美國當地時間10月27日，據外媒報導，舊金山機器人AI初創公司Physical Intelligence正洽談新一輪至少10億美元的融資，投後估值將逼近200億美元。
Physical Intelligence本輪融資由現有投資方Avenir和Lux Capital領投。
這家初創公司的估值在短短兩年間大幅攀升。2024年11月，公司完成4億美元融資，估值達到24億美元；2026年7月，其估值進一步升至110億美元。如今，僅過去數月，公司便再次尋求以接近200億美元的投後估值融資，較7月的估值接近翻倍。
這筆融資凸顯了機器人AI公司的另一種估值邏輯。對傳統機器人企業而言，產品交付、訂單規模和商業化進展是衡量其價值的重要指標。
Physical Intelligence尚未推出正式商業化產品，估值卻可能逼近200億美元，反映出投資人更看重其通用機器人模型的技術潛力，以及這項技術未來在不同機器人和應用場景中的拓展空間。
投資人買的並不只是它當前賣出了多少硬體，還包括對通用機器人時代底層“作業系統”的提前下注。
01 資本押注機器人的“通用大腦”
Physical Intelligence成立於2024年，由前Google DeepMind知名研究員卡羅爾·豪斯曼（Karol Hausman），以及來自加州大學伯克利分校的塞爾蓋·萊文（Sergey Levine）、史丹佛大學的切爾西·芬恩（Chelsea Finn）等多位AI與機器人領域頂尖學者聯合創立。
這家集結了頂級學術與工程力量的公司，核心目標是開發能夠適應不同任務和機器人形態的通用基礎模型。創始人團隊希望通過大模型賦予機器人“物理常識”，使其能夠理解環境並自主決定動作，進而將掌握的能力跨場景遷移。
在大語言模型領域，規模法則（Scaling Law）已經在數字世界驗證了其威力。但在物理世界中，機器人面臨著截然不同的技術挑戰：識別一件衣服的圖像很容易，但在抓取時如何根據材質調節力度、如何在衣服形狀不斷變化中完成摺疊，需要將視覺感知、觸覺反饋與連續動作精細結合。
Physical Intelligence推出的旗艦模型pi-zero，正是對這一難題的求解嘗試。該模型將圖像、文字與機器人動作直接繫結，利用真實機器人在物理環境中採集的資料進行訓練。
在公開演示中，搭載模型的機械臂不僅能摺疊衣物，還能整理餐具甚至削蔬菜皮。這種跨任務的泛化能力表明，如果通用模型能在複雜環境中憑已有經驗解決新問題，開發機器人應用的成本和周期將有望大幅降低。
這一路線也開啟了以軟體補足硬體的新商業想像。聯合創始人塞爾蓋曾指出，現有低端機械臂單價約3500美元，若自主生產材料成本可降至1000美元以下。只要通用模型足夠聰明，就能用極具性價比的普通硬體完成過去高昂專用裝置才能做到的複雜任務。
投資人願意在零營收階段持續加注，正是看到了這種軟硬解耦後的平台潛力：一旦通用模型跑通，它將不再受限於單一硬體或特定場景，具備成為整個機器人產業鏈底層基礎設施的可能。
02 估值狂飆的“物理AI”
Physical Intelligence的高估值並非孤例，折射出整個物理AI賽道已全面進入資本密集型競爭階段。不過，賽道內的頭部玩家在商業化路徑與研發哲學上，正展現出截然不同的抉擇。
在軟硬一體路線中，代表企業Figure AI的估值已攀升至390億美元。它選擇自研人形機器人實體，並最早將裝置推進至寶馬工廠等真實場景進行試點，試圖用軟硬體垂直整合的能力和工業場景測試來驗證價值。
而在主打通用大腦的賽道里，Skild AI則代表了“資料飛輪”路線。其估值已超過140億美元，在研發通用模型的同時堅持快速商業化，其公佈的年度經常性收入（ARR）已突破1億美元，希望依靠商業落地積累的真實資料來反哺模型迭代。
相比之下，Physical Intelligence則更像是一家純粹的研究型機構。它推遲商業化變現，寧可放棄短期營收，也要將資源集中在攻克基礎模型問題上。公司聯合創始人拉奇·格魯姆（Lachy Groom）曾公開表示，短期內不會向投資人提供具體的商業化路線圖。
這種研發姿態能夠獲得資本的“包容”，是因為投資人試圖在它身上賭出一個機器人領域的OpenAI。
03 真正的考驗才剛剛開始
儘管資本盛宴熱烈，但接近200億美元的估值也意味著極高的容錯風險。通用機器人技術要從實驗室走入現實世界，依然面臨著難以避開的現實挑戰。
首要問題在於物理資料的獲取瓶頸。與網際網路上近乎無限的文字和圖像不同，機器人的物理互動資料必須依靠實體裝置在真實場景中一次次運行、嘗試乃至失敗來積累。這種資料獲取成本極高且難以快速規模化，構成了模型演進的關鍵壁壘。
與此同時，真實場景的可靠性考量也極為苛刻。實驗室裡的精心演示，與真實家庭中亂跑的寵物、工廠裡多變的光線以及千奇百怪的非標物件完全是兩碼事。一旦涉及人機互動與安全合規，對任務成功率、運行穩定性和安全性提出了更高要求，任何微小的泛化失誤都可能帶來安全隱患。
此外，還有來自商業化耐心的考驗。長期缺乏明確的商業化路線圖，在技術紅利期或許可以被資本容忍；但一旦技術演進遭遇階段性瓶頸，或者競品通過場景落地形成了更強的資料飛輪，高估值將面臨巨大的倒掛壓力。
接近200億美元的估值，標誌著風險投資已經開始為物理世界AI時代的入場券支付昂貴溢價。資本願意承擔高風險，並不代表技術與商業化已經功成圓滿。
接下來真正值得關注的，是Physical Intelligence能否打破物理資料的規模法則瓶頸，在複雜真實場景中兌現其泛化承諾，並最終用可重複驗證的應用成果，證明這套通用大腦的商業價值。 (騰訊科技)