由前Stripe高管拉奇·格鲁姆（Lachy Groom）联合创立的初创公司Physical Intelligence，这家成立仅两年、估值达56亿美元的企业，正以“通用机器人基础模型”为核心，试图破解机器人在物理世界中的“智能瓶颈”，其研发的“机器人大脑”已在折叠衣物、削西葫芦、制作咖啡等任务中展开测试，背后是超10亿美元融资与独特的“先科研后商业化”战略。
一、公司核心：打造“机器人版ChatGPT”，专注通用物理智能
Physical Intelligence的定位是为机器人提供“通用大脑”，其技术核心是跨载体学习（cross-embodiment learning）——让模型掌握物理世界的基本规律（如因果关系、力学原理），无需针对新硬件或新任务重新训练，即可快速适配。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：“我们的模型就像ChatGPT，但服务于机器人，能从多样化数据中学习通用物理交互能力。”
公司的研发逻辑围绕“数据闭环”展开：
数据收集：在实验室、仓库、家庭等场景部署机器人工作站，收集机器人执行任务的原始数据（包括成功与失败案例），例如机械臂折叠衣物、削蔬菜、操作咖啡机的过程；
模型训练：用这些数据训练通用机器人基础模型，让模型理解“动作-结果”的物理关联，而非仅依赖预设程序；
测试迭代：将训练后的模型放回工作站验证，比如通过“削西葫芦测试”验证模型能否将“削皮”动作泛化到苹果、土豆等未接触过的物体上，不断优化模型的适应性。
二、团队与融资：明星阵容+资本追捧，研发投入聚焦算力
1. 核心团队：学术权威+创业老兵
拉奇·格鲁姆（CEO）：前Stripe早期员工，13岁在澳大利亚创立首家公司并出售，后以天使投资人身份押注Figma、Notion等明星企业，2024年联合创立Physical Intelligence，将投资积累的资源与对机器人领域的兴趣结合；
谢尔盖·莱文（联合创始人）：UC伯克利副教授，机器人学习领域权威，研究方向涵盖强化学习、视觉-动作融合；
卡罗尔·豪斯曼（联合创始人）：前谷歌DeepMind研究员，斯坦福大学讲师，负责模型架构设计；
全旺（联合创始人）：前DeepMind成员，主导跨载体学习技术研发。
2. 融资与投入：超10亿美金，算力是核心成本
公司成立至今已累计融资超10亿美元，投资方包括红杉资本、科斯拉风投、Thrive Capital等顶级机构，估值达56亿美元。与多数初创公司不同，其资金主要投向算力采购，用于处理海量机器人动作数据；创始人格鲁姆直言“算力投入没有上限，解决物理智能问题需要持续的计算资源支撑”，且公司目前“烧钱速度可控”，未来不排除继续融资。
三、技术路径：反商业化先行，押注长期通用智能
Physical Intelligence的技术策略与行业竞品形成鲜明对比，核心是“拒绝短期商业化诱惑，专注通用智能研发”：
1. 与Skild AI的路线之争
硅谷另一家机器人智能公司Skild AI（2023年成立，估值140亿美元）采取“商业化驱动”路线，已将“全载体大脑”部署到安保、仓储、制造场景，2025年数月内实现3000万美元营收，并公开质疑Physical Intelligence的模型“是视觉-语言模型伪装的，缺乏物理常识”。
而Physical Intelligence坚持“纯研发导向”：
认为“过早商业化会限制数据多样性”，当前阶段的核心是让模型覆盖更多物理场景（如厨房、工厂、家庭），而非优化单一任务的效率。
2. 技术突破：用“低成本硬件+高智能”破局
公司刻意选用低成本硬件（如售价3500美元的机械臂，自研成本可降至1000美元以下），证明“优秀的智能模型能弥补硬件缺陷”——早期机器人领域认为廉价硬件无法完成精细任务，但Physical Intelligence的测试显示，在模型加持下，普通机械臂可完成咖啡制作、衣物折叠等需要“物理感知”的操作，只是当前成功率仍需提升（如折叠衣物暂未达标，削西葫芦效果较好）。
四、挑战与争议：硬件难题+商业化迷雾
尽管资本热度高涨，公司仍面临多重挑战：
硬件瓶颈：硬件故障、采购延迟、安全合规（如机械臂误操作风险）频繁干扰测试进度，格鲁姆坦言“硬件比软件难10倍，任何小故障都可能导致数据收集中断”；
数据与泛化：物理世界的多样性远超数字世界，如何收集足够多“非结构化场景”数据（如突发障碍物、物体形态变化），仍是模型泛化的关键；
商业化压力：投资人虽暂时容忍“无盈利时间表”，但长期来看，若无法证明通用智能的商业价值，可能面临资金链压力；
需求存疑：外界质疑“用户是否真需要机器人进入家庭（如厨房削菜）”，且安全风险（如机械臂误伤、数据隐私）尚未找到完善解决方案。
五、行业影响：物理智能的“试金石”
Physical Intelligence的探索，本质是AI从“数字世界”走向“物理世界”的关键尝试——正如MIT教授丹妮拉·鲁斯（Daniela Rus）在《物理智能》研究中所言，“未来AI需融合数字智能与机械能力，理解物理规律才能真正与现实互动”。尽管当前仍处于“实验室阶段”，但其技术路线若成功，将为机器人、自动驾驶、智能制造等领域提供“通用大脑”，降低行业对“专用硬件+定制算法”的依赖，推动整个物理智能领域的范式变革。