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企业，目前尚未公开任何营收数据，但其估值有望达到200亿美元，折合人民币约1400亿元。

10月27日，有海外媒体报道指出，美国公司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。

资本市场为何愿意给予一家尚未证明自身盈利能力的公司如此高的估值？

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进入物理世界的潜力。如果AI能真正理解现实环境并指挥机器人完成任务，将对工业和服务业带来深刻变革。

但他也提醒，判断机器人AI的真实能力，不能仅凭演示视频，还需关注训练数据、跨场景工作能力，以及模型与机器人硬件的协同性。

两年多时间，估值飙升至200亿美元

Physical Intelligence成立于2024年，总部设在美国旧金山。

其创始团队背景显赫，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）等人。

他们的目标是为不同类型的机器人配备通用大脑，使其能理解环境与人类指令，并据此执行任务。

举例来说，当人告诉机器人“把桌上的衣服叠好”，它需先用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。任何一步失误都可能导致任务失败。

该公司研发的π系列模型，正是为了让机器人逐步获得这种能力。

资本迅速给出了高估值。2024年3月，Physical Intelligence在尚无任何成果时，便完成了约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，估值达到约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，估值已增长超过8倍。

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。

若这项能力成熟，机器人便有望从只能执行固定动作的机器，转变为能处理更复杂任务的劳动力。

能叠衣服，不代表能胜任工人角色

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

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

首次尝试时，机器人仅完成了部分动作。研究人员随后通过语言逐步指导，告诉它如何打开抽屉、拿取工具、操作设备。经过多次指导与调整，机器人逐渐习得这套操作，最终能自主完成任务。

这个实验的亮点在于，机器人此前未专门学习过该款空气炸锅的使用方法，而是将已掌握的多种技能组合起来，尝试完成新任务。

这就是行业常说的泛化能力。通俗而言，即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，换一种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用于叠衣服训练的双臂机器人，结果仍能完成叠衣任务。

然而，演示成功仅是第一步，让机器人真正进入工厂，难度要大得多。

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

大模型可从互联网获取大量文字和图片，但机器人需学习具体动作。它不仅要识别眼前物体，还需掌握手臂如何移动、物体是否抓稳、任务是否完成。这些数据需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、夹爪和摄像头各不相同，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分享了一个很有意思的案例。

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，能较稳定地完成任务。

Skild AI还举了一个例子：假设机器人准确率已达99.9%，但工作速度比人工慢10倍，放进工厂生产线依然无法使用。

这才是机器人商业化真正难啃的硬骨头。

一段演示视频可以反复拍摄，但机器人需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、出了问题能否自行处理，以及最终能节省多少成本。

有人尚未盈利，有人已拿下1亿美元ARR

机器人基础模型能否赚钱，同行已提供一种参考答案。

Skild AI成立于2023年，同样致力于研发能适配不同机器人、不同任务的通用模型。

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，公司公布了一组商业化数据：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。

需说明的是，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的客户分布于仓库、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，机器人常需重新编程；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不能简单视为模型授权收入。Skild AI已深入仓库、工厂和餐饮等场景，收入涉及多种机器人任务，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盈利，可能还需亲自下场解决客户问题。仅训练出模型，再等待机器人厂商主动买单，未必可行。

Physical Intelligence也在探索自己的商业化路径。

10月13日，公司开放了Pi API测试版。简单来说，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，需准备数据、算力，并组建专门的算法团队。现在，它可尝试将机器人数据上传至Physical Intelligence的平台，借助其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，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开始尝试将模型能力变为一项对外服务。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节奏：Skild AI先深入工厂、仓库，获取客户订单；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。

前者更早获得收入，后者则押注更大的模型平台市场。谁的路线最终更具优势，目前尚无定论。

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。