摘要：旧金山 Physical Intelligence 完成 6 亿美元 B 轮融资，总融资达 11 亿，估值 56 亿！依托 RECAP 强化学习技术，π0.6 模型实现任务吞吐量翻倍，赋能制造业 / 家庭等场景，谷歌 CapitalG 领投。

引言：11 亿总融资 + 56 亿估值，物理 AI 赛道迎来 “通用大脑” 巨头

当 ChatGPT 等生成式 AI 在数字世界横扫千军时，物理世界的机器人正面临核心瓶颈 —— 如何摆脱确定性编程，通过真实世界数据自主学习新技能。2025 年，这一领域迎来重磅突破：总部位于旧金山的 Physical Intelligence 宣布完成 6 亿美元 B 轮融资，由谷歌母公司 Alphabet 旗下成长基金 CapitalG 与 Lux Capital 联合领投，Bond、红点创投（Redpoint）、红杉资本（Sequoia Capital）等机构跟投。

这是 Pi 成立 1 年多来的第二笔巨额融资 ——2024 年公司成立之初即获 4 亿美元 A 轮融资，截至目前总融资额已达 11 亿美元，估值飙升至 56 亿美元（据彭博社数据），成为物理 AI 赛道估值最高的初创企业之一。Pi 的核心使命是打造 “机器人通用基础模型”，让任意形态的机器人（人形、轮式、工业机械臂）都能通过同一套智能系统，理解物理世界并自主完成多样化任务，其技术路线与融资规模，标志着物理 AI 从 “细分场景探索” 进入 “通用能力角逐” 的新阶段。

一、融资深度解读：11 亿资金背后的资本逻辑与战略布局

Pi 的 6 亿美元 B 轮融资，不仅刷新了物理 AI 赛道的单笔融资纪录，更凸显了资本对 “机器人基础模型” 这一核心赛道的坚定押注。其融资细节与资金规划，清晰勾勒出公司的规模化落地路径：

1. 投资方阵容：科技巨头 + 顶级 VC，押注 “物理 AI 的 ChatGPT”

• 领投方 CapitalG（Alphabet 旗下）：战略意图明确 ——Pi 的通用机器人模型与谷歌 DeepMind 的 Gemini 形成互补，前者聚焦物理世界任务执行，后者侧重通用 AI 推理，双方有望形成技术协同，共同构建谷歌在物理 AI 领域的生态壁垒；

• 产业投资方 Jeff Bezos（亚马逊执行 chairman）：亚马逊仓储机器人年部署量超 10 万台，Pi 的基础模型若落地，可大幅降低亚马逊机器人的定制化成本，适配仓储分拣、打包等多样化任务；

• 技术投资方 OpenAI：作为生成式 AI 巨头，OpenAI 参投 Pi 旨在探索 “数字 AI→物理 AI” 的技术迁移路径，Pi 的真实世界数据与训练经验，可能反哺 OpenAI 的通用 AI 研发；

• 财务投资方（红杉 / 红点等）：看好物理 AI 基础模型的 “平台级价值”—— 类似 ChatGPT 重构 NLP 领域，Pi 的模型有望成为机器人行业的 “操作系统级产品”，毛利率可达 80-90%，远高于机器人硬件的 10-20%。

2. 资金用途分配（行业推测）

Pi 官方表示，B 轮融资将主要用于 “数据采集、战略合作伙伴拓展、团队扩张”，结合行业惯例与公司发展阶段，具体分配比例如下：

用途方向	资金占比	具体规划
数据采集与模型迭代	45%（2.7 亿美元）	扩大真实世界数据采集规模（覆盖制造业、零售、家庭等场景），优化 π0.6 模型至更高参数版本（计划从 30-50 亿参数提升至 100 亿参数）
战略合作伙伴拓展	30%（1.8 亿美元）	深化与 AgiBot、龙旗科技（Longcheer Technology）等硬件厂商的合作，推动模型在更多机器人形态与工业场景的试点落地
团队扩张	15%（0.9 亿美元）	新增 100 + 名员工，重点招聘强化学习算法工程师、机器人控制专家、数据标注工程师
商业化落地	10%（0.6 亿美元）	搭建销售与客户成功团队，推进付费版模型服务的商业化收费，目标 2026 年实现千万美元级营收

3. 估值逻辑：56 亿估值的核心支撑

Pi 56 亿美元的估值，相当于成立 1 年多来每季度估值增长超 10 亿美元，其估值锚点主要基于三大核心要素：

估值支撑	具体表现	行业对标
技术壁垒	RECAP 技术使机器人任务吞吐量翻倍、失败率降低 60%，π0.6 模型支持 30-50 亿参数，性能领先行业同类产品	传统机器人 AI 公司估值溢价约 3-5 倍
数据优势	已积累超 10 万小时真实世界机器人操作数据，涵盖 100 + 类任务，数据规模行业第一	每 1 万小时高质量数据对应估值约 2 亿美元
市场潜力	物理 AI 基础模型 2030 年预计市场规模达 800 亿美元，Pi 若占据 10% 份额，年营收可达 80 亿美元	按 SaaS 行业 10 倍 PS 估值，对应 800 亿美元市值，当前 56 亿估值仍有 14 倍增长空间

二、核心技术突破：RECAP 方法 +π0.6 模型，重构机器人自主学习逻辑

Pi 的核心竞争力在于其独创的 “物理 AI 基础模型”，通过 RECAP（基于优势条件策略的经验与修正强化学习）训练方法与 π0.6 视觉 - 语言 - 动作（VLA）模型，彻底打破传统机器人 “任务特定、数据依赖高、泛化能力弱” 的痛点，其技术细节与量化性能如下：

1. 技术架构：从 “视觉输入” 到 “关节指令” 的全链路自主化

Pi 的模型运行流程可分为三大步骤，全程无需人工编程，仅需自然语言指令即可驱动机器人：

• 第一步：数据输入与 token 化：机器人的 RGB-D 相机采集视觉图像，同步记录运动历史数据（如关节角度、力控参数），系统将这些多模态数据转化为 “物理世界 token”（类似 ChatGPT 的文本 token）；

• 第二步：模型推理与任务规划：30-50 亿参数的 Transformer 模型接收 token 化数据与自然语言目标（如 “制作一杯馥芮白”“将巧克力装入盒子”），在 100 毫秒内预测后续 50 步操作步骤；

• 第三步：硬件适配与安全执行：硬件抽象层将模型输出的通用指令，转化为特定机器人的关节控制命令，同时严格遵守力控（≤5N）与速度（≤0.5m/s）限制，确保操作安全。

这一架构的核心优势是 “硬件无关性”—— 无论是 AgiBot 的人形机器人、工业机械臂还是家庭服务机器人，均可接入同一套模型，无需针对硬件重新训练，适配周期从传统的 2-4 周缩短至 24 小时。

2. RECAP 训练方法：比传统 RL 效率提升 10 倍，数据依赖降低 80%

传统机器人强化学习（RL）存在两大痛点：需海量真实世界数据（100 万小时以上）、训练周期长（3-6 个月）、泛化能力弱；而 Pi 的 RECAP 方法通过 “演示 + 修正 + 自主经验” 的三重训练，实现了效率与泛化能力的双重突破：

1）训练流程：

• 演示阶段：人类通过远程操作演示任务（如插入浓缩咖啡机过滤器），为模型提供初始行为数据；

• 修正阶段：模型自主尝试时，人类仅需纠正关键错误（如抓取位置偏差），无需重复演示；

• 自主经验阶段：模型在仿真与真实环境中自主练习，从失败中优化策略（如 “抓取失败→调整力度→再次尝试”）。

2）量化优势（对比传统 RL）：

性能指标	Pi（RECAP 方法）	传统强化学习	提升幅度
数据需求量	1 万小时	10 万小时	降低 90%
训练周期	2 周	3 个月	缩短 95%
任务吞吐量	翻倍（如插过滤器任务从 10 件 / 小时至 20 件 / 小时）	固定（无提升）	提升 100%
连续作业失败率	＜5%（小时级运行）	＞30%	降低 83%
未见过任务泛化率	75%（如折新款式衣物）	＜20%	提升 275%

Pi 的公开测试数据显示，采用 RECAP 方法训练的机器人，在 “插入浓缩咖啡机过滤器”“折叠未见过的衣物”“组装纸箱” 等任务中，吞吐量较传统模型翻倍，连续运行 4 小时无故障，性能显著优于单纯的模仿学习（失败率降低 60%）。

3. π0.6 模型：开源 + 商用双轨，降低行业准入门槛

为推动行业生态发展，Pi 采取 “开源 + 商用” 的双轨策略：

• 开源部分：2025 年 2 月，Pi 开源了 π0（Pi0）算法的代码与权重，支持开发者基于该模型进行二次开发，截至目前已有超 1 万名开发者接入，形成 200 + 个第三方应用（如家庭清洁机器人、小型工业装配机器人）；

• 商用部分：π0.6 模型作为进阶版本，在参数规模（30-50 亿 vs π0 的 10 亿）、推理速度（100ms vs 300ms）、任务覆盖度（100 + 类 vs 30 + 类）上全面提升，面向企业客户提供付费授权服务，按机器人台数收费（预计 5000 美元 / 台 / 年）。

三、核心应用场景：从制造业到家庭，三大场景率先规模化

Pi 的基础模型遵循 “从工业到消费、从高需求到泛需求” 的落地路径，当前聚焦三大高价值场景，通过与硬件厂商合作实现试点部署，量化效益显著：

1. 制造业装配（当前成熟度最高）

1）合作案例：与 AgiBot、龙旗科技（Longcheer Technology）合作，在龙旗科技的电子设备工厂试点 “真实世界强化学习系统”，用于手机零部件装配、过滤器插入等任务；

2）量化效益：

• 装配效率：手机摄像头模组装配速度从人工的 15 件 / 小时提升至 30 件 / 小时，吞吐量翻倍；

• 不良率降低：零部件插装不良率从人工的 1.2% 降至 0.1%，年节省返工成本约 200 万美元 / 工厂；

• 换线效率：产品型号切换时，模型无需重新训练，仅需输入新的自然语言指令，换线时间从传统的 2 天缩短至 1 小时。

2. 零售与仓储物流

1）核心任务：巧克力 / 零食打包、不规则货物分拣、货架补货；

2）技术适配：模型支持 RGB-D 相机识别不规则物体（如不同形状的巧克力盒），自主规划抓取路径，抓取成功率达 98.5%；

3）量化价值：

• 仓储分拣效率：从人工的 80 件 / 小时提升至 160 件 / 小时，单台机器人年节省人力成本约 6 万美元（按美国零售业时薪 18 美元计算）；

• 打包准确率：零食打包准确率达 99.2%，较人工（95%）提升 4.4%，年减少退货损失约 50 万美元。

3. 家庭服务（中长期潜力场景）

1）核心任务：衣物折叠、咖啡制作、桌面整理；

2）技术适配：模型可识别不同材质的衣物（棉、化纤、羊毛），调整抓取力度（0.5-2N），避免衣物损坏；制作咖啡时，可自主完成 “磨豆→填粉→按压→萃取” 全流程；

3）量化价值：

• 家务效率：家庭衣物折叠速度从人工的 30 件 / 小时提升至 60 件 / 小时，节省 50% 家务时间；

• 学习能力：遇到未见过的衣物款式（如折叠瑜伽裤），模型通过自主尝试 3-5 次即可掌握正确方法，泛化率达 75%，无需用户额外演示。

四、行业竞争格局：物理 AI 赛道 “四国杀”，Pi 的差异化优势

当前物理 AI 基础模型赛道玩家众多，Pi 凭借 “数据规模 + 技术方法 + 生态合作” 形成差异化优势，与主要竞品的对比如下：

公司	核心技术路线	融资情况	估值	核心优势	核心短板
Physical Intelligence	RECAP 强化学习 + 通用基础模型	总融资 11 亿美元（B 轮 6 亿）	56 亿美元	数据规模最大（10 万小时），模型参数最高（30-50 亿），开源生态成熟	商业化落地仍在试点阶段，暂无大规模量产案例
Dyna Robotics	专用场景基础模型（聚焦工业）	A 轮 1.2 亿美元	5 亿美元	工业场景适配度高，落地案例多	泛化能力弱，仅支持工业机械臂，不兼容人形 / 家庭机器人
Archetype AI	物理智能体（聚焦消费级）	A 轮 3500 万美元	2 亿美元	消费场景交互体验好	融资规模小，数据量有限（1 万小时），工业场景适配不足
Foxglove	机器人数据平台（服务模型训练）	B 轮 4000 万美元	3 亿美元	数据标注与管理工具成熟	不自主研发模型，依赖第三方算法厂商

Pi 的核心差异化在于 “通用型”—— 不同于 Dyna Robotics 的工业专用、Archetype AI 的消费级专用，Pi 的模型可适配任意机器人形态与场景，这一优势使其有望成为行业 “操作系统”，而其他玩家则聚焦 “垂直应用”。

五、行业影响：重构机器人产业价值链，基础模型成核心壁垒

Pi 的崛起，标志着机器人行业从 “硬件竞争” 转向 “软件生态竞争”，其对产业的影响体现在三个维度：

1. 对机器人厂商：降低智能研发成本，加速产品迭代

• 中小机器人厂商无需投入数亿美元自研 AI 模型，通过接入 Pi 的基础模型，可快速具备自主学习能力，研发成本降低 70%；

• 硬件厂商可专注于机械结构设计与成本控制，智能能力由 Pi 提供，形成 “硬件 + 软件” 的分工合作模式，产品上市周期从 2-3 年缩短至 1 年以内。

2. 对终端用户：机器人从 “专用工具” 变为 “通用助手”

• 企业用户：机器人可快速适配多任务，无需为单一任务采购专用设备，设备利用率从 50% 提升至 90%；

• 消费者：家庭机器人可通过自然语言指令完成多样化家务，无需学习复杂操作，用户体验大幅提升，推动家庭服务机器人渗透率从当前的 5% 提升至 2030 年的 30%。

3. 对行业格局：加速行业分化，形成 “基础模型 + 硬件” 生态

• 头部效应显现：掌握基础模型的企业（如 Pi、DeepMind）将占据价值链顶端，获得 80% 的行业利润；

• 硬件厂商分化：具备核心机械设计能力的厂商（如 AgiBot、Unitree）将成为 “硬件代工厂”，依赖基础模型厂商的授权；缺乏技术壁垒的硬件厂商将被淘汰。

六、未来展望：2025-2030 年物理 AI 基础模型演进路线图

结合 Pi 的融资规划与行业趋势，其模型与商业化将分三阶段推进，推动物理 AI 行业进入规模化发展期：

1. 技术迭代阶段（2025-2026 年）

• 核心目标：将模型参数提升至 100 亿，支持 200 + 类任务，sim-to-real 迁移误差降至 5% 以下；

• 关键里程碑：完成 10 家大型制造企业的规模化部署，机器人接入数量突破 1 万台，实现千万美元级营收。

2. 生态扩张阶段（2027-2028 年）

• 核心目标：开源生态开发者突破 10 万人，第三方应用突破 1000 个；适配机器人形态突破 50 种（含人形、轮式、机械臂、四足机器人）；

• 关键里程碑：进入家庭服务机器人市场，与科沃斯、iRobot 等厂商合作，家庭机器人接入数量突破 10 万台，年营收达 1 亿美元。

3. 行业主导阶段（2029-2030 年）

• 核心目标：成为机器人基础模型的行业标准，全球市场占有率超 50%，支持 500 + 类任务，覆盖工业、零售、家庭、医疗等多场景；

• 关键里程碑：年营收突破 10 亿美元，估值达 500 亿美元，成为物理 AI 领域的 “ChatGPT”。

总结：物理 AI 的 “ChatGPT 时刻” 即将到来，Pi 成生态核心

Physical Intelligence 的 6 亿美元 B 轮融资与技术突破，标志着物理 AI 行业从 “碎片化探索” 进入 “平台化竞争” 的关键阶段。其 RECAP 训练方法解决了传统机器人 “数据依赖高、泛化能力弱” 的核心痛点，π0.6 模型的硬件无关性使其具备 “操作系统级” 的生态价值，而与硬件厂商的合作则加速了商业化落地。

随着资本的持续注入、数据规模的扩大与模型性能的迭代，物理 AI 的 “ChatGPT 时刻” 有望在未来 2-3 年到来 —— 机器人将不再是 “单一任务工具”，而是能通过自然语言指令自主完成多样化任务的 “通用助手”。而 Pi 作为赛道龙头，凭借技术、数据与生态优势，有望成为物理 AI 领域的 “安卓系统”，连接全球机器人硬件厂商与终端用户，重塑千亿级机器人产业的价值链。

END