作者丨巴里

编辑丨关雎

图源丨 SiliconANGLE

具身智能领域再冲出估值近 400 亿元超级独角兽。

Physical Intelligence（PI）这家成立仅不足两年的初创公司，在最新一轮融资中再获 6 亿美元（约合 42 亿元人民币）投资，估值从上一轮的 20 亿美元直接跃升至 56 亿美元（约合 396 亿元人民币），成为具身智能 " 通用机器人大脑 " 赛道估值最高的玩家。

本轮融资由 Alphabet 旗下独立成长基金 CapitalG 领投，现有投资者 Lux Capital、Thrive Capital 及亚马逊创始人杰夫 · 贝索斯持续加码，新晋投资方 Index Ventures 与 T. Rowe Price 也参与了此轮融资。

值得一提的是，OpenAI 也是 PI 的早期投资者之一，参与了 2024 年 3 月的 7000 万美元种子轮融资及 2024 年 11 月的 4 亿美元天使轮融资 。

位于美国旧金山的 PI 组建了一支 " 全明星团队 "。

首席执行官兼联合创始人 Karol Hausman 来自 Google DeepMind，曾在机器人感知与控制领域深耕多年；联合创始人 Sergey Levine 是强化学习领域的学术权威，在加州大学伯克利分校主导自主智能体算法研究；另一位联合创始人 Groom 则兼具投资人与 Stripe 前高管的双重背景，在商业拓展与融资进程中扮演关键角色。团队还汇聚了来自谷歌、特斯拉、斯坦福大学等机构的顶尖人才，形成学术与产业深度融合的研发矩阵。

PI 三位创始人，图源：SiliconANGLE

实现真正意义上的 " 通用机器人 " ——使其能够适应多元场景、自主做出判断、像人类一样应对不确定性，始终是业界亟待突破的技术瓶颈。

相比 Figure AI 或特斯拉这类以硬件为主导的路线，PI 更强调 " 软件先行 " 的策略，将大模型的思路延伸至物理世界，训练出一套不依赖特定硬件的通用大脑，让 " 一个模型控制不同机器人本体 " 成为可能。

因此，定位于跨平台 " 通用机器人大脑 " 的 PI，使其估值体系更接近 "AI 大模型公司 "。

在融资消息公布前夕，PI 于 11 月 18 日正式发布了新一代机器人基础模型 π *0.6。该模型在 π -0.6 基础上迭代升级，其最大突破在于引入 RECAP 训练方法，显著提升了机器人在复杂任务中的泛化能力。

在实际测试中，π *0.6 展现出令人瞩目的性能：能够连续工作一整天精准制作意式浓缩咖啡、持续数小时处理不同材质的衣物折叠任务，并高效完成工业纸箱的精准组装，多项任务成功率突破 90%。这标志着通用机器人大脑在落地应用层面迈出了关键一步。

值得注意的是，在全球 " 通用机器人大脑 " 的竞技场上，除了 PI 和 Skild AI 等国际明星团队，千诀科技、智平方、自变量机器人等国内创新力量也在快速崛起，一场围绕机器人 " 大脑 " 的全球竞赛已拉开帷幕。

机器人大脑两条路，

中国公司怎么走？

作为赛道内两家估值最高的独角兽，PI 和 Skild AI 正以截然不同的方式，竞相打造机器人的 " 核心大脑 "。

创业邦获悉，Skild AI 在短短两年内已完成三轮融资，总额超 4 亿美元。其估值飙升速度令人瞩目——从 2024 年 7 月 A 轮的 15 亿美元，跃升至 2025 年 6 月的 45 亿美元（约合 318 亿元人民币），一年内翻了三倍。

这家初创公司的投资方阵容同样堪称 " 全明星 "：软银集团、贝佐斯、红杉资本、光速创投、Coatue 等顶级机构齐聚，甚至卡内基梅隆大学也以战略投资者身份入场。

在技术路线上，两家公司选择了截然不同的路径。PI 坚持在真实世界中训练机器人，其联合创始人 Karol Hausman 直言：" 我们相信，真正通用的机器人智能必须在真实的物理环境中学习和验证。"

PI 团队认为，仿真环境虽能提供大量数据，但无法完全模拟现实世界中的物理摩擦、材质差异和意外干扰。

与之形成鲜明对比的是，Skild AI 正全力构建一个超大规模仿真训练场。

" 我们在仿真中完成了相当于一千年的机器人训练时间，"Skild AI 技术负责人透露。这种方法让机器人能在短时间内经历数百万次失败，从中学习如何应对各种极端情况。

在数据策略上，两家公司的分野更加明显。

PI 提出一个反直觉的观点：" 世界多样性被高估了 "。他们认为，实现通用机器人智能并不需要无限多样的数据，而是需要精心挑选的、具有代表性的真实机器人操作数据，这种方法更注重数据的质量和有效性。对比传统机器人多依赖单一演示或仿真，PI 靠真实世界大数据 + 多模态协同 + 强化学习闭环，泛化能力更强。

Skild AI 则采用了典型的 " 大数据 " 思路，通过整合仿真数据、真实世界操作、互联网视频和远程操控数据，构建了庞大的异构数据集。" 我们相信规模定律同样适用于机器人学习，"Skild AI 团队表示。

在模型能力展示上，两家公司各显神通。

PI 的演示重点展现其模型的开放世界泛化能力——让机器人在完全陌生的家庭环境中，成功理解并执行整理任务，这更像是在打造机器人的 " 常识 " 和 " 理解力 "。

Skild AI 则展示了令人印象深刻的抗损伤能力——在其演示中，即使机器人腿部关节严重受损，系统也能在几秒钟内自主调整步态，继续完成任务。通过深度强化学习与大规模模拟测试，Skild Brain 展现了出色的自主恢复与动态平衡能力，为未来机器人在救援、勘探及工业应用中的可靠性提供了可能。

在商业化选择上，两家公司展现出不同的战略思维。

PI 坚守平台化梦想，致力于打造纯粹的 " 机器人大脑 "，目标是未来赋能各种形态的机器人硬件。这种模式更接近云服务的思路，但需要更长时间来验证其商业价值。

Skild AI 则选择了从垂直场景突破的务实路线，该公司已明确将工业安防和巡检机器人作为首个商业化落地点。" 我们从最需要鲁棒性的场景切入，逐步扩展模型能力，"Skild AI 商业化负责人表示。

PI 的投资人曾坦言：" 我们投资的是机器人领域的 OpenAI，相信通用智能模型的价值最终会超越任何垂直解决方案。" 而押注 Skild AI 的投资人则认为：" 在仿真中训练出的超强鲁棒性，是工业场景的刚需。他们选择了最可能快速商业化的路径。"

业内人士分析，短期来看，Skild AI 的工业巡检机器人可能更快产生收入；但长期而言，如果 PI 的通用平台模式走通，将拥有更大的想象空间。

就国内公司而言，千诀科技与美国的 PI 最为相像，两者都专注于研发通用的 " 机器人大脑 "，在多个层面都高度对齐。

和 PI 一样，千诀科技是国内少数几家只专注于机器人大脑的公司，由清华自动化系陈峰教授类脑中心孵化，旨在打造能跨形态、跨环境、跨任务部署的通用机器人大模型。

千诀科技的研发团队在技术上对标了 PI 核心成员 Sergey Levine 的研究路线。他们没有简单跟随行业主流的 " 分层 " 或 " 端到端 " 架构，而是坚持独特的 " 类脑分区 " 路线，模仿人脑不同功能区协同工作的方式，以实现机器人的长时程自主工作能力。

与 PI 不做本体的策略一致，千诀科技通过打造 " 脑坞 " 这类机器人专属端侧计算方案，来为其他硬件厂商提供大脑能力，自身不涉足机器人本体的制造。

这一战略选择，使其催生出一条清晰的商业化路径：先家庭，后服务，最后进入工厂。这也与 PI 现阶段展示的家庭场景不谋而合。

" 我们优先选择那些对长时程自主决策需求最强，同时操作相对简化的场景。" 千诀科技创始人兼 CEO 高海川举例说，" 我们为扫地机器人、机器狗等现有设备赋能，彻底拿掉‘遥控器’，让它们真正实现自主规划、按电梯、规避动态障碍等，无需人工接管。这些都是当下真实存在的、可以立刻创造价值的需求。"

在商业化方面，千诀科技的具身大脑已在家庭服务、物流配送、商业运营等多个场景运行，与多家具身机器人厂商、消费电子公司及互联网科技企业达成合作。

英诺基金创始人李竹表示：" 千诀科技是一个自我进化、沿途下蛋的公司，用类脑解耦的方案做具身大脑的预训练，其具身大脑已经和 7 类不同形态的具身机器人公司达成了商务合作，将来会是这个领域的头部公司。"

机器人 " 大脑 " 与 " 肉身 " 的路口，

谁能跑通终局？

当前，在机器人 " 大脑 " 与 " 肉身 " 是否必须捆绑的争论中，软硬一体派与纯大脑派仍在激烈交锋。

一边是 PI、千诀科技等纯 " 大脑 " 公司高举通用化大旗，另一边则是特斯拉、Figure AI 等软硬一体化的坚定派。数据到底能否跨本体通用，成为双方交锋的焦点。

" 用某个本体训练的数据有局限性，不一定能适用于别的本体 " ——这一观点直指机器人智能的核心矛盾：数据与硬件的耦合度。

清华大学教授邓志东强调：" 智能不是虚拟的，智能也有物理载体。机器人本体是 AI 发挥作用的物理边界。" 这意味着，为特定机械结构优化的控制模型，其数据和使用场景都具有高度专属性。

许多头部机器人公司目前选择自研 " 大脑 " 和 " 本体 "。这是因为当前阶段，为特定机械结构收集的数据，能最直接地用于训练和控制它自己。

一位业内人士指出，由于当前机器人形态构造差异很大，导致训练数据难以互通，出现了 " 数据跟着本体走 " 的现象。因此，通过软硬一体打造闭环，被一些公司视为保证产品性能和打造壁垒的务实选择。

另一方面，一些研究机构和平台型公司则在积极探索解耦的可能性。

智源研究院院长王仲远提出了一个不同的思路：他认为视频数据是规模化学习物理世界常识的最佳路径。一个模型通过观看海量的互联网视频，可以先建立起对物理世界的通用理解，之后再适配到不同的机器人本体上。

这类似于先培养一个 " 通才 "，再进行 " 专项培训 "。

同时，像国家地方共建人形机器人创新中心这样的机构，也在尝试通过平台化开发，解决不同本体数据异构的行业痛点。

当前行业正面临着 " 小脑 " 成熟、" 大脑 " 滞后的现实困境。

" 现在，多数人形机器人‘小脑’的发展已经达到了不错的水平，能够比较自然地跑跳、在移动中保持平衡，但‘大脑’的发展还需要进一步提升。" 自变量机器人创始人王潜指出。

这种技术发展的不对称，导致了许多机器人硬件能力强但智能水平低的尴尬局面。

在工业场景中，这一问题更加凸显。

百川智能共享工厂总经理赵辉表示：" 目前企业用得更好的依旧是自动化设备和工业机器人，并不会选择人形机器人。" 因为传统机器人的设计逻辑就是准确完成重复动作，不需要泛化能力。

基于现实，行业在技术层面正在探索第三条路。

当前，" 大小脑 " 分层架构成为主流。这是一种折中而高效的方案，行业目前普遍采用 " 大脑 " 负责高级认知、规划，" 小脑 " 负责快速反应、运动控制的协同路线。在这种架构下，" 大脑 " 的认知能力可以追求通用化，而 " 小脑 " 的控制部分则与本体硬件结合得更紧密。

但北京大学王源教授提出了更具颠覆性的 " 具身神经智能 " 概念，目标是模仿人类 " 全脑 " 的工作方式，最终用一个统一的模型处理感知、认知和运动控制，从根本上解决大小脑异构协同的难题。

这预示着，当前的技术路线之争可能只是产业发展中的一个阶段性现象。

从创业生态角度看，机器人领域的 " 大脑 " 与 " 本体 " 之争，本质是通用平台梦想与垂直场景落地的战略选择。

纯 " 大脑 " 公司押注的是平台价值，赌的是自己能成为机器人领域的 "Android 系统 "；而软硬一体公司则更相信通过垂直整合打造极致体验，类似于 " 苹果模式 "。

在行业早期阶段，两种路径都有其合理性。

随着特斯拉、宇树科技等公司在硬件成本上的快速突破，以及大模型技术在具身智能领域的加速渗透，2025 年已经成为了人形机器人从 " 演示价值 " 走向 " 实用价值 " 的关键分水岭。

这场关乎机器人产业格局的路线之争，远未到终局时刻。

但可以肯定的是，在资本与技术的双轮驱动下，谁能更快破解数据与本体之间的耦合难题，谁就能在这场智能体进化竞赛中占据先机。

本文为专栏作者授权创业邦发表，版权归原作者所有。文章系作者个人观点，不代表创业邦立场，转载请联系原作者。如有任何疑问，请联系 editor@cyzone.cn。