【量子位 2026年1月31日讯】当多数AI公司还在深耕虚拟世界的文本与图像生成时，硅谷初创企业Physical Intelligence正另辟蹊径——用“物理智能”让机器人学会折叠衣物、制作咖啡、处理蔬菜，甚至理解重力、摩擦等真实世界物理规律。这家由Stripe前早期员工拉奇·格鲁姆（Lachy Groom）联合创办的公司，凭借“通用机器人基础模型”的独特定位，成立两年便斩获超10亿美元融资，估值达56亿美元，吸引红杉资本、Khosla Ventures、Thrive Capital等顶级资本入局，成为硅谷最受瞩目的“机器人大脑”研发者。
走进Physical Intelligence位于旧金山的总部，没有光鲜的前台与醒目标识，只有满室忙碌的场景：木质长桌上散落着Girl Scout饼干盒与澳洲特产Vegemite酱，另一侧则摆满显示器、机械臂零件与缠绕的电线——三台机械臂正分别尝试折叠黑裤子、翻转衬衫、削西葫芦，虽偶有失误，却展现出逼近人类的“物理理解能力”。正如联合创始人、加州大学伯克利分校副教授谢尔盖·莱文（Sergey Levine）所言：“我们做的，相当于机器人版ChatGPT，只不过它处理的不是文本，而是真实世界的物理动作。”
一、核心技术：“跨实体学习”打造通用机器人大脑，从削西葫芦到做咖啡皆可迁移
Physical Intelligence的突破，在于摒弃传统机器人“单一任务编程”模式，通过“通用基础模型+真实数据训练”，让机器具备“举一反三”的物理交互能力，其技术逻辑可拆解为三大核心环节。
1. 数据闭环：从真实场景采集数据，反哺模型迭代
公司构建了一套“数据采集-模型训练-场景验证”的持续循环体系：
-
多场景数据采集：除总部测试室外，团队还在仓库、家庭、餐厅等真实场景部署机器人工作站，收集机械臂处理衣物、包装、食材等任务的全流程数据，甚至专门搭建“测试厨房”，让机器人学习操作咖啡机、处理蔬菜；
-
数据用途多元：这些数据不仅包含成功案例，更重视失败经验——例如机械臂折叠裤子时“边角对齐偏差”、削西葫芦时“力度控制不当”等失误数据，都会用于训练模型的“纠错能力”。莱文解释：“人类通过试错学会动作，机器人也该如此，失败数据比成功数据更有价值。”
在总部测试现场，削西葫芦的机械臂已能稳定将瓜皮削入指定容器，而折叠裤子与翻转衬衫的机械臂虽未完全达标，但每一次调整都在向目标靠近——这些实时测试数据会同步传输至模型训练系统，成为下一轮优化的依据。
2. 跨实体学习：一套模型适配多硬件，新机器人无需从零学起
不同于传统机器人“一款硬件对应一套算法”的局限，Physical Intelligence的核心技术“跨实体学习（Cross-Embodiment Learning）”，可实现“知识迁移”：
-
技术原理：模型通过海量数据学习“物理动作的本质规律”，例如“削”的动作核心是“刀具角度+力度控制+物料固定”，掌握这些规律后，无论面对西葫芦、苹果还是土豆，只需微调参数即可适配；若更换新机械臂硬件，也无需重新采集数据，可直接复用已有知识；
-
降本价值：联合创始人全·王（Quan Vuong，前Google DeepMind研究员）表示：“过去为新机器人开发自动化能力，边际成本很高；现在有了通用模型，接入新硬件的成本大幅降低，这让机器人规模化应用成为可能。”
目前，公司已与物流、生鲜、巧克力制造等领域企业合作测试，部分场景已实现“即插即用”——某巧克力厂商引入模型后，机械臂处理可可豆的分拣效率较传统设备提升40%，且无需额外编程。
3. 硬件哲学：用“普通硬件+强智能”打破性能瓶颈
与多数机器人公司追求“高精尖硬件”不同，Physical Intelligence选择“低成本硬件+强算法”路线：
-
硬件选择：所用机械臂采购价约3500美元，莱文坦言“供应商有巨额加价”，若自研生产，材料成本可降至1000美元以下；
-
核心逻辑：通过算法弥补硬件短板，例如普通机械臂的力控精度不足，模型便通过“感知反馈+动态调整”优化动作，让廉价设备也能完成折叠衣物、制作咖啡等精细任务。“好的智能能补偿差的硬件，这是我们与其他公司最大的不同。”莱文强调。
二、团队与融资：Stripe前高管掌舵，10亿资金押注“5-10年长期主义”
Physical Intelligence的崛起，离不开核心团队的行业积淀与资本的坚定支持，其“不急于商业化”的战略在追求短期回报的硅谷尤为独特。
1. 灵魂人物：从Stripe早期员工到“机器人投资人”，格鲁姆的“五年寻路”
31岁的拉奇·格鲁姆（Lachy Groom）是硅谷知名的“少年天才”——13岁在澳大利亚创办首家公司，9个月后成功出售；加入Stripe成为早期员工后，又以天使投资人身份押注Figma、Notion、Ramp等明星企业。但他始终在寻找“值得全情投入的事业”，直到2024年接触到莱文与斯坦福大学切尔西·芬恩（Chelsea Finn）的物理智能研究：
-
创业契机：通过Google DeepMind研究员卡罗尔·豪斯曼（Karol Hausman）牵线，格鲁姆与莱文团队深入交流，“走出会议室就确定，这就是我要找的方向”；
-
管理风格：公司80人团队保持“慢扩张”节奏，格鲁姆直言“硬件研发比软件难太多——设备会坏、测试会延迟、安全要考量”，因此拒绝盲目扩招，优先保证技术深度。
2. 资本青睐：10亿融资无商业化时间表，顶级VC愿等“长期回报”
尽管公司未明确盈利路径，仍吸引红杉、Khosla、Thrive等资本累计注资超10亿美元，估值达56亿美元：
-
资金用途：主要投入计算资源（占比超60%），用于数据处理与模型训练；其次是硬件采购与场景测试；
-
特殊约定：格鲁姆明确告知投资人“无法给出商业化时间表”，但资本仍愿买单——一方面因团队过往履历（莱文是机器人学习领域权威，格鲁姆投资眼光独到），另一方面看好“物理智能重构机器人行业”的长期价值。“我们能投入的资金没有上限，因为总有更多计算资源可用于解决更复杂的物理问题。”格鲁姆表示。
三、行业竞争：与Skild AI分道扬镳，“纯研究”VS“商业化”路线之争
物理智能赛道的竞争已悄然升温，Physical Intelligence与2023年成立的Skild AI形成鲜明对比，代表两种截然不同的发展路径。
1. 路线分歧：前者重研究，后者追商业化
-
Physical Intelligence：坚持“纯研究导向”，拒绝短期商业化诱惑，聚焦通用模型研发。目前仅与少量企业合作测试，未追求营收，目标是先让模型具备“理解复杂物理场景”的能力，例如让机器人在动态环境中（如有人穿行的厨房）安全操作；
-
Skild AI：采取“商业化优先”策略，其“全实体大脑”已落地安防、仓储、制造领域，2025年短短数月营收达3000万美元，估值更高达140亿美元。Skild还公开质疑对手：“多数机器人基础模型只是‘视觉-语言模型伪装’，缺乏物理常识，依赖互联网数据而非真实机器人数据。”
2. 技术博弈：数据来源与泛化能力的较量
Skild AI强调“商业化数据飞轮”——通过实际部署获取数据反哺模型；而Physical Intelligence则认为“过早商业化会限制模型通用性”，坚持从多元场景采集数据，甚至刻意测试“未接触过的任务”，例如让削过西葫芦的机械臂尝试处理苹果，验证模型的泛化能力。“我们的5-10年 roadmap，18个月就突破了，现在要解决的是更难的‘未知场景适应’。”格鲁姆透露。
四、挑战与争议：机器会抢人类饭碗吗？硬件瓶颈如何突破？
尽管前景可期，Physical Intelligence仍面临多重质疑，核心集中在“实用性”“安全性”与“技术落地难度”三大维度。
1. 外界质疑：“谁需要机器人削西葫芦？”
不少声音认为，公司研究的“折叠衣物”“制作咖啡”等任务并非刚需，且可能引发就业担忧——例如餐厅服务员、家政人员是否会被替代？对此，格鲁姆回应：“我们的目标不是取代人类，而是处理重复、枯燥或危险的物理工作，让人类专注更有创造力的事。”全·王补充：“目前模型已能在部分工厂场景替代人工，例如高精度包装纸箱组装，效率是人类的3倍。”
2. 内部挑战：硬件成为最大拦路虎
相较于软件迭代的快速，硬件问题常让团队陷入困境：机械臂故障、零件延迟到货、安全规范限制测试……这些都导致研发进度反复。“软件出bug可以快速修复，硬件坏了只能等配件，这是我们最头疼的事。”格鲁姆坦言，未来公司可能自研核心硬件，以解决“算法与设备不匹配”的问题。
结语：物理智能的“ChatGPT时刻”何时到来？
从总部测试室里仍在努力折叠裤子的机械臂，到估值56亿美元的资本认可，Physical Intelligence的探索，本质上是在回答一个核心问题：机器如何真正“理解”物理世界？正如英伟达CEO黄仁勋所言，物理AI的“ChatGPT时刻”已临近——当机器人能像人类一样应对突发状况（如咖啡洒出后自主清理）、适应不同环境（从家庭厨房到工厂车间），或许就是这一时刻到来的标志。
目前，Physical Intelligence尚未对外开放模型体验，但其与物流、制造企业的合作测试已初见成效。对于未来，格鲁姆充满信心：“我们在与研究了几十年物理智能的专家合作，现在时机终于成熟。硅谷愿意给我们时间和资源，即使没有明确商业化路径，因为大家相信，这会是改变世界的技术。”
这场关于“机器人大脑”的研发竞赛，才刚刚拉开序幕。Physical Intelligence能否成为物理智能领域的“OpenAI”？答案或许藏在那些不断试错的机械臂动作里，藏在每一次数据迭代中，更藏在硅谷对“长期主义创新”的坚持中。
