当“部署公司”出现，具身智能开始寻找“商业模型”

作者：彭堃方

编辑：吕鑫燚

出品：具身研习社

具身智能有太多技术模型，却少了“商业模型”。

认识一家具身智能公司，我们往往先问它做什么技术：做模型、做本体，还是做数据。这些标签方便我们把企业放进产业图谱，也大致交代了它的团队背景和能力积累。但聊得再深入一点，这家公司究竟准备把什么卖给谁，又靠什么让客户持续买单，答案常常没有技术定位那么清楚。

最近，Figure 在内部大会上介绍了一通关于 Figure 04 锁定设计、即将推出的 Helix 3.0 如何、index 数据开销多大等等信息，但商业化却三缄其口，反而是宣称账上有 20 亿美元现金。

与此同时，“部署公司”这个说法开始进入视野。它的成员有些混杂，可能是围绕开放模型做二次开发的团队，可能是扎根具体场景的模型公司，也可能是连接硬件、模型与客户的系统集成商。甚至一些原本被归入数据赛道的公司，也开始把部署写进自己的业务定位。

来历混杂并不代表部署是一个被各方推高的叙事，这里所讲的部署，更偏向于“解决方案式”的落地环节。各方基于基因差异找寻不同的落地姿势。本质上是把技术往前推到商业层面。

Physical Intelligence 开放 API beta，Dream Labs 推出可通过 API 调用的 Dream-1，模型能力开始以更明确的服务形式交到外部团队手里。有人提供通用能力，有人围绕具体任务开展业务，研发者与使用者之间，逐渐出现了可以开展交易的接口。

无论是部署公司还是开放API接口，这也动作指向的是“应用层”开始变得热闹，也意味着行业在交付侧上开始出现分工。过去模型公司、本体公司、数据公司各成赛道或形成上下游态势，这是典型早期产业阶段的分工。但随着产业不断演变，具身智能公司开始尝试用“如何做成一门生意”来定义自己。

在不断训练技术模型的同时，这个行业也需要认真搭建自己的“商业模型”。

乍看起来，部署公司像是产业链上的一个新板块。但它与模型、本体、数据的划分方式有所不同。前三者主要描述企业提供什么能力，部署则直接指向这些能力的去处：把机器人带进客户的业务流程，让它持续完成工作。

换句话说，部署公司不是一种新的板块划分，而是一种商业模式，是各方企业主动或被动向前一步的产物。

部署公司的技术出身可以非常不同。懂工艺的团队可以采购模型和硬件完成集成，模型公司可以围绕某类任务深入现场，数据公司也可能沿着采集、后训练和评测向交付延伸。它们采用的收费方式未必相同，经营上的共同点却很明确：围绕实际需求组织能力，对落地效果承担责任

最鲜明的例子在数据公司。物理 AI 知名研究者、投资人 Varun Nair 在《Embodied Data Scale-Up》中提出：物理人工智能为专注于后训练的参与者提供了一个独特的机会，使其也能成为应用层。最优秀的数据公司终将转型为部署公司。

这个判断把数据公司的价值延伸到了数据交付之后。

过去，数据企业的交付可以止于一批满足要求的训练素材。进入具体场景后，它需要理解哪些变化影响任务成功，哪些失败值得补采，新增数据又有没有让机器人做得更好。沿着这些问题继续往前，业务自然会触及模型适配、效果评估和现场运行。原本用于帮助客户训练模型的能力，也有机会成为帮助客户完成工作的能力。

Mecka 已经把这一方向写进自己的定位。它称自己是物理 AI 的“数据和部署层”，也是连接硬件、模型与商业客户的集成商。面向缺少机器人团队的企业，Mecka 将硬件、数据采集、后训练、系统集成和持续运营组合起来，并强调在现场采集数据、改进模型，让部署后的系统继续提升能力。

国内也有相近的延伸。光轮智能围绕数据、仿真、评测与部署反馈建设持续学习基础设施，把真实运行中的失败和异常带回后续迭代。它与直接承担终端交付的集成商仍有业务差异，但两者都在拉近数据供给与实际运行效果之间的距离。

这种延伸不会自动发生。拥有数据，还需要补上现场工程、客户服务和运营能力，才能承担部署责任。但它提示了一种变化：企业的经营范围，未必要被最初的技术标签固定下来。哪里存在尚未被满足的需求，已有能力又能向哪里延伸，开始成为新的业务依据。

而当业务彻底打开，商业的闭环也随之形成。除了我们所说的数据公司去做更深层的场景衔接，一边兜售场景数据，一边再收一笔部署费，上下两层通吃。像Sunday Robotics给用户以低价订阅，然后回流数据训练模型，也是一种很好的商业模型，低价订阅的投入兑换高价值商业空间。再者像智元用生态布局去推动全盘营收并相互赋能。比如，其本体可以toB进工业、商业项目、也可以透过“擎天租”做toC租赁；数据可以透过“觅蜂”做采补，也可以做销售等。

总之，透过部署、订阅、生态扩张等商业动作，我们看到的是，具身智能企业开始围绕真实需求组织生意，企业开始用所承担的业务来定义自己。它把技术能力与客户需求接到了一起，也为商业模型的探索找到了更具体的起点。

具身智能长期给人一种悬浮感，部分原因就在于：技术目标宏大，产品和交易关系却常常模糊。通用机器人要进入千行百业，具体到今天，哪类客户会购买哪一段能力，企业需要交付到什么程度，仍然有不少问题悬而未决。

互联网与大模型行业同样经历过漫长探索，但订阅、广告、平台交易抽成、共享经济或 API 计费等等，至少让外界容易理解一家公司怎样获得收入。具身智能企业介绍完自己的技术之后，往往还要经历一轮“找场景”。此时客户既需要判断需求，又要承担把技术变成可用系统的额外工作。

Physical Intelligence 和 Dream Labs 的动作，让其中一部分关系变得具体。

10 月 13 日，Physical Intelligence 开放APIbeta。开发者可以上传自己的数据，在π管理的算力和基础设施上微调模型，再通过托管服务进行推理。数据采集、训练、真机测试和根据失败继续改进，被组织成外部团队能够自行推进的流程。对于应用开发者，采购对象由此包含了模型适配与运行所需的服务。

刚获 9,000 万美元种子轮融资的 Dream Labs，推出的Dream-1 公布了每小时 3 美元的模型运行价格，自发布以来不到 24 小时，已在 53 个国家/地区控制了 31 种它从未见过的机器人类型，进行了超过 37.2 万次推理调用。它还提供微调服务，帮助开发者继续适配任务。当前产品仍处于早期阶段，但“能力怎样获得、使用成本怎样估算”，已经有了较为直观的答案。

这让应用公司可以换一种方式算账。做餐饮、制造或物料搬运的团队，有机会采购通用能力，把投入集中到任务适配和现场交付。原本需要一家企业同时负担的模型研发、基础设施和应用开发，可以逐步由不同主体承担。

更重要的是，上下游开始有机会在同一条业务链中获得收入。模型方持续提供能力，部署方把能力组织成客户可用的系统，终端客户则为工作完成得更好、更划算而付费。基础模型的长期研发，也有机会通过服务多个行业分摊成本。

当然，API 价格只是一笔账的起点。我们更关注的是，交易的对象与方式开始清楚，各方终于可以围绕具体成本和预期收益讨论合作

这也是不少厂商“做出技术后等人买单”需要补上的一课。基础能力可以交给市场探索用途，但提供者需要把接入、适配和持续改进的条件准备好。让别人知道技术很强，又让别人能够拿它开展业务，中间还隔着产品工作。

部署服务同样如此。早期项目难免定制，重要的是做完之后能留下什么。现场经验能否进入下一次交付，通用工具能否继续复用，客户增加时工程投入是否仍要同比增长，都会影响生意的质量。按项目单独结算无法替企业回答这些问题。

真正进入现场的人，通常会给出更复杂的答案。Skild AI 联合创始人兼 CEO Deepak Pathak 近期反思过自己的早期设想：他曾认为，可以构建通用机器人平台，把部署留给别人。但现实中，部署深深参与研发循环，在技术仍然成长时，很难将这部分工作完全交出去

机器人会在现场遇到训练时没有覆盖的物料，遇到节拍变化，也会在连续作业中暴露单次演示难以呈现的问题。解决它们，有时需要调整流程，有时需要补充数据，还有一些问题必须回到模型和系统本身。现场反馈决定下一步研究什么，研发改进又决定下一次能交付什么。

因此，部署公司的出现，也对模型厂商提出了新的要求。外部团队遇到问题后，能否得到诊断和改进的支持，是否拥有适配模型的工具，失败经验能否转化为下一轮能力提升，都将影响开发者能不能持续做下去。只把模型放出来，把剩余问题全部交给下游，距离成熟的产品供给仍然很远

部署方同样需要技术能力。它要理解客户流程，判断任务边界，选择合适的设备和模型，还要在系统表现不佳时找出原因。对数据企业而言，这意味着交付责任向后延伸；对模型企业而言，这意味着研发目标开始接受现场效果的检验。双方的合作，需要围绕这些具体工作逐步形成。

Physical Intelligence 在 API 公告中披露的案例，已经展示了这种推进方式。Almond 团队经过四天迭代，让其双臂机器人 Axol 获得了为自身装配零件去毛刺的模型；Physical Intelligence 也展示了 Actor 无人驾驶装载机在商业现场作业的情况。这些案例有各自的适用条件，却说明部分能力已经足以支持具体任务的开发，无须等到所有通用问题都有答案。

可以先接下一类工作，在明确的条件下证明价值，再把新获得的经验用于扩大能力边界。业务范围随着技术能力逐渐扩展，技术投入也获得真实需求的指引。早期分工或许仍然交错，但客户买什么、企业负责什么，应该逐步清晰。

未来，一家具身智能公司的身份可能越来越难用模型、本体或数据简单概括，生意却应当越来越容易说清楚。谁愿意为它付费，它帮助客户解决了什么问题，收入又能否支撑持续交付与改进，这些答案将决定技术积累能否成为长期经营的基础。

具身智能需要更多技术突破，也需要更多能把现有突破组织成生意的公司。“商业模型”这门课，已经不能一直排在技术成熟之后