KeyFrame內部研究專用

黃仁勳親自欽點⁉️執笠手機公司 BlackBerry 變身 AI 機械人主系統🤖下一個大浪提前準備

Coco哥·6月20日週六·30 min中文

三句話摘要

BlackBerry 旗下 QNX 作業系統憑藉 40 年安全認證積累,成為 NVIDIA 指定的機器人核心 OS,從手機品牌蛻變為 Physical AI 基礎設施隱形霸主。 --- BlackBerry 的逆襲本質是「安全認證壁壘 × 40 年行業標準 × NVIDIA 背書」三者疊加,QNX 正在複製 Windows 與 iOS 的生態霸位邏輯,但現價已大幅提前反映預期,進場時機取決於你對機器人落地速度的判斷。 QNX 擁有機器人 OS 三大不可替代技術門檻

重點整理

重點
  • 1

    QNX 擁有機器人 OS 三大不可替代技術門檻

  • 2

    Windows 響應延遲 200 毫秒,Linux 一旦核心崩潰全部失效,而 QNX 具備毫秒級即時決策、ISO 26262 ASIL-D 與 IEC 61508 SIL-3 最高安全認證,以及微型內核獨立架構(單一模組崩潰不影響其餘系統),三項條件同時達標,現階段競爭對手均未能複製。

  • 3

    40 年護城河非短期可追趕

  • 4

    BlackBerry 自 1980 年起耕耘任務關鍵型軟體,安全認證需要數億美元 R&D 與多年時間積累,如同 iOS/Android 已佔據手機生態位,QNX 已成汽車電子系統事實標準,後進者即便技術到位,生態切換成本極高。

  • 5

    NVIDIA 背書使 QNX 取得 Physical AI 的 C 位

  • 6

    NVIDIA 在漢諾威工業展公開宣布 QNX OS for Safety 8.0 與 IGX 4 整合,涵蓋倉儲機器人、人形機器人、手術機器人、醫療影像、工業自動化五大場景,等同宣告 QNX 為 Physical AI 時代的預設 OS。

  • 7

    市場規模龐大,軟體授權幾乎零邊際成本

  • 8

    人形機器人 2030 年預計 150–200 億美元、手術機器人 300 億美元、工業自動化 3,000–3,500 億美元,若 QNX 吃下 1–3%,即 30–100 億美元營收,而軟體授權幾乎無額外成本,獲利槓桿極大。

  • 9

    --

實用技巧與重點

乾貨
  • 具體數字
  • QNX 累計裝機量:2.7 億台(汽車為主)
  • 股價區間:3.1 → 10.9 美元(漲幅 ~3.5 倍),現約 8.4 美元
  • QNX 2026 Q4 營收:7,870 萬美元,YoY +20%
  • 積壓訂單(已簽約未收款):9.5 億美元
  • BlackBerry 2026 全年 revenue guidance:5.31 億美元
  • BlackBerry 2027 guidance:5.84–6.11 億美元
  • Cyber Security 業務:2.4 億美元
  • 市場預估 QNX 機器人潛在市場份額:30–100 億美元
  • Morningstar 公允價值估算:4 美元;華爾街共識目標價:4–5 美元
  • 市場規模預測(2030 年)
  • 人形機器人:150–200 億美元(Goldman Sachs),2035 年達 380 億美元
  • 手術機器人:300 億美元
  • 工業自動化機器人:3,000–3,500 億美元
  • 技術標準
  • ISO 26262 ASIL-D(汽車功能安全最高級)
  • IEC 61508 SIL-3(工業安全完整性最高級)
  • 微型內核(Microkernel)架構:模組故障隔離
  • 工具/平台/模型名稱
  • NVIDIA IGX 4(工業級邊緣 AI 計算平台)
  • QNX OS for Safety 8.0
  • Tesla Optimus、Figure AI、Boston Dynamics(競爭機器人廠商)
  • DaVinci Robot(ISRG Intuitive Surgical)
  • 汽車客戶清單
  • BMW、Mercedes、Toyota、Honda、Volkswagen、Volvo、吉利、東風、Bosch、Continental
  • 相關股票清單
  • BlackBerry(BB)、NVIDIA、Tesla、小米
  • Figure AI(未上市)
  • 倉儲物流:Symbotic、Kion Group(KGX)、Amazon
  • 手術機器人:ISRG、SYK(Stryker)、2252 微創醫療機器人
  • 視覺晶片:AMBA(Ambarella)、Broadcom、Marvell
  • 日本精密減速器:6324 Harmonic Drive System(全球份額 40–50%)、6954 Yaskawa、6594 Nidec
  • 中國減速器:深圳 2472 雙環傳動(Tesla Optimus 供應商)
  • ETF:BOTZ、ROBO、3034 南方東英機器人 ETF(港股)
  • --

結論

結論

BlackBerry 的逆襲本質是「安全認證壁壘 × 40 年行業標準 × NVIDIA 背書」三者疊加,QNX 正在複製 Windows 與 iOS 的生態霸位邏輯,但現價已大幅提前反映預期,進場時機取決於你對機器人落地速度的判斷。

完整解析

詳細

BlackBerry 曾是企業高管身份象徵,Push E-mail 手機人手一部,但 2016 年被 iPhone 打敗後正式停產手機。然而這家公司並沒有真正消亡——它悄悄轉型成為一家專注安全作業系統的軟體公司,旗下 QNX 系統已嵌入全球 2.7 億台汽車,BMW、Toyota、Bosch、Continental 等一線車廠與零件供應商的電子安全系統,底層全部跑著 QNX。這個「隱形帝國」的存在,讓絕大多數人渾然不覺。

機器人為何需要 QNX?核心原因在於三道技術門檻,現有主流 OS 全部不達標。第一,即時性:機器人在運動中遭遇突發狀況,必須在幾十毫秒內作出反應,如同人體脊椎的條件反射,不經大腦。Windows 的響應延遲高達 200 毫秒,早已出局。第二,安全認證:ISO 26262 ASIL-D 與 IEC 61508 SIL-3 是自動駕駛與醫療機器人的法規門檻,沒有這些認證,機器人在有人的環境中根本無法合法運作,而取得認證需要數億美元研發投入與多年時間,無法速成。第三,微型內核架構:QNX 採用模組化設計,視覺模組崩潰不會拖垮驅動系統,機器人不會因局部故障而失控橫衝。相比之下,Linux 的單核架構一旦崩潰,全車系統同時失效——近年多起電動車刹車失靈事故,根源正在於此。

2025 年 4 月,NVIDIA 在德國漢諾威工業展公開宣布,QNX OS for Safety 8.0 與其工業級邊緣 AI 平台 IGX 4 深度整合,指定 QNX 為 Physical AI 生態的中央作業系統,覆蓋倉儲機器人、人形機器人、手術機器人、醫療影像與工業自動化五大場景。黃仁勳的背書,讓 BlackBerry 股價從 3.1 美元飆升至 10.9 美元。這一邏輯與 Windows 統治桌面、iOS/Android 統治手機如出一轍:當一個 OS 成為行業預設標準,後進者的替代成本極高,生態慣性會自我強化。

從財務角度看,BlackBerry 目前 QNX 年營收約 3 億美元,但市場潛力測算顯示,三大機器人子市場 2030 年合計規模逾 3,500 億美元,若 QNX 能吃下 1–3% 的授權費,即 30–100 億美元——而軟體授權幾乎無邊際成本,獲利槓桿驚人。當然,市場存在三種分歧:樂觀派認為 NVIDIA 背書加 40 年護城河無懈可擊;技術派則指出 Morningstar 公允價值僅 4 美元,主流分析師目標價 4–5 美元,現價已透支未來;謹慎派則擔憂 Tesla、Boston Dynamics、大陸廠商各自為政,QNX 的滲透率存在高度不確定性。真正的機器人大規模商業落地最快也要等到 2028–2029 年,現在的股價是在對未來下注。

---

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。