从街上看，位于旧金山的 Physical Intelligence 总部唯一迹象是门上颜色略异的 pi 符号。步入室内，没有接待台和发光标志，只有忙碌景象。巨大的混凝土空间内摆放着浅色木桌，氛围并不冷峻。部分桌上散落着饼干盒、Vegemite 罐子和调味品篮；其余则摆满显示器、机器人零件、电线及处于不同调试阶段的机械臂。
访问期间，一只机械臂正尝试折叠黑裤但进展不顺；另一只试图翻衬衫，虽显决心却尚未成功；第三只则在快速削西葫芦皮并准备转移，过程相对顺利。
联合创始人 Sergey Levine 将此处比作“用于机器人的 ChatGPT”。作为加州大学伯克利分校副教授，他气质和蔼，擅长解释复杂概念。他表示，现场展示的是持续循环的测试阶段：数据在机器人工作站、仓库或家庭等场景收集，用于训练通用机器人基础模型。新模型生成后需返回此类工作站评估。折裤子、翻衬衫均为研究项目；削西葫芦则旨在测试模型在不同蔬菜间的泛化能力，即掌握核心动作以处理未见过的水果。
公司还在该建筑及其他地点运营测试厨房，使用现成硬件让机器人适应不同环境。附近一台复杂咖啡机并非为员工服务，而是供机器人学习使用。打发的拿铁是数据而非福利，现场数十名工程师大多紧盯屏幕或在实验旁观察。
硬件刻意保持低调。机械臂售价约 3500 美元，Levine 称这已是供应商大幅加价后的价格，自造成本可降至 1000 美元以下。他指出，优秀的智能可以弥补硬件不足，这在几年前仍令人震惊。
Levine 离开后，31 岁的 Rachit Groom 匆匆走近。这位硅谷少年天才 13 岁便在澳大利亚创办并出售了首家初创公司（这也解释了 Vegemite 的来源）。此前他正热情接待访客，面对采访请求曾坚决拒绝，此刻仅能抽出十分钟。
Groom 在关注 Levine 和 Chelsea Finn 的研究成果时找到了方向。Finn 是 Levine 的前博士生，现于斯坦福领导机器人学习实验室，二人名字频现于行业重大进展中。当得知他们可能启动新项目时，Groom 联系了前斯坦福教授、Google DeepMind 研究员 Carol Hausman。他表示：“那是一次典型的会议，出门时便确信就是它了。”
Groom 从未打算成为全职投资者。离开 Stripe 后，他担任五年天使投资人，早期投资了 Figma、Notion 等公司，同时寻找创业机会。2021 年对 Standard Bots 的投资让他重返童年热爱的机器人领域。他坦言投资只是保持活跃的方式，关键在于执行，“好点子、好时机加好团队极其罕见”。
这家成立两年的公司已融资超 10 亿美元。Groom 澄清实际消耗并未那么多，大部分支出用于计算资源。他表示在合适条款下会继续融资，“能投入使用的资金没有上限，总能投入更多计算资源”。
这种安排颇为特殊：Groom 未向 Khosla Ventures、Sequoia Capital 等估值 56 亿美元的风投机构提供商业化时间表。“我不提供商业化的答案，人们能容忍这一点确实奇怪。”因此，拥有充足资本至关重要。
若非商业化，战略为何？另一位 Google DeepMind 出身的联合创始人 Quan Vuong 解释，战略围绕跨形态学习和多样化数据源展开。若出现新硬件平台，无需从头收集数据，可直接迁移已有知识。“无论新平台是什么，引入自主性的边际成本都低得多。”
公司已在物流、杂货及巧克力制造等领域与少数企业合作，测试系统应对现实世界自动化的能力。Vuong 称在某些情况下已可实现。凭借“任何平台，任何任务”的方法，其覆盖面足以处理当下可自动化的任务。
构建通用机器人智能的竞争正在升温。成立于 2023 年的 Skild AI 本月以 140 亿美元估值融资 14 亿美元，采取了截然不同的路径。不同于专注于纯研究的 Physical Intelligence，Skild AI 已将“全身体”Skild Brain 商业化部署，称去年短短数月内在安全、仓库和制造领域创收 3000 万美元。
Skild 甚至公开抨击竞争对手，辩称多数“机器人基础模型”不过是伪装的视觉-语言模型，因过度依赖互联网预训练而缺乏“真正的物理常识”，应基于物理模拟和真实机器人数据。
分歧明显：Skild AI 押注商业部署形成数据飞轮；Physical Intelligence 则抵制短期商业化诱惑，追求更优越的通用智能。谁更正确尚需时间验证。
与此同时，Physical Intelligence 运作方式被 Groom 形容为“非同寻常的清晰”。这是一家纯粹的公司，研究人员有需求便收集数据或获取硬件，不受外部驱动。公司曾制定 5 到 10 年路线图，但第 18 个月时已远超计划。
公司现有约 80 名员工，计划扩大规模但希望“尽可能缓慢增长”。Groom 表示最具挑战性的是硬件，“比软件公司困难得多”。硬件易损、交付慢导致测试延迟，安全考量也使一切更复杂。
Groom 匆忙赶往下一个行程，留下机器人继续练习。裤子仍未叠好，衬衫依然顽固地翻着面。
疑问依然存在：是否真有人需要厨房机器人削菜？安全性如何保障？机械入侵家中时宠物是否会失控？巨额投入能否解决重大问题而非制造新问题？外界也在质疑其进展、愿景可行性以及押注通用人工智能而非特定应用的合理性。
Groom 未表露疑虑。他与深耕数十年、认为时机成熟的人合作，这便是他所知全部。
此外，硅谷向来支持此类探索并给予充分自由。业界深知，即使没有明确商业化路径和时间表，他们仍可能找到出路。尝试未必总能成功，但一旦成功，往往足以证明此前多次失败的合理性。