美国资本在买“大脑”，中国资本在催机器人出货？

文 | 具身商业前哨

Physical Intelligence又要融资了，而且这一次，准备把单轮融资纪录再往上抬一抬。

日前，据彭博报道，这家成立两年多、尚无公开营收的机器人AI公司，正在洽谈至少10亿美元融资，目标估值约200亿美元。老股东Avenir和Lux Capital大概率会领投。

把200亿美元和零营收这两个数字放在一起，很容易让中国投资人的血压升高。

今年1月，PI联合创始人Lachy Groom接受TechCrunch采访时说得更直接：“我不向投资人回答商业化问题。”连他自己都承认，投资人愿意容忍这件事，挺反常的。

国内，现在却是另一番景象。

投资人已经开始追问具身智能公司，你的客户是谁？你的商业模式是什么？

一边给零营收的“大脑”200亿美元估值，一边催机器人赶紧出货。这事确实值得聊。

但我更愿意把它看成两套资产定价方式。

美国资本把机器人大脑当成物理AI时代的产业入口。中国资本习惯把具身智能放进制造业里，要求技术通过产线、订单和交付证明价值。

所以，同样没有收入，PI被理解成一家尚未变现的平台公司。国内大脑公司没有收入，投资人很容易把它归入另一类：商业闭环还没跑通。

这差别非常之大。

PI想复制OpenAI，资本也按OpenAI给它算账

PI的创始阵容很豪华：Karol Hausman来自Google DeepMind，Sergey Levine和Chelsea Finn分别来自伯克利、斯坦福。但真正撑起200亿美元想象的，是它想占据机器人产业最核心的那一层。

它从第一天就没有押注某一款本体。公司的目标是训练一套跨任务、跨场景、跨本体的通用模型。

π系列模型，就是这套野心的产品化。从π0到π0.7，PI一直在推高通用机器人大脑的能力边界。其中最关键的是π0.5：它让机器人进入训练数据里没有出现过的厨房和卧室，完成收拾房间等长流程任务，把“泛化”从换一个物体、换一个位置，推到了换一个环境。

之后的π0.7又开始尝试把已有能力重新组合，完成没有专门训练过的新任务。π系列也因此逐渐成为行业衡量泛化能力的一把标尺。

Karol Hausman在红杉的播客里说，PI希望原则上让任何机器人完成任何任务。他相信，驾驶、做咖啡、操作无人机和手术机器人之间，存在某些可以被同一个模型学会的东西。

具身智能正在重走大语言模型的路。

OpenAI给市场上的那堂课，大概可以概括成一句话：基础模型一旦做成产品，它就不再只是一个技术模块。ChatGPT抓住用户入口，API抓住开发者，模型开始变成一层可以被无数应用调用的基础设施。

今年10月上线的Pi API，已经有了点OpenAI早期API的样子。

客户上传自己的机器人数据，PI负责微调和算力，再通过云端提供模型。机器人到了现场，哪里失败，就补哪里的数据，重新训练，再跑一遍。

这时，PI卖的已经不只是一份模型权重。它开始卖训练基础设施、迭代速度，以及下一代模型。

Weave是一家做家用叠衣机器人的公司。与PI合作后，它把洗衣数据加入PI模型的预训练，机器人抓取失败减少42%，人工干预减少50%。

这就是资本喜欢的数据飞轮：客户数据让模型变强，模型再降低下一个客户的适配成本。

模型训练和数据采集需要巨额前期投入，模型复制给新客户的成本却可能越来越低。硬件、任务和开发者一旦围绕某个接口形成习惯，平台就有了黏性。数据继续回流，差距继续拉开。

这是一门赢家通吃的生意，竞争自然激烈。

软硬一体的Figure估值已经达到390亿美元，另一家通用机器人大脑公司Skild AI超过140亿美元，现在轮到PI冲击200亿美元。这也说明，美国资本正在同时押注几家潜在赢家。

中国资本的钱没少，只是越来越难拿了

最近一个月，国内具身智能融资确实在降温。但降温，不等于没钱。

IT桔子数据显示，10月融资事件从9月的60起降至33起，融资金额却只从110.28亿元降到101.05亿元。拉长到上半年，国内具身智能领域共发生322笔融资，总额达到935亿元，其中融资额排名前20的企业拿走约550亿元，占总额的59%。

钱还在，只是在往少数头部公司身上堆，腰部项目慢慢从牌桌上消失。

去年路演还能讲“本体”、“大脑”、“数据”，今年投资人已经把话题拽回工厂：客户复购了吗？连续运行多少小时？能跟上生产节拍吗？

华盖资本投资总监高露凝认为，估值迟早会从Demo切换到订单和量产，拿不出订单的公司会面临生存问题。

这种变化和国内的钱从哪里来有关系。

很多大额融资背后，站着“国资平台+产业资本+财务机构”的组合。产业资本看供应链和场景，地方国资看产线、产值和产业集群，财务机构还要考虑下一轮和上市。

一家机器人公司建了多少产线，拿了多少订单，设备送进哪家工厂，都能写进项目材料。纯模型公司拿出来的是另一套东西：算法、数据、论文，以及一个可能几年后才出现的平台效应。

PI可以对投资人说，再给我一批算力，我继续训练通用模型。

国内创业者拿着这句话去找地方产业基金，对方大概会问一句：研发中心和制造产线准备落在哪里？

我们千万不要忘了创业公司的资源是有限的。

当主要投资人希望看到产线和订单，大脑公司自然会补本体、做项目、接集成。它们离收入近了，离通用平台却可能更远。模型团队开始处理供应链、客户验收和售后；版本迭代，还得给交付让路。

当然，中国资本也在押大脑。

星海图、千寻智能、自变量、墨奇智能等公司都拿到了大额融资。美团龙珠合伙人王新宇甚至认为，中国投入具身智能的钱还不够。

美国也不全是PI。Skild AI很早就进入仓储、制造等场景，今年披露的年化经常性收入超过1亿美元。Figure拿到390亿美元估值后，同样在推进Figure 04的发布。

两边的差别在主导定价方式。

美国市场愿意先按照全球平台的上限估值，再给公司时间寻找商业化。国内资本更愿意看到技术进入供应链，把收入、产能和客户关系做出来，然后再谈平台。

一个容易养出昂贵的泡沫，也可能养出OpenAI。

另一个能快速逼出产品，有时也会把一家模型公司逼成机器人总包商。

换一个环境，机器人又要重新学一遍

国内大脑公司，无论单家融资额还是估值环境，都还不能跟美国比。这之间究竟差什么？

这个问题容易被写成模型参数、论文数量或者团队背景。我觉得都没打到要害。

真正的问题很朴素：这颗大脑离开自己的机器人，换一个客户，还好不好用？

蚂蚁灵波是一个更有意思的样本。

它的LingBot-VLA 2.0已经适配乐聚、智元、宇树、银河通用等17家厂商的20多种机器人构型，并与国大药房合作，让机器人在真实门店里承担分拣任务。

单看这组数字，已经有点“一颗大脑、多个身体”的平台轮廓。

但蚂蚁灵波CEO朱兴也提到，模型从实验室走向真实门店后，最大的难题，是如何从一家门店复制到多家门店。不同药房、便利店的货架布局、商品位置和任务细节都不一样，现阶段复制成本仍然很高，背后还是泛化能力不足。

机器人在一家门店能上岗，换一家门店，可能又要重新采数据、做后训练、调系统。公司拿下了一个项目，第二个项目却未必能直接复制。

项目做成了。但平台还没有。

一颗通用大脑需要证明的是，做完第一个客户之后，第二个客户不用重新来一遍。换一个机械臂，模型还能继承已有能力；换一个门店，适配工作明显减少。到那时，研发投入才能被更多客户分摊，软件才真正有软件的样子。

PI同样没有交卷。

Pi API还在Beta阶段，没有公开价格和收入。多数早期案例采用云端推理，官方也承认部分部署遇到网络连接问题。机器人在工厂里停一下，损失可能按整条产线算。客户不会因为“云刚才有点卡”就原谅你。

数据更棘手。

真机数据、失败样本、生产流程，常常是机器人公司最值钱的东西。客户把数据交给PI，等于帮助一个同时服务同行的平台变强。小公司可能愿意，大公司就要掂量了。

特斯拉、Figure、宇树、智元大概率也会坚持自研大脑。它们手里有硬件、有部署，还有源源不断的真机数据。PI真正能服务的，可能是大量拥有本体和场景、又养不起基础模型团队的公司。

这个市场能不能支撑200亿美元？现在还没人知道。

所以，赢者通吃是大脑公司的机会，也是它们最危险的幻觉。

国内公司并不缺模型，也不缺聪明人。

它们缺一组更硬的事实：离开自家机器人，模型仍然能干活；服务第二个客户，成本真的比第一个低；收入来自可以复制的智能，而非不断增加的驻场工程师。

美国资本先给大脑定价，中国资本先让机器人搬砖。

谁更聪明，现在下结论太早。

最后大家面对的是同一道题：货架变了、商品换了、身体也不是自己的，这颗大脑还能不能继续干活，继续赚钱。