估值逼近200亿美元，资本看中了Physical Intelligence什么？

Physical Intelligence 联合创始人合影，图片经由 AI 生成

10月27日美国当地时间，外媒称旧金山机器人 AI 初创公司 Physical Intelligence 正在洽谈新一轮融资，金额至少 10 亿美元，投后估值将逼近 200 亿美元。

这轮融资由现有投资方 Avenir 和 Lux Capital 领投。

短短两年，这家初创公司的估值一路走高。2024年11月完成 4 亿美元融资时，其估值为 24 亿美元；到 2026年7月，估值已升至 110 亿美元。仅隔数月，公司又寻求以接近 200 亿美元的投后估值融资，相比 7 月的水平接近翻倍。

这轮融资也让人看到机器人 AI 公司的另一种估值逻辑。传统机器人企业值多少钱，往往看产品交付、订单规模和商业化进展。

Physical Intelligence 至今没有正式商业化产品，估值却可能逼近 200 亿美元。投资人的看重之处，在于其通用机器人模型的技术潜力，以及这项技术日后在不同机器人、不同应用场景中的拓展空间。

换句话说，投资人买的不是它眼下卖出了多少硬件，而是提前押注通用机器人时代的底层“操作系统”。

01 资本押注机器人的“通用大脑”

Physical Intelligence 内景

Physical Intelligence 成立于 2024 年，创始团队包括前 Google DeepMind 知名研究员卡罗尔·豪斯曼（Karol Hausman），以及来自加州大学伯克利分校的塞尔盖·莱文（Sergey Levine）、

这家公司集结了顶级学术与工程力量，核心目标是开发能适应不同任务和机器人形态的通用基础模型。创始人团队想用大模型给机器人补上“物理常识”，让它理解环境、自主决定动作，再把掌握的能力迁移到不同场景。

规模法则（Scaling Law）在大语言模型领域已经验证了威力，数字世界吃得开。可到了物理世界，机器人面对的技术挑战完全不同：识别一件衣服的图像不难，难的是抓取时按材质调节力度，在衣服形状不断变化的过程中完成折叠，这需要把视觉感知、触觉反馈与连续动作精细地结合起来。

Physical Intelligence 的旗舰模型 pi-zero，正是冲着这道难题去的。模型把图像、文本与机器人动作直接绑定，训练数据来自真实机器人在物理环境中采集的数据。

公开演示里，搭载该模型的机械臂能折叠衣物，也能整理餐具，甚至削蔬菜皮。跨任务的泛化能力说明一件事：如果通用模型能在复杂环境中凭已有经验解决新问题，开发机器人应用的成本和周期有望大幅降低。

这条路也打开了用软件补足硬件的商业想象。联合创始人塞尔盖曾指出，现有低端机械臂单价约 3500 美元，若自主生产，材料成本可降至 1000 美元以下。只要通用模型足够聪明，普通硬件也能完成过去只有高昂专用设备才能做的复杂任务，性价比极高。

零营收阶段投资人仍愿意持续加注，看中的正是软硬解耦后的平台潜力：通用模型一旦跑通，就不再受限于单一硬件或特定场景，有可能成为整个机器人产业链的底层基础设施。

02 估值狂飙的“物理AI”

Physical Intelligence 的高估值并非孤例。整个物理 AI 赛道已全面进入资本密集型竞争阶段，不过赛道内的头部玩家在商业化路径与研发哲学上，正做出截然不同的选择。

软硬一体路线的代表是 Figure AI，估值已攀升至 390 亿美元。它选择自研人形机器人实体，并最早把设备推进到宝马工厂等真实场景试点，想用软硬件垂直整合的能力和工业场景测试来验证价值。

主打通用大脑的赛道里，Skild AI 代表“数据飞轮”路线，估值已超过 140 亿美元。它在研发通用模型的同时坚持快速商业化，公布的年度经常性收入（ARR）已突破 1 亿美元，希望靠商业落地积累的真实数据反哺模型迭代。

拉奇·格鲁姆（Lachy Groom）作为公司联合创始人曾公开表态，短期内不会给投资人拿出具体的商业化路线图。Physical Intelligence 反倒更像一家纯粹做研究的机构：商业化变现被它往后放，短期营收宁可不要，资源也要压在攻克基础模型问题上。

这种研发姿态能得到资本“包容”，是因为投资人想借它赌出一个机器人领域的

03 真正的考验才刚刚开始

资本盛宴热闹，但接近 200 亿美元的估值也意味着极高的容错风险。通用机器人技术要从实验室走进现实世界，仍有绕不开的现实挑战。

最直接的难点是物理数据从哪来。网上文本和图像几乎取之不尽，机器人却不一样：它的交互数据得靠实体设备在真实环境里一遍遍跑、试错，甚至摔跟头才能攒下来。这类数据既贵又难迅速放量，成了模型往前走的一道硬坎。

真实场景对可靠性的要求又是另一重考验。实验室里排练好的演示，放到家里有乱窜的宠物、工厂里光线忽明忽暗、非标物件五花八门，根本是两回事。一旦牵涉人机交互和安全合规，任务成功率、运行稳定性、安全性都得拿更高的标准来衡量，泛化上出一点小偏差，都可能留下安全隐患。

商业化耐心同样在受检验。长时间拿不出清晰的商业化路线图，在技术红利期资本或许还能忍；可技术演进一旦卡在阶段性瓶颈，或者对手靠场景落地跑出更强的数据飞轮，接近200亿美元的估值就会承受巨大的倒挂压力。

换句话说，接近200亿美元的估值，说明风险投资已经为物理世界AI时代的入场券掏出了高昂溢价。但资本肯冒高风险，不等于技术和商业化已经大功告成。

往后真正该盯的，是Physical Intelligence能不能捅破物理数据的规模法则这层天花板，在复杂的真实场景里把泛化的承诺兑现，最终拿可重复验证的应用成果，证明这套通用大脑的商业价值。

特约编译无忌对本文亦有贡献