一家成立仅两年多的机器人AI企业，至今未公开其营收数据，但其估值却可能高达200亿美元，约合人民币1400亿元。
10月27日，有外媒报道指出，美国公司Physical Intelligence正就新一轮融资进行谈判，计划募集至少10亿美元，目标估值约200亿美元。
为何资本愿意给予一家尚未证明盈利能力的企业如此高的估值？
咏归基金创始合伙人张以哲向铅笔道表示，资本看重的是AI进入物理世界的想象空间。如果AI能真正理解现实环境并指挥机器人完成任务，将对工业和服务业带来巨大变革。
但他也提醒，判断机器人AI的真实能力，不能仅看演示视频，还需考量训练数据、跨场景工作能力，以及模型与机器人硬件的配合度。
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。
其创始团队背景显赫，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。
他们致力于为不同类型的机器人安装通用大脑，使机器人能理解环境与人类指令，并根据实际情况执行任务。
举例而言，当人类指示机器人“把桌上的衣服叠好”，它需通过摄像头识别衣物位置与形状，再判断如何抓取、翻转、折叠，最终控制机械臂完成动作。任何一步失误都可能导致任务失败。
该公司研发的π系列模型，旨在逐步赋予机器人此类能力。
资本迅速给出高价。2024年3月，Physical Intelligence尚无产品，便完成约7000万美元种子轮融资。同年11月，公司再获4亿美元融资，估值达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，估值约112亿美元。至10月，新一轮融资谈判中的目标估值已达200亿美元。
从2024年11月的24亿美元至今，估值已上涨8倍多。
资本押注的核心，是机器人能否理解现实世界中的物体、空间与动作。
若此能力成熟，机器人有望从只能重复固定动作的机器，转变为能处理更复杂任务的劳动力。
会叠衣服，不代表能当工人
Physical Intelligence已展示多项机器人能力，其中一项有趣测试是让机器人使用空气炸锅烤红薯。
研究人员未专门采集操作该空气炸锅的数据，而是直接指令机器人放入红薯并完成烹饪。
首次尝试时，机器人仅完成部分动作。研究人员随后通过语言逐步指导，教它如何打开抽屉、拿取工具、操作设备。经过多次调整，机器人逐渐学会这套操作，最终能自主完成任务。
此实验的亮点在于，机器人未专门学习该空气炸锅的使用方法，而是将已掌握的技能组合，尝试完成新任务。
这便是行业常提的泛化能力。通俗讲，即机器人学会叠一种衣物后，换一件衣服能否同样叠好；学会抓取一种零件后，换形状或位置能否完成。
Physical Intelligence还进行过跨设备测试，让模型控制一台此前未用于叠衣训练的双臂机器人，结果仍能完成叠衣任务。
然而，演示成功仅是第一步，真正让机器人进入工厂，难度大增。
咏归基金创始合伙人张以哲认为，判断机器人模型水平，首看训练数据是否有效。
大模型可从互联网获取大量文字与图片，机器人却需学习具体动作。它不仅需识别眼前物体，还要掌握手臂移动、物体抓持稳定性及任务完成情况。这些数据需通过真实机器人操作积累。
其次是跨场景工作能力。机器人在实验室叠好一件衣物，换材质或位置不同的衣物，能否完成？在固定位置抓取零件成功，不意味换生产线后能稳定工作。
最后是模型与硬件的配合。不同机器人的机械臂、关节、夹爪和摄像头各异，同一模型换至另一机器人，可能需重新调整。
同行Skild AI分享了一个有趣案例。
团队训练机器人煎鸡蛋，花一周才做出第一颗。随后又花两个月，才使机器人面对不同鸡蛋与操作环境时，能稳定完成任务。
Skild AI还举例：假设机器人准确率达99.9%，但工作速度比人工慢10倍，放入工厂生产线仍无法使用。
这才是机器人商业化的真正难点。
一段演示视频可反复拍摄，但机器人需面对每日变化的真实环境。客户不会因偶尔成功一次就买单，更关心其能否连续工作、自主处理问题，以及最终节省的成本。
有人还没赚钱，有人已拿下1亿美元ARR
机器人基础模型能否盈利，同行已提供一种参考答案。
Skild AI成立于2023年，同样致力于研发适配不同机器人与任务的通用模型。
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，公司披露商业化数据：正式商业部署仅10个月，付费客户超60家，年化经常性收入（ARR）突破1亿美元，累计确认收入达5000万美元。
需解释的是，ARR按当前业务规模折算的年化收入，并非公司已实际收到1亿美元。
Skild AI客户分布在仓库、工厂、配送、安防和餐饮等场景。例如，它与英伟达、富士康合作，将模型部署于双臂机器人，用于英伟达Blackwell系统的高精度组装。过去，生产线换产品时，机器人需重新编程；引入模型后，团队希望减少此类重复调试。
另一合作来自日本，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，并与三井物产在商业厨房开展通用机器人试点。
这些项目让模型进入真实生产环境，也使Skild AI开始获得客户付费。
不过，1亿美元ARR不能简单理解为模型授权收入。Skild AI已深入仓库、工厂和餐饮等场景，收入涉及不同类型机器人任务，具体软件授权、设备部署和系统集成收入比例未公开。
这也表明，机器人基础模型公司想盈利，可能需亲自下场解决客户问题。仅训练模型，再等机器人厂商上门买单，未必可行。
Physical Intelligence也在探索其商业化路径。
10月13日，公司开放了Pi API测试版。简言之，即将自身模型与训练能力开放给其他机器人企业使用。
过去，一家机器人公司训练自身AI模型，需准备数据、算力，并组建算法团队。现在，它可将机器人数据上传至Physical Intelligence平台，借助对方模型与算力训练，再让机器人执行任务。
公司展示的案例中，机器人企业Almond通过此服务训练双臂机器人，完成零件去毛刺任务，从数据迭代到获得可用模型，用时4天。
另一合作伙伴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开始尝试将模型能力转化为可对外提供的服务。不过，Pi API目前仍处测试阶段，公司未公开收费标准，也未披露相关营收。距离真正跑通商业模式，仍有距离。
两家公司选择了不同节奏：Skild AI先深入工厂、仓库，获取客户订单；Physical Intelligence则希望先将模型做得足够通用，再向更多机器人企业开放。
前者更早获得收入，后者则押注更大的模型平台市场。谁的路线最终占优，目前尚难定论。
张以哲对此判断直接：“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接下来最需证明之事。
本文来自微信公众号“铅笔道”，作者：铅笔道，36氪经授权发布。