无商业营收却估值200亿！这家具身智能公司凭啥获顶流资本押注？
分文不赚，如何做到200亿美元身价？
2024年刚成立的一家美国机器人AI初创公司，正凭借无营收、无量产产品的状态，缔造着资本圈的新神话。这家名为Physical Intelligence（简称PI）的企业，正洽谈至少10亿美元的新一轮融资，投后估值预计达200亿美元，约合1333亿元人民币。
回溯到去年11月，它的估值还仅为56亿美元，不到一年时间就可能上涨至原估值的3.6倍。更令人惊讶的是，PI至今未产生任何商业营收，也没有推出自主量产的机器人产品，却吸引了一众顶级资本的下注。
包括贝索斯、谷歌旗下CapitalG在内的知名投资者纷纷入场，核心原因在于PI的研发方向——打造一款能够适配不同机器人硬件、完成多样化任务的通用AI大脑，被业内视为“具身大脑领域的OpenAI”，也将这一赛道的估值推向了新高度。
据行业观察消息，知情人士透露，PI此次洽谈的融资中，现有投资方Avenir和Lux Capital考虑领投；若交易顺利完成，其估值将较今年早些时候的115亿美元接近翻番。往前追溯，去年11月PI完成6亿美元融资时，估值为56亿美元，一年间涨幅近2.6倍。
其投资方阵容堪称顶流云集，除了领投方，还包括Alphabet旗下CapitalG、Thrive Capital、红杉资本等，贝索斯更是早早自掏腰包押注。作为参照，同样布局机器人通用大脑的独角兽企业，今年1月估值为140亿美元，且到9月已宣布年化经常性收入（ARR）突破1亿美元，而PI目前仍无任何商业收入。
外界或许会将这一估值视为泡沫，但翻开PI的创始团队名单，就能理解顶级风投的选择。这家公司成立于2024年，总部位于美国旧金山，核心创始团队来自谷歌DeepMind、斯坦福大学、加州大学伯克利分校，汇聚了全球机器人领域的顶尖人才。
联合创始人兼首席执行官Karol Hausman，曾在谷歌与DeepMind深耕多年，是前沿机器人研究的核心科学家，同时担任斯坦福大学兼职教授，长期主导谷歌机器人的探索方向；联合创始人Sergey Levine是加州大学伯克利分校教授，在机器人学习和强化学习领域是宗师级学者，众多具身智能领域研究者都曾研读其论文；联合创始人Chelsea Finn是斯坦福大学助理教授，元学习与机器人领域的领军学者，曾是Levine的博士生；另一位联合创始人Lachy Groom，13岁创办第一家公司，曾是Stripe早期员工，后转型为硅谷知名天使投资人，投资过Figma、Notion等企业，与OpenAI创始人渊源颇深。此外，PI还汇集了前Stripe高管、DeepMind核心技术骨干Brian Ichter等人才。
顶尖学者与资深资本运作人才的结合，为PI赢得了广泛关注，但这还不足以支撑200亿美元的估值。从行业维度看，当前大语言模型在文本、编程等领域的能力已趋成熟，AI产业正将目光转向物理世界，增量资金需要找到承载万亿级市场的超级应用载体，而PI的通用机器人基础模型，正是这一方向的核心布局。
PI从成立之初就确定了纯软件定位，避开传统机器人研发的孤岛困境——传统机器人需针对不同硬件单独开发控制代码，换个底座就要重构整套系统；而PI要做的，是适配各类第三方硬件的通用机器人基础模型。
其核心技术路径是在视觉语言模型基础上加入动作生成能力，训练视觉—语言—动作模型，将对现实环境的感知转化为机器人可执行的动作。比如机器人通过摄像头识别物体位置、形状与任务，模型生成运动指令控制机械臂完成抓取等动作，打通从“看懂世界”到“动手操作”的壁垒，联合创始人Levine曾将这一目标形容为“机器人版ChatGPT”。
为了将AI从数字世界带入物理世界，PI持续迭代基础模型，从π0、π0.5升级到今年的π0.7，不断提升跨任务、跨设备的泛化能力。今年4月发布的π0.7，展示了重要进展：一台未接受过叠衣服专项训练的双机械臂机器人，利用模型习得的跨机器人知识完成了叠衣服操作，且所用机械臂与训练数据采集的机器人在尺寸、结构上存在明显差异。
π0.7还能在语言指导下使用未专门训练过的厨房电器，完成多种精细操作，核心进步是具备了组合泛化能力——过去机器人面对新任务需重新收集数据、专门训练，而π0.7已能将过往学到的本领组合起来解决新问题，这正是通用机器人基础模型的核心基础。
PI的技术正从实验室走向真实生产场景，今年以来相继公布了长短期记忆、精细操作强化学习等方向的研究成果，本月更是推出机器人基础模型API测试版，向外部开发者提供模型微调和推理服务，这一举措点燃了投资人的热情。
单一初创团队无法独立承担全行业物理场景的数据采集与工程调优，开放开发者生态意味着PI从实验室封闭Demo迈向具备拓展性的开发者共创体系。
当前具身智能赛道的估值竞逐已白热化，有企业估值达390亿美元，有企业估值140亿美元，科技巨头如Meta、苹果、DeepMind等也在密集布局，特斯拉和OpenAI更是正面参与竞争。PI选择了不同路径：避开重资产硬件制造，专注赋能第三方硬件的底层软件。
这一方向虽前景广阔，但物理世界的落地难度远超数字世界——数字世界中模型出错可修改重新执行，而物理世界里机器人判断失误可能导致设备损坏、生产事故，AI错误的代价从屏幕延伸到了现实。PI官方在开放公测时也警示：
真实环境中的机器人应用绝非易事。无论是建筑施工、机器人手术还是仓储自动化，攻克每一个领域都需要倾注一家完整公司的资源。
每一个细分领域的物理落地，背后都是复杂的动力学规律与漫长的工程验证。长期以来，机器人行业依赖针对设备、任务的专门开发，而通用基础模型的进步，为产业提供了新可能：让机器人智能从具体硬件中独立，成为可供不同企业使用的基础服务，只有智能像软件一样不断复用，机器人产业才能走出逐台定制、逐项开发的旧模式，迎来规模化应用的时代。
