2026年10月27日，量子位一篇報導標題寫著「喬布斯的皮克斯，狂讚中國物理AI數據終端」。皮克斯在3D渲染教程說明中感謝中國公司禾賽科技提供Kosmo 3D場景掃描方案，這句話的份量不在於讚美本身，而在於它點破了一個正在發生的估值邏輯轉向：頂尖智能汽車玩家的終局，不會停在智能汽車。車廠賣的究竟是什麼？如果答案仍是交付量，那可能看漏了最關鍵的資產。

香港這邊，私家車登記量約五十萬輛，但智能網聯車測試直到2024年才發出首個自動駕駛測試牌照，且限定於指定路段。機場「航天走廊」與西九文化區的自動駕駛接駁車屬點狀試驗，規模遠不及內地城市。當內地車隊每日產生的傳感器數據成為物理AI的訓練素材，香港在這場數據競賽中幾乎缺席。更現實的路徑，是依託港深河套區的跨境數據沙盒，而非指望車隊規模。

車廠賣的不是車，是數據入口 頂尖智能汽車玩家已將業務定義為物理AI數據終端。車輛每日在路上行駛，激光雷達、攝影機、慣性測量單元同步採集多模態數據，這些真實世界的交互記錄，正是訓練物理AI模型的原材料。皮克斯在教程中感謝禾賽的Kosmo方案，反映外界已注意到這條數據鏈的厚度。一輛車的價值，不再只寫在配置表上。

判斷很直接：車企估值邏輯正從交付量轉向數據資產與模型迭代速度。交付量是線性指標，數據資產卻有複利效應——車隊規模愈大、行駛里程愈長，採集到的長尾場景愈豐富，模型迭代就愈快。這種飛輪一旦轉起來，後來者很難用單純的價格戰追趕。不過，數據資產目前仍缺乏統一的會計與定價框架，說它值錢容易，要說值多少錢，財報上還看不到。

反面意見也值得擺出來：數據入口的說法，容易掩蓋一個事實——多數車廠仍未證明這些數據能直接轉化為可收費的產品。終局不會停在智能汽車，但從現在到終局之間，車廠仍要靠賣車養活數據團隊。若交付量下滑，數據採集的規模優勢也會同步收縮，兩者並非完全脫鉤。

物理AI與語言模型的根本差異 語言模型可以從互聯網文本低成本獲取語料，爬取網頁的成本近乎零。物理AI沒有這種捷徑：它需要真實世界的傳感器交互數據，涉及激光雷達、攝影機、慣性測量單元的多模態同步，成本遠高於爬取網頁。每一段有效的物理數據，背後都是一輛車、一個機械人、一次真實的移動。這也是為何車隊規模與數據採集能力，會成為物理AI競爭的入場券。

多模態同步的難度不只在硬件。不同傳感器的時鐘要對齊，點雲與影像要標註，長尾場景要篩選，這些工序目前仍大量依賴人工與算力。換句話說，物理數據的採集成本不是一次性投入，而是伴隨車隊營運持續產生的變動成本。這與語言模型「一次爬取、反覆使用」的經濟結構完全不同，也解釋了為何物理AI的規模化更難。

不確定之處在於：物理數據的規模是否真能轉化為通用能力，學界仍有爭議。有研究者認為，自動駕駛採集的數據高度集中於道路場景，對通用機械人的遷移價值有限；亦有團隊主張，多模態時序數據本身就是通用表徵的基礎。這場爭論未有定論，但可以肯定的是，誰掌握低成本、大規模的物理數據採集能力，誰就握有下一階段訓練資源的談判籌碼。

中國團隊的規模優勢與其邊界 中國城市道路的複雜程度，是物理AI數據採集的天然優勢。以深圳為例，2024年全市機動車保有量超過400萬輛，其中新能源車佔比逾六成，每日產生的多模態行駛數據以PB計。車隊基數大、場景多樣，令中國團隊在長尾場景覆蓋上具備速度優勢。但規模本身不是答案。數據標註的一致性、傳感器同步的精度、極端場景的觸發率，這些指標不會因為車多而自動改善。

跨境數據流動是另一道硬邊界。《數據安全法》與《個人信息保護法》對重要數據和個人資訊的出境設下嚴格評估程序，車載攝影機拍攝的道路影像涉及地理資訊與人臉，幾乎必然觸發監管審查。這意味著在中國境內採集的物理數據，難以直接複用於海外市場的模型訓練。車廠若要在歐洲或東南亞部署物理AI，須在當地重建數據鏈，規模優勢於是被地域切斷。

反面意見值得認真對待：規模不等於質素。內地有車廠宣稱累積過億公里自動駕駛里程，但其中絕大部分是高速公路與城市主幹道，真正決定物理AI安全邊界的城中村窄巷、暴雨積水、非標準交通參與者等場景，佔比可能不足百分之五。標註團隊的流動率高、長尾場景的觸發頻率低，這些結構性瓶頸不會因為車隊從十萬輛擴到百萬輛而消失。

更值得問的是：數據採集成本下降的曲線，是否跟得上模型參數膨脹的速度？激光雷達單價已從2020年的近萬元人民幣跌至2024年的兩三千元，但整車傳感器套件的成本仍以萬元計。當車廠將數據入口的價值計入商業模式，每輛車的硬件冗餘最終由誰埋單，答案並不清晰。規模優勢的邊界，可能不在監管，而在單位數據的經濟性。

香港的位置：數據沙盒而非車隊 香港私家車登記量約五十萬輛，但智能網聯車的測試空間遠小於此。運輸署自2024年起發出首個自動駕駛測試牌照，限定於指定路段，其後機場「航天走廊」與西九文化區的接駁車試驗亦屬點狀場景。以這種規模，香港不可能靠本地車隊積累有意義的物理AI數據。五十萬輛車多數在擠迫市區短途行駛，場景重複度高，對訓練長尾模型幫助有限。

更現實的切入點在河套。深港科技創新合作區的跨境數據政策，容許在特定沙盒內進行數據跨境流動的壓力測試。香港的大學在機械人視覺、光達點雲處理、傳感器融合方面有扎實研究基礎，港大與科大的實驗室曾參與內地車廠的感知算法項目。這些團隊的價值不在提供車隊，而在提供標註方法論、驗證工具與國際合規經驗。

香港的另一個角色是監管參照。本地沿用普通法體系，個人資料私隱專員公署對車載攝影機的指引與歐盟GDPR的邏輯較為接近。內地車廠若要將物理AI產品推向海外，香港可作為合規驗證的中間站：先在香港的受限場景測試數據處理流程，再複製到歐洲。這條路徑的瓶頸在於，沙盒的規模太小，測試結果的統計顯著性有限。

不確定之處在於政策節奏。河套的跨境數據安排仍以試點形式運作，具體的數據分類分級標準、出境審批時限、責任歸屬機制尚未完全公開。若沙盒的審批周期以月計，初創團隊的迭代速度會被拖慢。香港要成為物理AI數據鏈的一環，需要的不是更多測試路段，而是可預期的跨境數據規則與夠快的審批流程。

物理AI的數據競賽，本質是關於真實世界入口的爭奪。中國團隊的車隊規模與道路複雜度，提供了全球少有的採集密度，但《數據安全法》的出境限制與長尾場景的標註瓶頸，令這份優勢難以直接兌換成全球市場的訓練資源。皮克斯對禾賽方案的感謝，是對工具執行力的認可，不是對數據質素的背書。當車廠將自己定義為數據終端，投資者要問的是：每公里數據的採集成本、標註成本與合規成本，何時能降到讓模型迭代自給自足的水平。

香港在這條鏈條上的位置，不是車隊，而是規則與驗證。五十萬輛車的市場規模，注定無法在數據量上競爭；河套的跨境沙盒與本地大學的傳感器研究，才是可持續的切入點。但沙盒的審批速度與政策透明度，將決定香港是成為物理AI數據合規的中間站，還是停留在簡報上的概念。若跨境數據規則繼續以年為單位更新，香港連驗證的角色都難以站穩。