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

文丨李海伦

编辑丨徐青阳

美国当地时间10月27日，据外媒报道，旧金山机器人AI初创公司Physical Intelligence正洽谈新一轮至少10亿美元的融资，投后估值将逼近200亿美元。

Physical Intelligence本轮融资由现有投资方Avenir和Lux Capital领投。

这家初创公司的估值在短短两年间大幅攀升。2024年11月，公司完成4亿美元融资，估值达到24亿美元；2026年7月，其估值进一步升至110亿美元。如今，仅过去数月，公司便再次寻求以接近200亿美元的投后估值融资，较7月的估值接近翻倍。

这笔融资凸显了机器人AI公司的另一种估值逻辑。对传统机器人企业而言，产品交付、订单规模和商业化进展是衡量其价值的重要指标。

Physical Intelligence尚未推出正式商业化产品，估值却可能逼近200亿美元，反映出投资人更看重其通用机器人模型的技术潜力，以及这项技术未来在不同机器人和应用场景中的拓展空间。

投资人买的并不只是它当前卖出了多少硬件，还包括对通用机器人时代底层“操作系统”的提前下注。

01 资本押注机器人的“通用大脑”

Physical Intelligence内景

Physical Intelligence成立于2024年，由前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）、斯坦福大学的切尔西·芬恩（Chelsea Finn）等多位AI与机器人领域顶尖学者联合创立。

这家集结了顶级学术与工程力量的公司，核心目标是开发能够适应不同任务和机器人形态的通用基础模型。创始人团队希望通过大模型赋予机器人“物理常识”，使其能够理解环境并自主决定动作，进而将掌握的能力跨场景迁移。

在大语言模型领域，规模法则（Scaling Law）已经在数字世界验证了其威力。但在物理世界中，机器人面临着截然不同的技术挑战：识别一件衣服的图像很容易，但在抓取时如何根据材质调节力度、如何在衣服形状不断变化中完成折叠，需要将视觉感知、触觉反馈与连续动作精细结合。

Physical Intelligence推出的旗舰模型pi-zero，正是对这一难题的求解尝试。该模型将图像、文本与机器人动作直接绑定，利用真实机器人在物理环境中采集的数据进行训练。

在公开演示中，搭载模型的机械臂不仅能折叠衣物，还能整理餐具甚至削蔬菜皮。这种跨任务的泛化能力表明，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将有望大幅降低。

这一路线也开启了以软件补足硬件的新商业想象。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，就能用极具性价比的普通硬件完成过去高昂专用设备才能做到的复杂任务。

投资人愿意在零营收阶段持续加注，正是看到了这种软硬解耦后的平台潜力：一旦通用模型跑通，它将不再受限于单一硬件或特定场景，具备成为整个机器人产业链底层基础设施的可能。

02 估值狂飙的“物理AI”

Physical Intelligence的高估值并非孤例，折射出整个物理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，正展现出截然不同的抉择。

在软硬一体路线中，代表企业Figure AI的估值已攀升至390亿美元。它选择自研人形机器人实体，并最早将设备推进至宝马工厂等真实场景进行试点，试图用软硬件垂直整合的能力和工业场景测试来验证价值。

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

相比之下，Physical Intelligence则更像是一家纯粹的研究型机构。它推迟商业化变现，宁可放弃短期营收，也要将资源集中在攻克基础模型问题上。公司联合创始人拉奇·格鲁姆（Lachy Groom）曾公开表示，短期内不会向投资人提供具体的商业化路线图。

这种研发姿态能够获得资本的“包容”，是因为投资人试图在它身上赌出一个机器人领域的OpenAI。

03 真正的考验才刚刚开始

尽管资本盛宴热烈，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入现实世界，依然面临着难以避开的现实挑战。

首要问题在于物理数据的获取瓶颈。与互联网上近乎无限的文本和图像不同，机器人的物理交互数据必须依靠实体设备在真实场景中一次次运行、尝试乃至失败来积累。这种数据获取成本极高且难以快速规模化，构成了模型演进的关键壁垒。

与此同时，真实场景的可靠性考量也极为苛刻。实验室里的精心演示，与真实家庭中乱跑的宠物、工厂里多变的光线以及千奇百怪的非标物件完全是两码事。一旦涉及人机交互与安全合规，对任务成功率、运行稳定性和安全性提出了更高要求，任何微小的泛化失误都可能带来安全隐患。

此外，还有来自商业化耐心的考验。长期缺乏明确的商业化路线图，在技术红利期或许可以被资本容忍；但一旦技术演进遭遇阶段性瓶颈，或者竞品通过场景落地形成了更强的数据飞轮，高估值将面临巨大的倒挂压力。

接近200亿美元的估值，标志着风险投资已经开始为物理世界AI时代的入场券支付昂贵溢价。资本愿意承担高风险，并不代表技术与商业化已经功成圆满。

接下来真正值得关注的，是Physical Intelligence能否打破物理数据的规模法则瓶颈，在复杂真实场景中兑现其泛化承诺，并最终用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