文 | AIX 财经，作者 | 王璐，编辑 | 魏佳
具身智能行业最近被一个老问题重新击中，机器人 " 大脑 "，到底该怎么卖？
过去两年，具身大脑公司普遍不缺融资、不缺论文、不缺 demo，真正难的是商业化。模型能力看起来都很强，但落到实际操作上，往往还要面对私有化部署、项目制交付、数据合规和验收责任。也正因如此，10 月 13 日当 Physical Intelligence（PI）宣布推出 Pi API beta 版时，迅速引起了行业的讨论。
这家被视为 " 机器人领域 AI 大脑独角兽 " 的公司，其 π 系列模型长期处在第一梯队：π 0、π 0.5 常被公开论文和仿真基准用作强基线。今年 4 月发布的 π 0.7，在多项任务上追平了 PI 此前的专用模型，还能在没专门训练过的任务上，保持不错表现。
如今，它把 " 上传机器人数据—托管微调—云端推理、策略生成—评测回流 " 做成一条服务链，尝试把具身大脑按 API 卖出去。
它不是第一个开放机器人模型能力的公司，但它把这件事做得更像一个产品。就在其官宣后，一家位于旧金山、其核心成员多来自英伟达的机器人团队 Dream-1，也正式发布其创业后的首个模型，并提供 API 服务。当 " 大脑 " 开始可以被调用，大脑公司、本体公司和整个具身智能行业，会被带向哪里？
01.PI 把具身大脑做成了 API
PI 不是突然决定做 API 的。具身算法研究员硅基漫步对 PI 的举动并不意外，"PI 一直专注于大脑，其联创在社交媒体上也一直发布大脑在更新和部署相关的思考。"
这家公司从成立起，就很明确自己要做什么，不做本体，专做通用具身智能模型，也就是机器人世界的 " 大脑供应商 "。
2024 年成立时，PI 的创始阵容几乎囊括了机器人学习领域最顶尖的一群人。CEO Karol Hausman 曾任 Google DeepMind 资深研究科学家；首席科学家 Sergey Levine 是 UC Berkeley 教授，联合创始人 Chelsea Finn 来自 Stanford；工程侧有 SayCan 等语言模型接机器人的核心作者 Brian Ichter、主攻跨本体学习与机器人规划控制的 Quan Vuong，以及曾在 Tesla 和 Anduril 做硬件产品化的 Adnan Esmail，商业化一侧有前 Stripe 高管 Lachy Groom。投资方里，则出现了 OpenAI、红杉、Thrive、Lux、CapitalG，以及亚马逊创始人贝索斯等名字。
资本愿意押注 PI，不只是因为 " 人很强 "，更因为这批人对机器人的判断一致：机器人现阶段缺的不是手、不是腿，甚至不是更贵的硬件，而是智能。
Karol Hausman 在红杉的播客节目里提到，硬件这些年在进步，比如更灵巧的手、更好的人形本体，但这并没有解决根本问题，仍然没有足够的智能去操作这些机器人。他的判断是，哪怕用简单夹爪，机器人早该能切菜、做饭。真正卡住行业的，是机器人还不够聪明。
这也是 PI 和很多机器人公司最大的不同。它不是先造一个机器人，再给它配模型，PI 想做的是 "物理世界的通用 AI 大脑 "，让同一套模型跨机器、跨环境、跨任务工作，而不是被某一个场景绑死。
PI 对路线的选择也很坚定。它不太相信传统机器人那种 " 感知、规划、控制 " 分模块堆系统的方式，而是押注端到端模型。它也不太满足于仿真环境里的漂亮曲线，更强调真实世界强化学习和部署后的数据回流。简单说，就是先把模型放到真实场景里干活，让失败、纠正、再部署形成闭环，靠真实数据把能力磨出来。
这也解释了 PI 为什么要做 API。API 本质上是把它最相信的东西产品化，把在真实任务里迭代模型的整套方法交到客户手里。
在 PI 之前，行业并不缺 " 开放 "。
但之前开放的更多是模型权重、SDK、工具链、研究模型和平台插件。开发者可以下载模型，可以调接口，可以基于开源项目做二次开发，大多数情况下，拿到的仍然是一个 " 能力毛坯 "。用户要自己准备数据，自己训练或微调，自己部署，自己评估，自己承担上线后的效果。
PI 这次的不同在于，它把第三方数据、托管微调、云端推理、评测回流打包成了一条链。
客户上传自己的机器人数据，在 PI 管理的算力上完成微调，再通过云端网关调用模型，随后客户在真机上测试，根据失败情况决定下一轮补采哪些数据。对很多没有模型团队，或者不想重投入训练模型的公司来说，这条路显然比从零自研更快。
当然，这不意味着卖 API 没有门槛。
机器人方向研究生、前方舟无限创始团队成员陈翔宇表示，具身大模型 API 在工程上并不神秘。网关、鉴权、微调、日志、评测、计费，这些和 LLM API 很像。真正难的是，模型能力要可以被复用：第三方数据上传微调后，还能保持泛化；换一个本体、换一个场景、换一批客户，模型还能工作。
成本则是另一个需要考虑的因素。新加坡具身产品应用方向创业者家斌表示，PI 目前没有公布定价，beta 版采用申请制，开发者需要先说明自己想做什么。PI 展示的大部分案例跑的都是云端托管推理，部分早期部署已经暴露出网络连接问题。对客户来说，这意味着除了调用费用，还要为网络稳定性买单。
02.PI 之后，同行慌了吗？
在具身大脑这条赛道上，PI 是很多同行默认的参照系，它把具身大脑做成 API 后，同行会慌吗？
多位受访的具身智能从业者、研究者和创业者都承认，PI 这一步会实实在在地影响行业，但还不至于立刻改写格局，也不会马上带走客户。具体的影响，因企业所处位置而异。本体公司是 PI 的潜在买家，只做大脑的公司是它的直接对手，全栈公司则要重新评估自己的护城河能撑多久。
先看买家。没有自研 " 大脑 " 的本体公司，已经表现出了尝试的意向。
硅基漫步告诉「AIX 财经」，很多硬件和应用公司并不想自己训练 VLA、WAM、世界模型。与其重投入建模型团队，不如先接 PI 的 API，验证自家本体在更强大脑驱动下的能力上限，尤其希望借海外头部模型拉高自家硬件上限。如果 PI 的模型能让本体完成更多任务、适配更多场景，本体厂当然愿意试。
但他们纠结的点也在这里，测试会付费，长期部署未必。
家斌解释，本体公司测试会付费，但卖给应用公司进行部署时，持续的 API 费用企业会嫌贵。在国内，大量场景里人工成本仍然相对低，机器人替代人力的 ROI 本来就比较低。如果再加上一层持续 API 费用，很多项目的账就算不过来了。所以，更现实的做法是用 PI 的模型摸清自家本体的能力上限，找到值得投入的场景，再决定后续路径。
再看对手。只做大脑的公司，感受最为微妙。
真正做模型的人，对 PI 做 API 并不意外，这是很多大脑公司都想过的一条路。硅基漫步观察到，具身模型行业在通过 waitlist、beta API 等方式做外部测试，大家都在思考可行的落地方向。
但在他看来，国内很多具身模型团队还没有证明自己到了 " 可以被第三方反复复用 " 的程度，因此他更想做的是，拿相同数据测一测，PI 训出来的模型和自己的模型差距到底有多大。
这恰恰是 PI 给同行带来的真实压力。过去各家模型都在自己的 demo 里展示，很难横向对照。API 一开放，任何一家本体公司都可以拿同一批数据、同一台机器，去对比 PI 和国内模型的效果。
最后是全栈公司。
短期看，这类公司既有模型也有本体，最不容易慌。具身行业资深工程师Gashero 对 PI 卖 API 不看好，" 它提供的服务更接近 AI Infra 类，托管微调、云端推理、评估闭环。但这意味着，客户要上传自己的训练数据。" 对机器人公司来说，真机数据、失败样本、场景 SOP 往往就是核心资产。他还表示，此举还可能会面临数据泄露风险，" 一旦自身数据被 PI 拿去训练，等于用自己的护城河，免费滋养一个同时服务所有同行的通用大脑。这也是为什么，越强、越有场景的公司，越不会轻易把核心数据交出去。"
但长期看，全栈公司面对的压力反而更复杂。
家斌告诉「AIX 财经」，时间越长，这类公司面临的威胁越多。" 现在全栈公司的优势，很大程度来自于第三方的关键部件和模型能力供给不足。" 他举例说，像 " 类手构型 " 的三指、七自由度灵巧手，目前全球就只有几家在做，但明年可能就是十几家了。"如果大脑模型、灵巧手、执行器、传感器都逐渐供给充足，全栈公司的价值会被重新定价，就像 PC 时代零部件专业化之后，整机厂价值越来越像拼装。"
PI 带来的第一波反应，三类公司的反应各不相同，但多位受访者都提到一个共同判断，具身行业不需要每家公司都重复造一套底层模型，能力有机会向少数基础模型集中。言下之意，现在的大脑公司太多，泡沫很大。陈翔宇认为，PI 做 API 对同行带来的直接冲击是，国内声称做大脑、也融到资，但技术能力不行的团队，会迎来真正出清。
03. 国内会不会跟着做 API？
国内是否会跟进，不止一位从业者表示，大概率会，但不会照抄 PI。
国内接下来更可能先长出 " 平台型具身模型服务 "，而不是立刻长出很多个 " 中国版 PI"。家斌判断，PI 最先可能激发阿里云这类通用大模型平台型公司去做机器人 API 付费模式，" 训模型、托管模型、开放 API、计费结算、服务开发者，这套模式本来就是这类公司的强项。"
这也意味着国内和 PI 是两条路，PI 是把自己的核心模型做成服务，赌的是模型能力本身能成为基础设施；云厂商做具身模型服务，更像在原有算力和模型平台上长出一个新品类。前者是 " 大脑公司服务化 "，后者是 " 平台公司具身化 "。
至于国内具身大脑公司是否会跟进，目前各家并没有明确表明态度。
在和多位从业者交流时，我们发现头部模型公司不是不想跟进，而是要先算清一笔账。开放 API 虽然可能带来新收入，但也会带来风险，例如，模型能力被放到同一套接口下直接比较，真机数据托管涉及合规和商业机密，客户还可能借此压价。
因此，他们更想先观望 PI 的 API 成交效果，重点关注三个维度。
首先，这个 API 到底能干多完整的活。如果只是 " 传一点数据，换回一个更聪明一点的模型 "，那还不是完整的具身大脑服务。行业更期待的是，能接上客户的机器人数据，并帮客户微调出真正能部署到自己机器上的模型。
其次，这个服务能不能装进客户自己的环境里。
只支持公有云 API 还远远不够，对于很多工业、政企、门店客户来说，支持私有化部署、专有云、边缘部署很关键，他们的数据不能随便出域。
最后，出了问题谁负责。机器人任务失败后，平台如果只提供日志和评估，不参与验收、回滚和赔付，责任就写不进合同，而客户更愿意为明确的结果付费。
这是具身 API 在全球都要过的三关。只是在国内，客户更习惯项目制和验收制，数据更强调不出域，纯 API 的 ROI 更难算。
因此，国内短期很难一步跨到纯 API 收费，但 PI 提前走了 " 大脑能力服务化 " 的路，哪些关卡必须过，行业看得更清楚了。陈翔宇甚至把 PI 类比成 Momenta，看中的是商业模式。Momenta 不造车，它把智能驾驶方案卖给多家车企，PI 想在机器人行业做的也是这件事。不过，Pi API 仍处于 beta 阶段，定价和成交都未公开，这个商业闭环能否跑通，现在下结论还早。
变量也不只来自 PI。GPT-6 这类通用大模型的压力正在袭来，" 如果它们未来也能把 VLA 做得很好，说明技术路线正在接近收敛，具身智能会更像智能驾驶一样走向规模落地。到那时，竞争不只有模型，还有硬件、供应链、场景和本土交付。" 陈翔宇表示。
对国内具身公司来说，接下来的压力来自两个问题：自家的模型凭什么被客户持续调用，以及当通用大模型也具备类似能力时，自己还有什么不可替代。
