投资人开抢三位教授，估值1400亿

一家成立仅两年多的机器人AI初创企业，至今尚未公开营收数据，但其估值却可能冲击200亿美元，折合人民币约1400亿元。

10月27日，有外媒报道指出，美国企业Physical Intelligence正就新一轮融资进行洽谈，计划募集至少10亿美元，目标估值约为200亿美元。

资本为何愿意为一家尚未证明盈利能力的公司开出如此高价？

咏归基金创始合伙人张以哲向铅笔道表示，资本看重的是AI进入物理世界的想象空间。如果AI能真正理解现实环境并指挥机器人完成任务，这将给工业和服务业带来深远变革。

但他也提醒，判断机器人AI的实际能力，不能仅看演示视频，还需考量训练数据、跨场景工作能力，以及模型与机器人硬件的配合程度。

两年多，估值冲向200亿美元

Physical Intelligence成立于2024年，总部位于美国旧金山。

创始团队背景深厚，成员包括曾在谷歌DeepMind工作的豪斯曼（Karol Hausman，斯坦福教授）、加州大学伯克利分校教授莱恩（Sergey Levine，1987年生）、斯坦福大学教授芬恩（Chelsea Finn，1992年生，是莱恩的学生）等。

他们的目标是给不同类型的机器人装上通用大脑，使机器人能够理解环境与人类指令，并根据实际情况执行任务。

举例来说，当人类指示机器人“把桌上的衣服叠好”，它需要先通过摄像头识别衣服的位置和形状，再判断如何抓取、翻转、折叠，最后控制机械臂完成动作。其中任何一步出错，都可能导致任务失败。

该公司研发的π系列模型，旨在逐步赋予机器人这种能力。

资本迅速给出了高估值。2024年3月，Physical Intelligence尚未推出产品，就完成了约7000万美元的种子轮融资。同年11月，公司再获4亿美元融资，估值达24亿美元，投资方包括OpenAI、亚马逊创始人贝索斯等。

2025年11月，公司完成6亿美元融资，估值升至56亿美元，由谷歌母公司Alphabet旗下的CapitalG领投。

2026年5月，公司又完成约10.5亿美元融资，估值达约112亿美元。到10月，新一轮融资谈判中的目标估值已升至200亿美元。

从2024年11月的24亿美元到如今的200亿美元，估值增长了8倍多。

资本押注的核心，是机器人能否理解现实世界中的物体、空间和动作。

如果这一能力成熟，机器人就有机会从只能重复固定动作的机器，转变为能处理更多复杂任务的劳动力。

会叠衣服，不代表能当工人

Physical Intelligence已展示了多项机器人能力，其中一个有趣的测试是让机器人使用空气炸锅烤红薯。

研究人员并未专门采集机器人操作这款空气炸锅的数据，而是直接下达指令，让机器人将红薯放入并完成烹饪。

第一次尝试时，机器人只完成了部分动作。随后，研究人员通过语言逐步指导它，告诉它如何打开抽屉、拿取工具、操作设备。经过多次指导和调整，机器人逐渐掌握了这套流程，最终能自主完成任务。

这个实验的特别之处在于，机器人此前并未专门学习这款空气炸锅的使用方法，而是将过去掌握的不同技能组合起来，尝试完成新任务。

这正是行业常说的泛化能力。通俗来说，就是机器人学会叠一种衣服后，换一件衣服是否还能叠好；学会抓取一种零件后，换个形状或位置是否还能完成。

Physical Intelligence还进行了跨设备测试，让模型控制一台此前未专门用于叠衣服训练的双臂机器人，结果仍能完成叠衣任务。

不过，演示成功只是第一步，真正让机器人进入工厂，难度要大得多。

咏归基金创始合伙人张以哲认为，判断机器人模型水平，首先要看训练数据是否有效。

大模型可以从互联网获取大量文字和图片，但机器人需要学习具体动作。它不仅要知道眼前有什么，还要了解手臂如何移动、物体是否抓稳、任务是否完成。这些数据需要通过真实机器人操作不断积累。

其次是跨场景工作能力。机器人在实验室叠好一件衣服，换一件材质不同、摆放位置不同的衣服，是否还能完成？在固定位置抓取零件成功，也不代表换一条生产线就能稳定工作。

最后是模型与硬件的配合。不同机器人的机械臂、关节、夹爪和摄像头各异，同一套模型换到另一台机器人上，可能需要重新调整。

同行Skild AI分享了一个有趣的案例。

团队训练机器人煎鸡蛋，花了一周时间才做出第一颗。随后，又花了两个月，才让机器人面对不同鸡蛋和操作环境时，都能比较稳定地完成任务。

Skild AI还举例：假设机器人准确率达99.9%，但工作速度比人工慢10倍，放进工厂生产线仍无法使用。

这才是机器人商业化真正难啃的骨头。

一段演示视频可以反复拍摄，机器人却要面对每天变化的真实环境。客户不会因它偶尔成功一次就买单，更关心它能否连续工作、出问题能否自行处理，以及最终能节省多少成本。

有人还没赚钱，有人已经拿下1亿美元ARR

机器人基础模型能否赚钱，同行已给出一种参考答案。

Skild AI成立于2023年，同样致力于研发可适配不同机器人和任务的通用模型。

今年1月，Skild AI完成14亿美元C轮融资，估值超140亿美元，软银领投，英伟达旗下NVentures、贝索斯旗下投资机构等参与。

9月，公司披露了一组商业化数据：正式商业部署仅10个月，付费客户已超60家，年化经常性收入（ARR）突破1亿美元，累计确认收入达5000万美元。

需要解释的是，ARR是按当前业务规模折算的年化收入，并不意味着公司已实际收到1亿美元。

Skild AI的客户分布在仓库、工厂、配送、安防和餐饮等场景。例如，它与英伟达、富士康合作，将模型部署在双臂机器人上，用于英伟达Blackwell系统的高精度组装。过去，生产线更换产品时，机器人往往需重新编程；引入模型后，团队希望减少这类重复调试工作。

另一项合作来自日本，Skild AI与住友电装合作，尝试让机器人完成汽车线束制造中的复杂工序，还与三井物产在商业厨房开展通用机器人试点。

这些项目让模型有机会进入真实生产环境，也使Skild AI开始获得客户付费。

不过，1亿美元ARR不能简单理解为模型授权收入。Skild AI已深入仓库、工厂和餐饮等场景，收入涉及不同类型的机器人任务，具体的软件授权、设备部署和系统集成收入比例并未公开。

这也说明，机器人基础模型公司想赚钱，可能还得亲自下场解决客户问题。光把模型训练出来，再等机器人厂商上门买单，未必行得通。

Physical Intelligence也在寻找自己的商业化路径。

10月13日，公司开放了Pi API测试版。简单说，就是将自己的模型和训练能力开放给其他机器人企业使用。

过去，一家机器人公司想训练自己的AI模型，需要准备数据、算力，还得组建专门的算法团队。现在，它可以尝试把自己的机器人数据上传到Physical Intelligence的平台，借助对方的模型和算力进行训练，再让机器人执行任务。

公司展示的一个案例是，机器人企业Almond通过这套服务训练双臂机器人，让它完成零件去毛刺任务，从数据迭代到获得可用模型，前后用了4天。

另一家合作伙伴Actor，则将模型用于无人驾驶装载机，让机器自主铲取物料并装入卡车。

这意味着Physical Intelligence开始尝试把模型能力变成一项可对外提供的服务。不过，Pi API目前仍处于测试阶段，公司未公开具体收费标准，也未披露相关营收。距离真正跑通商业模式，还有一段路要走。

两家公司选择了不同的节奏：Skild AI先深入工厂、仓库，拿到客户订单；Physical Intelligence则希望先把模型做得足够通用，再向更多机器人企业开放。

前者更早获得了收入，后者则在押注更大的模型平台市场。谁的路线最终更有优势，目前还难下结论。

张以哲对此的判断很直接：“新技术归根到底还是要经过市场验证，要真的能解决现实问题，才有人买单。”

这也是Physical Intelligence接下来最需要证明的事情。

本文来自微信公众号“铅笔道”，作者：铅笔道，36氪经授权发布。