编辑 | 铅笔道 黄小贵
封面图 | 铅笔道制图
一家成立两年多的机器人 AI 公司，至今没有公开营收，估值却可能冲击 200 亿美元，约合人民币 1400 亿元。
10 月 27 日，外媒报道称，美国公司 Physical Intelligence 正在洽谈新一轮融资，计划募集至少 10 亿美元，目标估值约 200 亿美元。
资本为什么愿意给一家还没证明赚钱能力的公司如此高的价格？
咏归基金创始合伙人张以哲告诉铅笔道，资本看中的是 AI 进入物理世界的想象空间。如果 AI 能够真正理解现实环境、指挥机器人完成任务，将给工业和服务业带来巨大变化。
但他也提醒，判断机器人 AI 有没有真本事，不能只看演示视频，还要看训练数据、跨场景工作能力，以及模型与机器人硬件能否配合。
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。
创始团队颇有来头，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，87 年生）、斯坦福大学教授芬恩（Chelsea Finn，92 年生，是莱恩的学生）等。
他们想给不同类型的机器人装上通用大脑，让机器人学会理解环境和人的指令，再根据实际情况完成任务。
举个例子，人告诉机器人 " 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，再判断怎么抓取、翻转、折叠，最后控制机械臂完成动作。中间任何一步出错，都可能导致任务失败。
这家公司研发的 π 系列模型，就是想让机器人逐渐具备这样的能力。
资本很快给出了高价。2024 年 3 月，Physical Intelligence 啥都没有，就完成约 7000 万美元种子轮融资。同年 11 月，公司又获得 4 亿美元融资，估值达到 24 亿美元，投资方包括 OpenAI、亚马逊创始人贝索斯等。
2025 年 11 月，公司再完成 6 亿美元融资，估值升至 56 亿美元，由谷歌母公司 Alphabet 旗下 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。到了 10 月，新一轮融资谈判中的目标估值已经升至 200 亿美元。
从 2024 年 11 月的 24 亿美元到如今的 200 亿美元，估值已经涨了 8 倍多。
资本押注的，是机器人能不能理解现实世界里的物体、空间和动作。
如果这项能力成熟，机器人就有机会从只能重复固定动作的机器，变成能够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 已经展示过不少机器人能力，其中一个比较有意思的测试，是让机器人使用空气炸锅烤红薯。
研究人员没有专门采集机器人操作这款空气炸锅的数据，而是直接给出指令，让机器人把红薯放进去并完成烹饪。
第一次尝试时，机器人只完成了部分动作。研究人员随后通过语言一步步指导它，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，机器人逐渐学会了这套操作，最终可以自主完成任务。
这个实验有意思的地方在于，机器人此前并没有专门学过这款空气炸锅的使用方法，而是把过去掌握的不同技能组合起来，尝试完成一项新任务。
这就是行业经常提到的泛化能力。通俗说，就是机器人学会叠一种衣服后，换一件衣服，还能不能叠好；学会抓取一种零件后，换个形状、换个位置，还能不能完成。
Physical Intelligence 还做过跨设备测试，让模型控制一台此前没有专门用于叠衣服训练的双臂机器人，结果仍然能够完成叠衣服任务。
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，判断机器人模型的水平，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，机器人却需要学习具体动作。它不仅要知道眼前有什么，还要知道手臂怎么移动、物体有没有抓稳、任务最后有没有完成。这些数据需要通过真实机器人操作不断积累。
其次是跨场景工作的能力。机器人在实验室里叠好一件衣服，换一件材质不同、摆放位置不同的衣服，还能不能完成？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、夹爪和摄像头都不一样，同一套模型换到另一台机器人上，可能就需要重新调整。
同行 Skild AI 分享过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、不同操作环境时，都能比较稳定地完成任务。
Skild AI 还举过一个例子：假设机器人准确率已经达到 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骨头。
一段演示视频可以反复拍摄，机器人却要面对每天都在变化的真实环境。客户不会因为它偶尔成功一次就买单，更关心它能不能连续工作、出了问题能不能自己处理，以及最终能省下多少钱。
有人还没赚钱，有人已经拿下 1 亿美元 ARR
机器人基础模型能不能赚钱，同行已经给出了一种参考答案。
Skild AI 成立于 2023 年，同样希望研发能够适配不同机器人、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，估值超过 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，付费客户已经超过 60 家，年化经常性收入（ARR）突破 1 亿美元，累计确认收入达到 5000 万美元。
这里需要解释一下，ARR 是按照当前业务规模折算的年化收入，并不意味着公司已经实际收到 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。比如，它与英伟达、富士康合作，将自己的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，机器人往往需要重新编程；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，也让 Skild AI 开始获得客户付费。
不过，1 亿美元 ARR 不能简单理解成模型授权收入。Skild AI 已经深入仓库、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的问题。光把模型训练出来，再等着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，就是把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以对外提供的服务。不过，Pi API 目前仍处于测试阶段，公司没有公开具体收费标准，也没有披露相关营收。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。
前者更早拿到了收入，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，目前还很难下结论。
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。
