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。

本文来自微信公众号“铅笔道”，作者：铅笔道