一口氣融資40億，最強機器人大腦誕生，誰能跑通終局？

作者丨巴里

編輯丨關雎

圖源丨SiliconANGLE

具身智能領域再沖出估值近400億元超級獨角獸。

Physical Intelligence（PI）這家成立僅不足兩年的初創公司，在最新一輪融資中再獲6億美元（約合42億元人民幣）投資，估值從上一輪的20億美元直接躍升至56億美元（約合396億元人民幣），成為具身智能“通用機器人大腦”賽道估值最高的玩家。

本輪融資由Alphabet旗下獨立成長基金CapitalG領投，現有投資者Lux Capital、Thrive Capital及亞馬遜創始人杰夫·貝索斯持續加碼，新晉投資方Index Ventures與T. Rowe Price也參與了此輪融資。

值得一提的是，OpenAI也是PI的早期投資者之一，參與了2024年3月的7000萬美元種子輪融資及2024年11月的4億美元天使輪融資 。

位于美國舊金山的PI組建了一支“全明星團隊”。

首席執行官兼聯合創始人Karol Hausman來自Google DeepMind，曾在機器人感知與控制領域深耕多年；聯合創始人Sergey Levine是強化學習領域的學術權威，在加州大學伯克利分校主導自主智能體算法研究；另一位聯合創始人Groom則兼具投資人與Stripe前高管的雙重背景，在商業拓展與融資進程中扮演關鍵角色。團隊還匯聚了來自谷歌、特斯拉、斯坦福大學等機構的頂尖人才，形成學術與產業深度融合的研發矩陣。

PI三位創始人，圖源：SiliconANGLE

實現真正意義上的“通用機器人”——使其能夠適應多元場景、自主做出判斷、像人類一樣應對不確定性，始終是業界亟待突破的技術瓶頸。

相比 Figure AI 或特斯拉這類以硬件為主導的路線，PI 更強調“軟件先行”的策略，將大模型的思路延伸至物理世界，訓練出一套不依賴特定硬件的通用大腦，讓“一個模型控制不同機器人本體”成為可能。

因此，定位于跨平臺“通用機器人大腦”的PI，使其估值體系更接近“AI大模型公司”。

在融資消息公布前夕，PI于11月18日正式發布了新一代機器人基礎模型π*0.6。該模型在π-0.6基礎上迭代升級，其最大突破在于引入RECAP訓練方法，顯著提升了機器人在復雜任務中的泛化能力。

在實際測試中，π*0.6展現出令人矚目的性能：能夠連續工作一整天精準制作意式濃縮咖啡、持續數小時處理不同材質的衣物折疊任務，并高效完成工業紙箱的精準組裝，多項任務成功率突破90%。這標志著通用機器人大腦在落地應用層面邁出了關鍵一步。

值得注意的是，在全球“通用機器人大腦”的競技場上，除了PI和Skild AI等國際明星團隊，千訣科技、智平方、自變量機器人等國內創新力量也在快速崛起，一場圍繞機器人“大腦”的全球競賽已拉開帷幕。

機器人大腦兩條路，

中國公司怎么走？

作為賽道內兩家估值最高的獨角獸，PI和Skild AI正以截然不同的方式，競相打造機器人的“核心大腦”。

創業邦獲悉，Skild AI在短短兩年內已完成三輪融資，總額超4億美元。其估值飆升速度令人矚目——從2024年7月A輪的15億美元，躍升至2025年6月的45億美元（約合318億元人民幣），一年內翻了三倍。

這家初創公司的投資方陣容同樣堪稱“全明星”：軟銀集團、貝佐斯、紅杉資本、光速創投、Coatue等頂級機構齊聚，甚至卡內基梅隆大學也以戰略投資者身份入場。

在技術路線上，兩家公司選擇了截然不同的路徑。PI堅持在真實世界中訓練機器人，其聯合創始人Karol Hausman直言：“我們相信，真正通用的機器人智能必須在真實的物理環境中學習和驗證。”

PI團隊認為，仿真環境雖能提供大量數據，但無法完全模擬現實世界中的物理摩擦、材質差異和意外干擾。

與之形成鮮明對比的是，Skild AI正全力構建一個超大規模仿真訓練場。

“我們在仿真中完成了相當于一千年的機器人訓練時間，”Skild AI技術負責人透露。這種方法讓機器人能在短時間內經歷數百萬次失敗，從中學習如何應對各種極端情況。

在數據策略上，兩家公司的分野更加明顯。

PI提出一個反直覺的觀點：“世界多樣性被高估了”。他們認為，實現通用機器人智能并不需要無限多樣的數據，而是需要精心挑選的、具有代表性的真實機器人操作數據，這種方法更注重數據的質量和有效性。對比傳統機器人多依賴單一演示或仿真，PI 靠真實世界大數據 + 多模態協同 + 強化學習閉環，泛化能力更強。

Skild AI則采用了典型的“大數據”思路，通過整合仿真數據、真實世界操作、互聯網視頻和遠程操控數據，構建了龐大的異構數據集。“我們相信規模定律同樣適用于機器人學習，”Skild AI團隊表示。

在模型能力展示上，兩家公司各顯神通。

PI的演示重點展現其模型的開放世界泛化能力——讓機器人在完全陌生的家庭環境中，成功理解并執行整理任務，這更像是在打造機器人的“常識”和“理解力”。

Skild AI則展示了令人印象深刻的抗損傷能力——在其演示中，即使機器人腿部關節嚴重受損，系統也能在幾秒鐘內自主調整步態，繼續完成任務。通過深度強化學習與大規模模擬測試，Skild Brain展現了出色的自主恢復與動態平衡能力，為未來機器人在救援、勘探及工業應用中的可靠性提供了可能。

在商業化選擇上，兩家公司展現出不同的戰略思維。

PI堅守平臺化夢想，致力于打造純粹的“機器人大腦”，目標是未來賦能各種形態的機器人硬件。這種模式更接近云服務的思路，但需要更長時間來驗證其商業價值。

Skild AI則選擇了從垂直場景突破的務實路線，該公司已明確將工業安防和巡檢機器人作為首個商業化落地點。“我們從最需要魯棒性的場景切入，逐步擴展模型能力，”Skild AI商業化負責人表示。

PI的投資人曾坦言：“我們投資的是機器人領域的OpenAI，相信通用智能模型的價值最終會超越任何垂直解決方案。”而押注Skild AI的投資人則認為：“在仿真中訓練出的超強魯棒性，是工業場景的剛需。他們選擇了最可能快速商業化的路徑。”

業內人士分析，短期來看，Skild AI的工業巡檢機器人可能更快產生收入；但長期而言，如果PI的通用平臺模式走通，將擁有更大的想象空間。

就國內公司而言，千訣科技與美國的PI最為相像，兩者都專注于研發通用的“機器人大腦”，在多個層面都高度對齊。

和PI一樣，千訣科技是國內少數幾家只專注于機器人大腦的公司，由清華自動化系陳峰教授類腦中心孵化，旨在打造能跨形態、跨環境、跨任務部署的通用機器人大模型。

千訣科技的研發團隊在技術上對標了PI核心成員Sergey Levine的研究路線。他們沒有簡單跟隨行業主流的“分層”或“端到端”架構，而是堅持獨特的“類腦分區”路線，模仿人腦不同功能區協同工作的方式，以實現機器人的長時程自主工作能力。

與PI不做本體的策略一致，千訣科技通過打造“腦塢”這類機器人專屬端側計算方案，來為其他硬件廠商提供大腦能力，自身不涉足機器人本體的制造。

這一戰略選擇，使其催生出一條清晰的商業化路徑：先家庭，后服務，最后進入工廠。這也與PI現階段展示的家庭場景不謀而合。

“我們優先選擇那些對長時程自主決策需求最強，同時操作相對簡化的場景。”千訣科技創始人兼CEO高海川舉例說，“我們為掃地機器人、機器狗等現有設備賦能，徹底拿掉‘遙控器’，讓它們真正實現自主規劃、按電梯、規避動態障礙等，無需人工接管。這些都是當下真實存在的、可以立刻創造價值的需求。”

在商業化方面，千訣科技的具身大腦已在家庭服務、物流配送、商業運營等多個場景運行，與多家具身機器人廠商、消費電子公司及互聯網科技企業達成合作。

英諾基金創始人李竹表示：“千訣科技是一個自我進化、沿途下蛋的公司，用類腦解耦的方案做具身大腦的預訓練，其具身大腦已經和7類不同形態的具身機器人公司達成了商務合作，將來會是這個領域的頭部公司。”

機器人“大腦”與“肉身”的路口，

誰能跑通終局？

當前，在機器人“大腦”與“肉身”是否必須捆綁的爭論中，軟硬一體派與純大腦派仍在激烈交鋒。

一邊是PI、千訣科技等純“大腦”公司高舉通用化大旗，另一邊則是特斯拉、Figure AI等軟硬一體化的堅定派。數據到底能否跨本體通用，成為雙方交鋒的焦點。

“用某個本體訓練的數據有局限性，不一定能適用于別的本體”——這一觀點直指機器人智能的核心矛盾：數據與硬件的耦合度。

清華大學教授鄧志東強調：“智能不是虛擬的，智能也有物理載體。機器人本體是AI發揮作用的物理邊界。”這意味著，為特定機械結構優化的控制模型，其數據和使用場景都具有高度專屬性。

許多頭部機器人公司目前選擇自研“大腦”和“本體”。這是因為當前階段，為特定機械結構收集的數據，能最直接地用于訓練和控制它自己。

一位業內人士指出，由于當前機器人形態構造差異很大，導致訓練數據難以互通，出現了“數據跟著本體走”的現象。因此，通過軟硬一體打造閉環，被一些公司視為保證產品性能和打造壁壘的務實選擇。

另一方面，一些研究機構和平臺型公司則在積極探索解耦的可能性。

智源研究院院長王仲遠提出了一個不同的思路：他認為視頻數據是規模化學習物理世界常識的最佳路徑。一個模型通過觀看海量的互聯網視頻，可以先建立起對物理世界的通用理解，之后再適配到不同的機器人本體上。

這類似于先培養一個“通才”，再進行“專項培訓”。

同時，像國家地方共建人形機器人創新中心這樣的機構，也在嘗試通過平臺化開發，解決不同本體數據異構的行業痛點。

當前行業正面臨著“小腦”成熟、“大腦”滯后的現實困境。

“現在，多數人形機器人‘小腦’的發展已經達到了不錯的水平，能夠比較自然地跑跳、在移動中保持平衡，但‘大腦’的發展還需要進一步提升。”自變量機器人創始人王潛指出。

這種技術發展的不對稱，導致了許多機器人硬件能力強但智能水平低的尷尬局面。

在工業場景中，這一問題更加凸顯。

百川智能共享工廠總經理趙輝表示：“目前企業用得更好的依舊是自動化設備和工業機器人，并不會選擇人形機器人。”因為傳統機器人的設計邏輯就是準確完成重復動作，不需要泛化能力。

基于現實，行業在技術層面正在探索第三條路。

當前，“大小腦”分層架構成為主流。這是一種折中而高效的方案，行業目前普遍采用“大腦”負責高級認知、規劃，“小腦”負責快速反應、運動控制的協同路線。在這種架構下，“大腦”的認知能力可以追求通用化，而“小腦”的控制部分則與本體硬件結合得更緊密。

但北京大學王源教授提出了更具顛覆性的“具身神經智能”概念，目標是模仿人類“全腦”的工作方式，最終用一個統一的模型處理感知、認知和運動控制，從根本上解決大小腦異構協同的難題。

這預示著，當前的技術路線之爭可能只是產業發展中的一個階段性現象。

從創業生態角度看，機器人領域的“大腦”與“本體”之爭，本質是通用平臺夢想與垂直場景落地的戰略選擇。

純“大腦”公司押注的是平臺價值，賭的是自己能成為機器人領域的“Android系統”；而軟硬一體公司則更相信通過垂直整合打造極致體驗，類似于“蘋果模式”。

在行業早期階段，兩種路徑都有其合理性。

隨著特斯拉、宇樹科技等公司在硬件成本上的快速突破，以及大模型技術在具身智能領域的加速滲透，2025年已經成為了人形機器人從“演示價值”走向“實用價值”的關鍵分水嶺。

這場關乎機器人產業格局的路線之爭，遠未到終局時刻。

但可以肯定的是，在資本與技術的雙輪驅動下，誰能更快破解數據與本體之間的耦合難題，誰就能在這場智能體進化競賽中占據先機。