2026没过完，已有480亿美元投进了物理AI

杰西卡 发自 ROBO-智
量子位ROBO | 公众号 AI4ROBO

热，实在热得发烫。

全球资本涌向具身赛道的速度依然疯狂，今年才过了9个多月，机器人和物理AI企业已经拿到近480亿美元（约3213亿元）融资，超过去年全年。

什么概念呢？折合人民币约3400亿元，平均每天都有超过1.6亿美元（约10.7亿元）流入这个领域。

△AI生成

一笔笔十亿美元级融资接连出现，机器人初创企业的估值不断刷新，英伟达、软银、红杉等投资机构纷纷加码。

但热闹之余，也难免让人好奇：这么多钱究竟流向了哪里？百亿美元砸进去，不能就为听个响吧？

顺着今年的融资名单看下去，会发现资本的布局已经覆盖机器人产业的多个环节。从制造机器人本体、研发通用智能系统，到建设训练设施、探索实际应用，越来越多企业参与其中。

一条围绕物理AI的产业链，正在加速成形。

全球机器人融资创纪录，钱都流向了哪些公司？

《金融时报》最新援引PitchBook数据，截至2026年10月8日，全球机器人和物理AI（Robotics & Physical AI）企业今年累计融资接近480亿美元。

把时间拉长，2022年至2024年，相关企业的年度融资额基本维持在100亿～150亿美元区间；2025年融资规模显著攀升，今年则进一步加速，年内融资额已经达到2025年全年的约1.7倍。

△图源：《金融时报》

从具体融资来看，头部企业正在拿走相当大一部分资金。

比如美国物理AI公司Anduril，今年5月完成了50亿美元融资，估值达到610亿美元，较上一轮翻了一倍。

Anduril是物理AI在国防领域的一家代表性企业。此次融资由Thrive Capital和Andreessen Horowitz领投，也是今年该赛道最受关注的大额融资之一。

与此同时，面向工业、家庭等场景的机器人企业，也在不断获得资本支持。

同时开发机器人和智能平台的德国机器人公司NEURA Robotics，今年6月宣布规模最高14亿美元的C轮融资，参与机构包括高通、亚马逊、英伟达等。

△图源：NEURA Robotics官网

如果说这类企业正在同时推进机器人硬件和智能系统，那么另一批融资规模惊人的公司，则将重点放在机器人的大脑上。

例如，今年1月，美国机器人基础模型公司Skild AI完成14亿美元融资，由软银领投，英伟达、贝索斯旗下投资机构等参与，估值超过140亿美元。

另一家也在开发通用机器人基础模型的美国企业Generalist，今年6月也宣布获得4亿美元新融资，累计融资超过5亿美元。英伟达、贝索斯旗下投资机构等继续参与，AI科学家李飞飞也出现在新增个人投资者名单中。

还有Physical Intelligence（π），今年二季度获得10亿美元融资，继续推进面向不同机器人本体的通用模型。

这些企业的技术路线各有侧重，但都在探索一个共同方向：让机器人摆脱对预设程序和固定任务的高度依赖，能够通过学习适应更多真实场景。

△AI生成

资本对这一方向的热情，也在融资结构中有所体现。

根据PitchBook今年9月发布的报告，仅2026年第二季度，机器人和物理AI企业就融资186亿美元，环比增长25.3%。然而，同期融资交易数量却下降了14.1%。

其中，Anduril、NEURA Robotics和Physical Intelligence三笔融资合计74亿美元，占当季融资总额的39.8%。

即使剔除这三笔大额融资，剩余融资额仍有112亿美元，环比增长9.9%。

所以，当下的融资走向说明了一个大致趋势：

资本仍在持续涌入机器人产业，但资金越来越集中于头部企业和具备平台潜力的技术方向。

而融资名单所呈现的产业分工，也已经越来越清晰。

有企业负责制造机器人、提升硬件性能，有企业试图开发能够适配不同本体的通用智能系统，还有企业将机器人带进工厂、仓库和家庭，探索规模化部署。

资本正在沿着机器人从研发、制造到实际应用的完整链路展开布局。

不过，这条链路要真正跑通，还面临一个基础问题。

机器人究竟该怎样学会干活？

数百亿美元资本涌入，机器人正在花钱“上学”“健身”

这个问题听起来可能有些奇怪。

毕竟，大模型如今已经足够聪明，能够处理复杂的语言任务，甚至写代码、推理和规划，为什么让机器人完成拿杯子、叠衣服、整理桌面等动作，仍然如此困难？

其中一个关键原因，就是训练数据不够。

对于大语言模型来说，互联网上积累了大量文本、图片和视频，开发者可以直接拿来做大规模训练。但机器人需要的数据要复杂得多。

机器人要拿起桌上的一个杯子，不仅要精准识别目标，还要判断位置、大小、形状，规划运动轨迹，控制抓取力度；换个环境、换个任务，可能就得重新调整。

这些涉及空间、运动、接触和力度的信息，难以直接从现有互联网数据中完整获得。

为了解决这一问题，机器人企业开始尝试各种办法。

其中最有意思的，大概莫过于美国人形机器人公司Figure今年8月公布的Index计划——付钱请世界各地的普通人帮机器人收集数据。

用户通过Index应用记录自己的日常任务，比如折叠衣服、打扫卫生、收拾货架；Figure还会寄送专门的拍摄设备，参与者按规则记录并获得报酬。

这些视频经过筛选处理后，就能成为机器人学习人类动作的训练材料。

△图源：Figure官网

截至8月25日，Index应用累计下载量超过26.4万次，覆盖108个国家和地区，已收集到1600多万段视频，累计向数据贡献者支付1500万美元。

以当时数据采集速度计，平台每秒会收到30分钟的视频，相当于每天新增约4.9年的人类活动记录。

Figure还计划在未来12个月内，为数据和算力投入超过10亿美元。是的，花10亿美元，学习人类怎么干活。

值得一提的是，Figure最初尝试过从第三方购买训练数据，但外部供应商在规模、丰富度和质量上都难以满足要求，这才转向自建采集体系。

类似的探索，已经在全球机器人企业中展开。

Physical Intelligence把机器人送进旧金山的多家Airbnb民宿，测试它们面对陌生环境的表现；Generalist、NEURA、Skild AI等企业则通过自建训练设施采集数据。

《金融时报》将这类设施称为机器人健身房（Robot Gyms）——工作人员操纵双臂机器人一遍遍完成搬运、抓取、整理，机器人身上的传感器同步记录全过程，用于模型训练。

△AI生成

中国也在大规模建设类似设施。根据Interact Analysis统计，截至今年4月底，中国至少有90个人形机器人数据采集和训练中心在运营、建设或规划中，其中64个已正式投入使用。

随着数据需求不断增加，新的参与者也开始出现。

此前为OpenAI、Anthropic等大模型企业提供数据服务的Scale AI、Encord等公司，正在把业务扩展到机器人领域。

就在10月7日，专门提供真实世界训练数据的美国初创公司Mecka宣布，公司刚获得6000万美元B轮融资，由红杉资本领投，英伟达、微软旗下M12、高通创投、三星等参与。

机器人企业争相自建训练设施，原本服务大模型的数据公司开始转型，新企业也获得资本支持。

由此可见，机器人训练数据正在形成一个独立的产业环节。

但采集的数据越多，是否就意味着机器人越聪明？

这恰恰是行业接下来需要验证的问题。

机器人能靠海量数据学会干活吗？

机器人企业愿意为数据投入巨额资金，背后有一套在大语言模型领域已被验证的技术逻辑——Scaling Laws。

ChatGPT等语言模型的快速进步，已经证明了大规模训练的价值。如今机器人行业也希望找到类似规律：让模型通过丰富的真实世界数据掌握操作技能、适应新任务。

△AI生成

今年8月，美国机器人公司Dyna Robotics公布的研究提供了实验证据。其最新世界动作模型Dyna-2，用超过100万小时的人类第一视角视频预训练，涵盖做饭、整理物品、组装零件等日常动作。

研究人员设置了1000小时、1万小时、10万小时、100万小时等不同训练规模做对比。

结果显示，在14项真实机器人操作任务中，随着预训练数据扩大，模型平均表现从20%提升到53%。

其中转动钥匙的任务尤为明显：10万小时以下数据训练的模型均未成功，而100万小时视频预训练的模型，成功率达到90%。仅用约10分钟机器人操作数据微调，预训练模型就具备了双手灵巧拧瓶盖的能力。

△图源：Dyna Robotics官网

这项研究初步证明，大规模人类视频数据确实能持续改善机器人操作能力，提高新任务学习效率。 虽然规律还需更多真实场景检验，但至少为行业重金采集数据提供了技术依据。

不过，视频数量只是因素之一，数据质量、任务覆盖和跨机器人迁移能力，同样影响训练效果。

因此，除了扩大数据采集规模，行业还在探索另一条路径：让机器人进入真实工作环境，通过实际部署持续积累经验。

今年4月，Skild AI宣布收购Zebra Technologies旗下机器人业务（包括此前的Fetch Robotics）。

这笔收购让Skild AI获得了已经应用于仓储物流场景的机器人产品和软件系统。

相比完全依靠实验室采集数据，Skild AI的目的是借助现有商业部署，将通用智能系统带入真实仓库，并利用机器人实际工作过程中产生的数据持续改进模型。

从上个月Skild AI公布的经营数据来看，首次商业部署约10个月后，其机器人智能系统已拥有超过60家付费客户，年度经常性收入（ARR）突破1亿美元，覆盖物流、制造、安防、食品加工等领域。

△图源：Skild AI官网

公司还在与英伟达、富士康合作，将Skild Brain部署到双臂机器人上，探索高精度组装场景。

从专门建训练场，到让机器人在实际任务中积累数据，行业正在尝试建立更具持续性的学习机制。

而类似的变化在中国市场也能找到线索。

今年年初，量子位智库发布《2025年度具身智能创业投融资全景报告》。

报告显示，2025年国内具身智能创业公司共发生447起融资事件，总额554亿元，而2024年仅为173起、137亿元。（注：报告仅统计未上市公司公开融资，与PitchBook口径不同。）

比资金规模更值得关注的，是钱的流向发生了变化。

量子位智库发现，2024年国内具身智能融资还集中在机器人本体企业，到2025年，随着头部企业进入量产落地阶段，资金开始向具身大脑、核心零部件、训练数据及垂直应用等产业链环节扩散。

其中银河通用以20.31亿元单笔融资刷新纪录；合成数据公司光轮智能也完成数亿元融资，营收破亿。

与此同时，国内互联网大厂、车企、制造业企业和国资基金也在加大布局。

这些产业资本带来的不只是资金，还有供应链、生产线和实际应用场景。2025年战略投资日益活跃，资本通过投资帮助机器人企业获取落地机会。

这对拥有庞大制造业体系的中国市场尤其有意义。

工厂、仓库等真实生产环境，既能验证机器人能力，也能源源不断产生新的训练数据——机器人在不同任务中积累的经验，经过处理后可以反哺模型，支持更复杂的工作。

目前机器人企业还在重金采购设备、雇人、建训练场，专门为模型生产数据。

而随着机器人进入实际生产环境，商业部署本身也有机会成为持续的数据来源。更多部署带来更丰富数据，模型能力提升又为机器人进入新场景创造条件，规模效应由此延伸。

△AI生成

全球资本押注基础模型，中国资本完善产业链，背后是相似的方向：机器人模型企业主动获取商业部署资源，产业资本则把机器人带进工厂和生产线。

真实应用场景的价值，正在从验证机器人能力，延伸到支持机器人学习和进化。

花钱请人拍视频、操作机械臂……终究是阶段性的。真正值得期待的，是机器人开始在真实工作里自己积累经验、自己变聪明。

这或许才是百亿美元砸下去之后，更令人兴奋的产业变化。