI产业,就要永久支付"租用物理世界"的成本。

在这种问题面前,"贵不贵"反而变成了次要问题,"有没有、来不来得及",才是核心。

用一个类比:

2000年代初,中国在操作系统、数据库、EDA、工业软件等领域,都没有建立自主体系。

今天我们回头看,那时候如果愿意为"中国的Oracle""中国的Windows""中国的Synopsys"支付"看起来很贵"的估值,是贵还是便宜?

答案不言自明。

今天我们为"中国的物理AI工程底座"提前付费,本质上是在为"不错过窗口期"买单。

紧迫感,不是情绪,而是判断

所以,这一篇我想表达的,不是乐观,而是紧迫感。

不是情绪,而是判断。

英伟达不会等我们。全球物理AI的标准,也不会慢慢形成。它正在被快速定义、快速固化。

看三个时间节点:

2025年:标准探索期

各家都在试错,工程体系尚未固化

这是最后的并行竞争窗口

2026年:标准收敛期

主流方案开始浮现,产业开始选边站队

窗口期开始收窄

2027年:标准确立期

工程体系基本成型,后来者面临巨大切换成本

窗口期基本关闭

如果这一轮不能全力以赴,后面再想参与,很可能已经不在同一张牌桌上。

索辰,站在了一个不能缺席的位置

而索辰科技,在我看来,至少已经站在了一个不能缺席的位置上。

它是否能承担起更大的角色,需要时间和结果验证;但如果连这样的位置都被忽视,那才是真正的遗憾。

索辰今天的价值,不仅是它的技术和客户,更是它代表的可能性:

中国能否在物理AI工程体系中占据一席之地?

中国的自动驾驶、机器人、智能制造,能否在自主可控的物理世界中训练?

中国能否在这一轮物理AI标准制定中,发出自己的声音?

索辰的成败,某种程度上,就是这些问题的答案。

这不是结论,而是一种态度

这一篇,不是结论,而是一种态度。

物理AI的窗口期,正在快速收窄。这一次,不能再慢慢来。

时间表已经很清楚:

2025年:抢位置

2026年:证明能力

2027年:体系固化

留给我们的时间,只有2-3年。

下一篇,我会把视角再推一步:如果这是一场"体系之战",那么真正的胜负,将如何在产业、资本和工程三条线上同时展开。

时间不多了,但方向,已经非常清晰。

最后,引用黄仁勋在2024年GTC上的一句话:

"The next wave of AI will be physical AI. And whoever defines how the physical world is digitized, will define the future of AI."

"下一波AI将是物理AI。而谁定义了物理世界如何被数字化,谁就定义了AI的未来。"

这场战斗,已经开始。

而中国,不能缺席。