Physical Intelligence

1.1 公司身份与业务概览

Physical Intelligence 以 pi.ai 名义经营，2024 年 3 月在加利福尼亚州旧金山注册并启动运营。公司给出的使命是打造「一个单一、通用的 AI 系统，能够控制任意机器人完成任意任务」。业务落在机器人、强化学习和大型基础模型的交叉点。核心产品是 π₀（pi-zero），一个视觉-语言-动作（VLA）基础模型：它读取摄像头图像、自然语言任务指令和机器人本体感知状态，再借助 flow-matching transformer 预测连续电机动作。π₀ 不绑定硬件——不必从零重建，就能微调到多类机器人平台（机械臂、移动操作机器人、人形机器人）上运行。Physical Intelligence 的商业模式瞄准企业客户，按机器人数量以 SaaS 方式授权其模型栈；但截至 2026 年 Q1，公司仍处商业收入前阶段，重心放在研究部署和试点项目上。公司还发布了开源变体 openpi，推动生态采用和训练数据贡献。 [CO001, CO002, CO003, CO004, CO005]

1.2 创始人、管理层与治理

Physical Intelligence 由七名成员共同创立，能力覆盖学术机器人研究、应用 AI 工程和运营扩张。CEO Karol Hausman 曾任 Google DeepMind Staff 研究科学家，负责机器人操作研究并参与 RT-2，同时担任过 Stanford University 兼职教授。首席科学家 Sergey Levine 是 UC Berkeley 终身副教授，领导 Robotic AI and Learning（RAIL）Lab，该实验室产出了机器人深度强化学习的基础研究。联合创始人 Chelsea Finn 是 Stanford 助理教授，以 Model-Agnostic Meta-Learning（MAML）和快速机器人适应研究闻名。另一位联合创始人 Brian Ichter 曾任 Google DeepMind 研究科学家，聚焦运动动力学规划和 GPU 加速机器人算法。联合创始人兼工程副总裁 Adnan Esmail 曾任 Anduril 工程高级副总裁，也做过 Tesla Autopilot 工程师。Lachy Groom（早期 Stripe 高管和 VC 投资人）与 Quan Vuong（机器人强化学习研究者）补齐创始团队。董事会构成尚未公开；技术领导高度集中，关键人物风险偏高。截至 2026 年 Q1，公司未披露治理争议或管理层变动。 [CO006, CO007, CO008, CO009, CO010, CO011]

1.3 融资历史、估值与投资方

Physical Intelligence 约 20 个月融资约 $1.07 billion。$70 million 种子轮在 2024 年上半年至年中完成，投资方包括 Lux Capital 和 Jeff Bezos 等，公司未披露 pre-seed/seed 估值。$400 million Series A 于 2024 年 11 月完成，投后估值 $2.4 billion；投资方包括 OpenAI、Thrive Capital、Lux Capital、Index Ventures 等。$600 million Series B 一年后于 2025 年 11 月完成，投后估值 $5.6 billion，由 CapitalG（Alphabet 的成长基金）领投，Lux Capital、Bond、Redpoint、Sequoia Capital、Thrive Capital、Index Ventures、T. Rowe Price 和 Jeff Bezos 参投。截至 2026 年 4 月，据报道公司正就新一轮融资进行深入谈判，估值 $11 billion；若完成，意味着不到六个月估值约翻倍。所有外部融资均为风险股权；未公开披露债务、老股转让或收入分成融资。大额融资反映投资人押注机器人基础模型的市场机会，也押注团队的研究履历。 [CO014, CO015, CO016, CO017, CO018, CO019]

1.4 关键里程碑

Physical Intelligence 从成立到融资超过 $1B 并发布开源模型，用时不到两年。公司在 2024 年 3 月宣布成立和种子轮融资。2024 年 10 月，π₀ 模型出现在技术博客和研究论文中，展示洗衣物折叠、盒子组装、衬衫包装等多任务机器人控制。Series A 在 2024 年 11 月完成。2025 年 2 月，公司将 π₀ 模型权重和代码以 openpi 仓库开源，成为首个开源通用机器人 VLA 基础模型。后续 π₀.5 于 2025 年初发布，强化了跨新环境的泛化。2025 年中，π₀-FAST 推出，采用频域离散动作表示（FAST tokenizer）提升推理效率。$5.6 billion 估值的 Series B 在 2025 年 11 月完成。截至 2026 年 Q1，早期企业试点已在制造和物流垂直场景启动，客户未具名；公司据报正接近 $11B 估值的下一轮融资里程碑。截至本报告日期，未披露负面事件、监管调查或重大高管离职。 [CO021, CO022, CO023, CO024, CO025, CO026]

1.5 展项

2.1 市场定义与细分

Physical Intelligence 面对的市场，最好拆成三个同心层。最外层是全球物理 AI 与机器人（硬件加软件），覆盖工业机器人、移动操作机器人、人形机器人和自动驾驶车辆；2025 年 TAM 估计为 $50–82 billion，到 2030 年增至 $111–185 billion。其内层是企业机器人软件与 AI 栈（模型、部署基础设施、训练流水线），2025 年 SAM 约 $8–15 billion，预计到 2030 年达到 $20–35 billion，CAGR 为 20–35%。Physical Intelligence 最直接的可服务市场，是机器人基础模型软件和按机器人授权的 SaaS。该品类尚未形成成熟分析师分类，但按单台机器人经济性，以及制造、物流和仓储自动化中的部署规模推演，2028 年可粗略外推为 $3–8 billion。关键垂直包括：制造与装配（今天收入最大）、物流与仓储自动化（增长最快）、商业与设施服务，以及医疗和零售中由人形机器人打开的新兴任务。Physical Intelligence 目前不绑定硬件，目标客户是机器人 OEM 伙伴，以及已经拥有或计划部署机器人队列的企业客户。 [CM001, CM002, CM003, CM004, CM005]

2.2 TAM、SAM 与 SOM 分析

Grand View Research 估计，物理 AI 市场（具身 AI、机器人智能软件、自主系统）2025 年约 $81.6 billion，至 2033 年 CAGR 约 32%。MarketsandMarkets 估计，机器人 AI 市场（仅智能与控制软件）2025 年为 $5.8 billion，到 2030 年增至 $25.9 billion。McKinsey 和 BCG 的分析认为，当专有智能成为相对商品化硬件的主要差异化因素，机器人软件和 AI 层最终将拿走机器人价值链利润的 40–60%。Physical Intelligence 短期 SOM（2026–2028）受限于制造与物流的早期企业试点；若公司能拿下预计会在该窗口采用机器人基础模型软件的 100–300 个企业账户中的 10–30%，SOM 估计为 $200–500 million。实现这一点需要成功商业发布、可防守的按机器人授权经济性，以及硬件伙伴规模化。 [CM006, CM007, CM008, CM009, CM010, CM011]

2.3 细分客群与买方分析

Physical Intelligence 的主要买方分三类：（1）希望把基础模型智能嵌入自家硬件的机器人 OEM 制造商（如 Agility Robotics、Boston Dynamics 和较小的人形机器人初创公司）；（2）在制造或物流中部署机器人的大型企业运营商，它们希望跨机器人泛化，不想为每个任务单独编程；（3）为工厂和仓库打造交钥匙自动化方案的系统集成商。企业账户的决策人通常是运营副总裁、首席自动化官或工程副总裁，采购流程还会牵涉 IT 安全审查、数据驻留要求和集成审批。企业机器人从试点到合同的购买周期为 12–24 个月；Physical Intelligence 目前处于试点阶段。OEM 伙伴渠道能带来更快分发，但毛利更低，也更依赖硬件伙伴成败。北美和欧洲目前是主要市场；亚太（尤其日本、韩国和中国）因工业机器人密度高，代表长期最大放量市场。 [CM012, CM013, CM014, CM015, CM016]

2.4 增长驱动与市场约束

关键增长驱动包括：（1）人口结构推高制造和物流劳动力短缺，机器人 ROI 更容易算通；（2）基础模型能力快速提升，把单个定制技能 $50,000–$250,000 的机器人任务编程成本，靠微调压到接近零；（3）机器人硬件成本下降，尤其协作机器人和机械臂，扩大可部署基数；（4）开放数据集和合成仿真让机器人训练数据更容易获得；（5）资本强势流入该赛道，推高生态建设动能。约束和风险包括：（1）商业部署对安全与可靠性的要求极高；（2）与传统工业系统集成仍然复杂；（3）π₀ 开源释放让基础模型商品化，削弱 PI 维持专有护城河的能力；（4）Skild AI（$14B 估值）、Google DeepMind、Figure AI 等资金充足的竞争对手可能执行更快；（5）相对早期商业经济性，训练和推理算力成本偏高。 [CM017, CM018, CM019, CM020, CM021, CM022]

2.5 展项

3.1 竞争框架与市场结构

机器人基础模型市场可分为三类竞争原型。第一类是纯软件 / 智能层玩家，不做硬件，只做通用机器人“大脑”：Physical Intelligence 和 Skild AI 是主要例子。第二类是全栈机器人集成商，同时做硬件和专有 AI：Figure AI（人形机器人手臂 + Helix VLA）、1X Technologies（人形机器人 + 世界模型）和 Agility Robotics（Digit + AI）都属此类。第三类是拥有相邻算力和 AI 资产、正向机器人延伸的科技巨头：Google DeepMind（Gemini Robotics 1.5）、Amazon Robotics（Sequoia 机器人驱动系统 + Sparrow）和 NVIDIA（Cosmos 世界基础模型）。Physical Intelligence 在软件智能层最直接对标 Skild AI，在模型能力和研究可信度上对标 Google DeepMind。全栈集成商会争夺企业预算，但也可能成为 PI 模型的客户。 [CP001, CP002, CP003, CP004]

3.2 主要竞争对手画像

Skild AI 成立于 2023 年，总部位于匹兹堡；2026 年初以 $14 billion 估值完成 $1.4 billion Series C，由 SoftBank 和 NVIDIA 领投，Samsung 与 Salesforce Ventures 参投。其 Skild Brain 模型声称用分层架构实现跨形态泛化，并能做到零样本任务迁移。更关键的是，Skild 在 2025 年商业发布后数月内报告 $30 million 收入，证明了 Physical Intelligence 尚未拿到的商业化牵引。Google DeepMind 的 Gemini Robotics 1.5 于 2026 年初推出，是可通过云访问的 VLA 模型，具备先进的智能体规划和多步推理；背后有 Google 算力基础设施、海量多模态数据集，以及 Gemini API 分发。Figure AI 此前以 $39B+ 估值融资 $675M，打造自有人形机器人（Figure 02）和 Helix VLA 模型，并已部署到 BMW 制造工厂；这种全栈路径形成硬件护城河，但限制纯软件分发。Covariant（2024 年被 Amazon 收购）聚焦仓储 / 物流操作，拥有最深的真实世界运营数据。挪威人形机器人公司 1X Technologies 正在开发用于机器人认知的世界模型，目标融资最高 $1B，估值约 $10B。各竞争对手优势不同；Physical Intelligence 必须依靠灵巧操作深度、生态开放度和研究级模型质量来区分自己。 [CP005, CP006, CP007, CP008, CP009, CP010]

3.3 Physical Intelligence 护城河与竞争风险

Physical Intelligence 的竞争优势包括：（1）创始人履历——Sergey Levine（RAIL Lab，Berkeley）、Chelsea Finn（MAML，Stanford）和 Karol Hausman（RT-2，DeepMind）的组合，可能是全球最具可信度的机器人 AI 创始团队；（2）灵巧操作深度——π₀ 展示了业内领先的长时域灵巧任务（洗衣物折叠、装配），多数竞争对手在基准中尚未匹配；（3）开源生态——openpi 带来开发者社区和训练数据贡献。该护城河的关键风险包括：（1）开源会让基础模型商品化——Skild、Google 等公司能直接对标 PI 已发布工作；（2）Skild AI 估值 $14B，融资额约为 PI 的 2.5×，且已经实现商业收入；（3）Google DeepMind 的算力和数据高出数个数量级，Gemini Robotics 1.5 已通过 API 向任何开发者开放；（4）PI 仍无收入——如果商业发布拖延，资金充足的竞争对手会先建立企业关系；（5）全栈集成商（Figure AI、1X）在特定部署中可能拥有更好的硬件-软件协同。当前护城河仍处研究阶段，尚未被商业验证。Physical Intelligence 必须在 Skild AI 建立企业锁定、Google DeepMind 完成 Gemini Robotics 商业 API 推出之前，优先推进商业发布、硬件伙伴协议和安全认证。PI 在已商业验证的企业账户上建立可防守位置的窗口，大约只有未来 12–18 个月。过了这个窗口，护城河可能主要停留在学术层面，而不是商业验证。该市场的竞争终局，会偏向最先证明企业级可靠性并建立经常性收入基础的玩家。[CP014, CP015, CP016, CP017, CP018, CP019]

3.4 展项

4.1 收入模式与当前收入状态

截至 2026 年 Q1，Physical Intelligence 没有披露商业收入。公司正在制造和物流领域推进早期企业试点，但没有公开合同、ARR 或商业条款。计划中的收入模式是按机器人授权的 SaaS 结构：企业客户按每台部署并使用 PI 基础模型的机器人支付经常性年费。这相当于把企业软件里的按席位或按单元 SaaS 模式，用到物理机器人上。公司未公开定价。行业类比显示，每台机器人年费可能在 $5,000 到 $15,000 之间，这意味着若要做到 $50M ARR，需要约 3,300–10,000 台活跃机器人部署。额外收入来源可能包括模型微调费（一次性或经常性）、企业部署支持，以及潜在的机器人训练数据集授权。这些都尚未公布。openpi 开源释放似乎不产生直接收入，更像社区和生态投资。公司的无收入状态带来二元风险：要么未来 12–18 个月内完成商业发布并把企业试点管线转化；要么在竞争对手建立收入牵引后，融资会越来越难。 [CI001, CI002, CI003, CI004, CI005]

4.2 成本结构、资本强度与烧钱速度

Physical Intelligence 的成本结构主要由研究和工程人员（2026 年 Q1 估计 150–250 人）、模型训练与推理 GPU 算力，以及旧金山高端办公地点的管理开销构成。若平均全包薪酬为每人每年 $300,000–$400,000，按员工数不同，人员烧钱速度约为每年 $45–$100 million。用多形态数据训练大型机器人 VLA 模型，算力成本显著；按 π₀ 规模模型的行业基准，每个主要版本训练一次可能花费 $5–20 million，规模化后还会持续产生推理成本。全年总烧钱估计为 $70–$150 million，意味着如果公司不大幅扩张算力或人员，仅 $600M Series B 就能提供约 4–8 年跑道。不过，若要做到商业规模，公司需要显著扩充人员和算力，满负荷商业建设下跑道可能压缩到 24–36 个月。Physical Intelligence 未披露实际烧钱速度或账上现金。公司没有公开披露债务融资，也未通过监管文件报告经营亏损；它仍是私营公司，除 Form D 豁免发行外没有 SEC 报告义务。此外，用于自定义机器人实验室基础设施、安全测试设备，以及试点项目潜在制造伙伴关系的资本开支，也会推高成本基数。这类阶段和画像的公司，通常把 60–70% 烧钱投向人员、20–25% 投向算力、10–15% 投向设施和其他管理开销。这些比例与可比 AI 研究初创公司一致，也说明如果员工数接近 250 人、算力支出随下一代模型开发放大，Physical Intelligence 的全年运营成本现实上可能达到 $120 million 或更高。[CI006, CI007, CI008, CI009, CI010, CI011]

4.3 资本充足性、融资路径与财务风险

Physical Intelligence 三轮累计融资约 $1.07 billion，估计年烧钱 $70–$150 million；按商业扩张节奏不同，估计跑道约 24–60 个月。据报道，截至 2026 年 4 月，公司正就 $11 billion 估值的下一轮融资进行深入谈判；若以 $500M+ 完成，可再延长 3–6 年跑道。关键财务风险包括：（1）公司必须做到至少 $50M ARR，才能在下一轮融资前支撑投资人信心；（2）如果试点商业转化停滞，估值上调会难以自圆其说——当前 $5.6B 估值对应无限收入倍数；（3）连续训练下一代模型的算力成本可能比预期更快压缩跑道；（4）市场下行或投资人情绪转向，可能关闭不为零收入买单的 AI 高估值融资窗口。公司没有披露客户集中度风险，因为还没有商业客户。财务尽调需要的来源类型包括官方公司沟通和监管申报；唯一 SEC Form D 是 Series B 豁免发行文件，除发行规模外没有披露财务细节。 [CI012, CI013, CI014, CI015, CI016, CI017]

4.4 展项

5.1 产品定义与架构

Physical Intelligence 的核心产品是 π₀ 系列机器人基础模型。不同于此前只针对单一机器人类型和单一任务训练的机器人 AI 系统，π₀ 被设计成跨形态模型：同一套模型权重横跨 68 种不同机器人硬件配置使用，从单臂机械臂到双手机械灵巧手都有覆盖。跨形态训练带来两个实际好处。第一，模型泛化更广，能把一个机器人上学到的技能，用最少微调迁移到新机器人。第二，公司能聚合来自多类硬件伙伴的训练数据，而不是被单一机器人设计的数据限制。架构上，π₀ 将预训练 PaliGemma 3B 视觉-语言模型（VLM）与 300 million 参数动作专家 transformer 融合。VLM 组件负责理解语言指令和解析视觉场景。动作专家用 flow matching 生成连续机器人控制信号（根据机器人不同，可为关节位置、速度或笛卡尔目标）；这种生成式建模技术在精度和推理速度上都优于基于 diffusion 的动作策略。π₀.5 变体在 π₀ 基础上加入更强的互联网规模预训练，拓宽语义理解。π₀-FAST 用更快的单次动作解码器解决时间敏感任务的推理延迟。openpi 开源包则为外部研究社区提供基于 π₀ 权重的微调工具。 [CE001, CE002, CE003, CE004, CE005, CE006]

5.2 技术表现与基准

Physical Intelligence 在 arXiv 预印本中发布基准结果，显示 π₀ 在 LIBERO 基准套件上超过此前最强水平。LIBERO 测试洗衣物折叠、物品整理、组件装配等灵巧操作任务。具体来看，当只用有限演示数据微调时，π₀ 的任务完成率显著高于 OpenVLA、RT-2 和 Octo；在企业部署中，收集大量机器人专属数据成本高昂，因此该指标非常关键。模型在长时域灵巧操作任务上尤其强，这类任务被普遍视为机器人 AI 最难解决的问题：需要在数秒内连续完成接触丰富的动作，例如折叠衣物或装载洗碗机。Physical Intelligence 报告称，π₀ 完成这些任务的成功率能与此前最佳系统竞争，同时数据效率明显更高。不过，已发布基准来自受控实验室环境，不能直接证明其在生产企业环境中的表现；真实场景有非结构化工作空间、光照变化和实时可靠性要求。实验室基准成功率与企业生产可靠性之间的差距，是一个关键未解技术风险。机器人行业经验显示，生产部署成功率通常比实验室结果低 20–40 个百分点。 [CE007, CE008, CE009, CE010, CE011]

5.3 差异化、知识产权与信任姿态

Physical Intelligence 的主要技术差异化，在于 VLA 架构：它把预训练 VLM 推理与 flow-matching 动作专家结合，并在截至目前公开报道中规模最大的跨形态机器人数据集上训练。创始团队的学术资历极强：Sergey Levine（UC Berkeley RAIL Lab，model-agnostic meta-learning MAML 相邻方法发明者）、Chelsea Finn（MAML 共同发明人，Stanford AI Lab）和 Karol Hausman（Google DeepMind Robotic Learning）。这支团队发表过被引用数千次的基础论文。openpi 发布后，GitHub stars 和外部研究引用都显示开发者社区已经采用。关键 IP 风险包括：（1）核心架构依赖 PaliGemma（Google DeepMind 模型），形成对 Google 授权条款的依赖；（2）机器人演示视频训练数据的来源和版权状态没有公开披露；（3）arXiv 预印本详细披露技术路径，降低了资源充足的竞争对手复制门槛。安全与信任方面，Physical Intelligence 尚未披露 π₀ 是否接受过第三方安全认证、功能安全审计（ISO 13849 / IEC 62061）或网络安全渗透测试。企业部署时，制造和物流客户会要求成文的安全论证，并可能在 CE/OSHA 监管环境中要求监管许可。openpi 发布内容除技术能力限制外，没有记录明确的安全约束或部署护栏；与企业客户生产部署要求相比，这是缺口。 [CE012, CE013, CE014, CE015, CE016, CE017]

5.4 展项

6.1 客户细分与当前状态

截至 2026 年 Q1，Physical Intelligence 仍处于完全无收入、无客户阶段。公司公开表示正在与未具名制造和物流客户推进企业试点，但没有披露商业合同、客户数、ARR 或可引用客户。基于公开信息，预期企业客户可分为：拥有高密度机器人部署的大型制造商（汽车、电子、消费品装配）、需要灵活拣选与包装自动化的物流和电商仓储运营商、需要用灵巧操作完成备餐和厨房任务的餐饮服务与酒店运营商，以及可能服务非结构化环境操作的政府或国防客户。公司未公布 SMB 或中端市场商业化动作；所有已显示的试点都涉及大型企业账户，这些账户有预算和运营规模，能部署数十到数百台机器人。机器人 OEM 伙伴网络（包括训练期间贡献形态数据的硬件公司）可能成为间接客户或转售渠道，让 PI 软件在伙伴硬件之上授权销售，形成与企业直销并行的 B2B2B 分发路径。公司没有 SMB 或自助服务渠道，没有产品驱动增长动作，也未披露从 openpi 开源释放转化到企业合同的免费增值路径。现阶段，整个商业路径都是企业直销和 OEM 渠道销售。[CU001, CU002, CU003, CU004, CU005]

6.2 试点活动与采用证据

2024–2025 年的媒体报道确认，Physical Intelligence 至少与两家具名公司开展企业试点：AgiBot（一家中国机器人制造商）和 Longcheer Technology（一家电子制造商）。二者既是早期跨形态数据贡献方，也是试点客户。这是公开来源中唯一能靠近客户关系的具名信息。openpi 开源社区提供了第二层采用信号：该仓库已积累数千个 GitHub stars，并吸引学术界和产业研究团队进行活跃外部微调。这个社区信号证明了开发者兴趣和技术路径可用性，但不等同于企业客户牵引，也不会产生收入。Physical Intelligence 发布过 π₀ 在受控环境中完成任务的演示视频；这些视频获得科技媒体（The Verge、IEEE Spectrum、VentureBeat）大量报道，说明潜在企业买家认知度较高。认知和兴趣并不会在缺少进一步商业验证时直接转化为购买意图。最关键的未知数，是企业试点转成已签商业合同的比例；这是任何潜在投资人尽调时必须验证的最重要财务指标。 [CU006, CU007, CU008, CU009, CU010]

6.3 留存前景、集中度风险与扩张

Physical Intelligence 没有留存指标、流失数据、NRR 或合同续约数据，因为公司没有商业客户。因此，留存分析只能向前看，并基于计划中的按机器人 SaaS 模式的结构特征。留存在结构上预计较高，原因包括：（1）机器人 AI 模型会随时间累积客户专属微调数据，换供应商相当于损失数月专有任务训练数据；（2）企业机器人队列本身是重大资本投入，会让软件供应商更换变得迟滞；（3）与安全认证流程和生产排程系统集成，会进一步提高切换门槛。这些结构性因素说明，一旦 Physical Intelligence 完成商业部署，超过 90% 的毛收入留存是有可能的，但现阶段完全停留在理论层面。客户集中度风险未知；若商业发布发生，短期预计会偏高，因为公司可能先签下少数大型企业账户，造成显著头部客户集中。尽调应要求披露前五大客户收入集中度，以及试点协议中的任何最低采购承诺。扩张模式（先落地客户某一设施，再扩到更多设施或机器人类型）若客户生命周期超过 5 年、扩张倍数达到 2–5×，单位经济性会很有吸引力；但这些都尚未在运营上证明。 [CU011, CU012, CU013, CU014, CU015]

6.4 展项

7.1 监管与法律风险

Physical Intelligence 最大的监管风险来自 EU AI Act。该法案将可能造成伤害、且在物理环境中运行的 AI 系统，按 Annex III 可能归为高风险。部署在制造或物流场景中的机器人 AI 系统，在进入欧盟商业部署前，可能需要合规评估、人类监督机制、技术文档和上市后监测。EU AI Act 合规预计会让欧盟商业化时间线增加 12–24 个月，并消耗大量法律和工程资源。在美国，OSHA 工作场所安全法规和 NIST AI Risk Management Framework 指南适用于工作环境中的 AI 系统，但当前美国监管要求不如欧盟法案具体，也不会阻止近期本土部署。制造环境中与人协作的机器人软件需要通过 ISO 13849 和 IEC 62061 功能安全认证；Physical Intelligence 未披露任何认证进展。训练数据 IP 责任是潜在法律风险：如果 Physical Intelligence 的机器人演示数据集包含来自受版权保护来源的视频内容（制造流程视频、专有机器人操作记录），数据来源方的 IP 主张可能限制公司的运营自由。截至 2026 年 Q1，没有已知针对 Physical Intelligence 的活跃诉讼、监管执法行动或重大法律纠纷。 [CR001, CR002, CR003, CR004, CR005]

7.2 运营、竞争与技术风险

最尖锐的运营风险，是 π₀ 从实验室走到生产现场的落差。模型在可控实验室里跑出亮眼基准表现，但制造和物流现场难得多：工位非结构化、光照变化、人机混行、实时可靠性要求高，还要 99%+ 可用性。机器人行业经验反复显示，从实验室到生产，性能通常会掉 20–40 个百分点。Physical Intelligence 如果不能在试点阶段补上这段落差，商业转化就会失败。竞争端的运营风险同样高：Skild AI 已做到约 $30M ARR，并在搭商业数据飞轮。Skild AI 每多一个季度积累生产部署数据，模型质量就会提升，竞争护城河也会拉宽。Google DeepMind 的 Gemini Robotics 1.5 是生存级竞争威胁：Google 几乎有无限算力，可直接使用 PaliGemma（Physical Intelligence 所依赖），又通过 Google Cloud 和 Google Workspace 拥有深厚企业关系，由此天然形成机器人 AI 分发渠道。Physical Intelligence 的开源策略（openpi）带来复制风险：只要竞争对手动机足够强、又有算力，就能拿公开的 arXiv 预印本和 openpi 代码库起步复现，把研究护城河从几年压缩到几个月。 [CR006, CR007, CR008, CR009, CR010, CR011]

7.3 财务、依赖与关键人物风险

Physical Intelligence 当前估值下的财务风险极端：零收入、估计年烧钱 $70–$150M，据报道下一轮估值 $11B，而这轮要闭合，必须证明有实质商业牵引力。如果 $11B 轮没有落地、商业收入仍为零，公司要么大幅砍烧钱速度，要么接受降估值融资；两者都会带来实质股权稀释和人才留存风险。PaliGemma 对 Google DeepMind 的依赖同时是技术和财务风险：Google 既是投资方（通过 CapitalG），也是技术依赖（PaliGemma），还是直接竞争者（Gemini Robotics）。Google 一旦限制 PaliGemma 商业许可，或收购某个竞争对手，Physical Intelligence 的核心架构就会承压。关键人物风险高度集中：Sergey Levine 是技术路线的主要公开面孔；他离开会削弱公司在投资人、潜在合作伙伴和企业客户眼中的技术可信度。Chelsea Finn（MAML 共同发明人）和 Karol Hausman（CEO）也代表类似集中度。公司未披露任何关键人物保险、创始人股权归属时间表或留任安排。资本集中风险也明显：Lux Capital 参与了全部三轮，CapitalG（Alphabet）领投 Series B，意味着两家投资人在股权结构和董事会动态中拥有多数影响力。 [CR012, CR013, CR014, CR015, CR016, CR017]

7.4 展品

8.1 估值背景与进入纪律

Physical Intelligence 于 2025 年 11 月完成 Series B，融资 $600M，投后估值 $5.6B，意味着 CapitalG（Alphabet）、T. Rowe Price、Redpoint 和 Lux Capital 的投前进入价格为 $5.0B。交割时公司商业收入为零。机器人 AI 领域没有先例：一家公司在创立 20 个月内、零 ARR 情况下做到 $5.6B 估值。估值靠三点支撑：（1）团队质量极高（Levine、Finn、Hausman 均为顶级研究者）；（2）技术执行到位（π₀ 论文和演示获得学界和产业强验证）；（3）投资人相信市场规模（2030 年服务机器人市场 $170B+），也相信 Physical Intelligence 有机会像 LLM 领域的 OpenAI 一样，占住机器人基础模型 API 层。据报道的下一轮 $11B（2026 年 4 月，未确认）意味着不到六个月估值翻 2×；只有公司已经签下多个企业 LOI，或宣布一个有实质规模的商业伙伴，估值跳升才可信。任何以 $11B 进入的投资人，安全边际都比 Series B 投资人更窄：在 $11B 且零收入情况下，要把收入倍数恢复到合理的 10× 退出，需要 $1.1B ARR。换句话说，它要长成一家机器人基础模型龙头，规模接近前五大企业 SaaS 公司。投资周期是 10–15 年，不是 5–7 年。 [CV001, CV002, CV003, CV004, CV005]

8.2 可比估值框架

没有收入时，估值只能依靠同阶段可比交易。最相关可比包括：（1）收入前 / 早期收入阶段的 LLM 基础模型公司（OpenAI 约 $1B ARR 时估值 $80B = 80× 远期收入，意味着 Physical Intelligence 要有约 $70M ARR 才算落入可比倍数区间）；（2）类似融资阶段的机器人 AI 公司（Skild AI 约 $30M ARR 时估值 $14B = 467× 收入，倍数极端，但反映市场出清需求）；（3）无收入的纯研究阶段 AI 公司（Inflection AI 在 Microsoft 合作前没有商业产品、估值 $4B）。Physical Intelligence 的 $5.6B 估值位于收入前 AI 公司极端估值区间内，但对机器人垂直公司来说处在高端。关键估值锚点是：（a）若 Physical Intelligence 到 2027 年实现 $50M ARR，50× 远期收入倍数（激进）可支撑 $2.5B 估值，低于 $5.6B；（b）若到 2028 年实现 $200M ARR，30× 远期倍数（中性）可支撑 $6B，与 Series B 接近；（c）乐观情景需要 2028 年达到 $400M+ ARR，并用 20× 倍数支撑 $8B 估值，才接近据报道 $11B 下一轮的下沿。结论是：只有 Physical Intelligence 在 24 个月内交出显著商业牵引力，Series B 估值才算“合理”；如果没有公开商业收入，据报道的下一轮极其激进。 [CV006, CV007, CV008, CV009, CV010]

8.3 建议、退出准备与最终尽调问题

我们的建议是谨慎——当前估值下放弃或观察，未来进入需满足条件。技术可信，团队世界级，机器人基础模型市场也有一条通向极大规模的合理路径。但零收入对应 $5.6B 估值，对多数机构投资人来说安全边际不足，据报道的 $11B 下一轮更是极其激进。我们会建议进入的条件是：（1）Physical Intelligence 宣布至少 $50M ARR，来自两个或更多具名企业客户；（2）公司完成至少一项功能安全认证（ISO 13849 或 CE 标志），可以支撑生产部署；（3）与 Google 的 PaliGemma 商业许可协议有文件记录并已披露；（4）Sergey Levine 的留任与股权归属时间表得到确认。在 2026–2027 年商业化发布、并按典型企业软件扩张路径推进的假设下，退出准备至少还要 5–7 年。潜在战略收购方包括 Amazon、Microsoft（通过 Azure 机器人业务）、Samsung、Hyundai，以及任何想要 AI 机器人栈的大型工业集团。IPO 准备需要 $300M+ ARR 和规模化正毛利率；即便按乐观假设，时间也要到 2029 年以后。最终尽调问题列在 T808。 [CV011, CV012, CV013, CV014, CV015]

8.4 展品