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 California 州 San Francisco 注册并开始运营。公司宣称的使命是打造「一个单一、通用、能够控制任意机器人完成任意任务的 AI 系统」。公司处在机器人、强化学习和大型基础模型的交叉点。核心产品是 π₀（pi-zero），一种视觉-语言-动作（VLA）基础模型；它接收摄像头图像、自然语言任务指令和机器人本体状态，再借助流匹配 transformer 预测连续电机动作。π₀ 不绑定硬件——可微调到不同机器人平台（机械臂、移动操作机器人、人形机器人）上运行，无需从零重建。Physical Intelligence 的商业模式瞄准企业客户，按机器人 SaaS 方式授权其模型栈；但截至 2026 年第三季度，公司仍没有商业收入，重点仍是研究部署和试点项目。公司也发布了开源变体 openpi，用于推动生态采用和训练数据贡献。 [CO001, CO002]

1.2 创始人、领导层与治理

Physical Intelligence 由七名背景互补的成员共同创立，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 资深研究科学家，领导机器人操作研究并参与 RT-2，也曾在 Stanford University 兼任教授。首席科学家 Sergey Levine 是 UC Berkeley 终身副教授，并领导 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，研究重点是动力学规划和 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，也曾是 Tesla Autopilot 工程师。Lachy Groom（Stripe 早期高管、VC 投资人）和 Quan Vuong（机器人强化学习研究者）补齐了创始团队。董事会组成尚未公开；技术领导层集中，关键人物风险较高。截至 2026 年第三季度，未披露治理争议或领导层变动。 [CO001, CO002]

1.3 融资历史、估值与投资者

Physical Intelligence 在约 20 个月内累计融资约 $1.07B。$70M 种子轮于 2024 年初至年中完成，投资者包括 Lux Capital、Jeff Bezos 等；种子前 / 种子轮估值未披露。$400M Series A 于 2024 年 11 月完成，投后估值为 $2.4B，投资者包括 OpenAI、Thrive Capital、Lux Capital、Index Ventures 等。一年后，公司于 2025 年 11 月完成 $600M Series B，投后估值为 $5.6B。该轮由 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洽谈，目标估值为 $11B；若完成，估值将在不到六个月内升至上一轮的约 2×。所有外部融资均为风险股权融资；公司未公开披露债务、老股交易或基于收入的融资。大额融资反映出投资者看好机器人基础模型市场机会，也认可团队的科研履历。 [CO001, CO002]

1.4 关键里程碑

Physical Intelligence 从成立到累计融资 $1B+ 并发布开源模型，用时不到两年。公司于 2024 年 3 月宣布成立和种子轮融资。2024 年 10 月，π₀ 模型在技术博客和研究论文中被披露，展示了多任务机器人控制，包括叠衣、装盒和衬衫包装。Series A 于 2024 年 11 月关闭。2025 年 2 月，公司将 π₀ 模型权重和代码以 openpi 仓库形式开源，这是首个开源的通用机器人 VLA 基础模型。继任模型 π₀.5 于 2025 年初发布，提升了对新环境的泛化能力。2025 年中，π₀-FAST 发布，采用频域离散动作表示（FAST tokenizer）提高推理效率。$5.6 billion Series B 于 2025 年 11 月关闭。截至 2026 年第三季度，面向制造和物流垂直行业的早期企业试点正在推进，客户未具名；据报道公司正接近 $11B 估值的下一轮融资里程碑。截至本报告日期，未披露不利事件、监管调查或重大领导层离职。 [CO001, CO002]

1.5 展示

2.1 市场定义与细分

与 Physical Intelligence 最相关的市场可分成三个同心层。最外层是全球具身 AI 与机器人（硬件加软件），涵盖工业机器人、移动操作机器人、人形机器人和自动驾驶汽车；2025 年估计 TAM 为 $50–82 billion，到 2030 年增至 $111–185 billion。内层是企业机器人软件和 AI 栈（模型、部署基础设施、训练管线），2025 年 SAM 约 $8–15 billion，预计到 2030 年达到 $20–35 billion，CAGR 为 20–35%。Physical Intelligence 最相关的可服务细分是机器人基础模型软件和按机器人计费的 SaaS 授权；该领域尚未形成成熟分析师类别，但按单机器人经济模型以及制造、物流和仓储自动化的预计部署规模推算，到 2028 年大约为 $3–8 billion。关键垂直包括：制造与装配（当前收入最大）、物流与仓储自动化（增速最快）、商业和设施服务，以及医疗和零售中由人形机器人带动的新兴任务。Physical Intelligence 当前不绑定硬件，目标客户包括机器人 OEM 合作伙伴，以及已经拥有或计划部署机器人队列的企业客户。 [CM001, CM002]

2.2 TAM、SAM 与 SOM 分析

Grand View Research 估计，具身 AI 市场（具身 AI、机器人智能软件、自主系统）2025 年约 $81.6 billion，到 2033 年 CAGR 约 32%。MarketsandMarkets 估计，机器人 AI 市场（仅智能和控制软件）2025 年为 $5.8 billion，到 2030 年增至 $25.9 billion。McKinsey 和 BCG 的分析显示，随着自研智能成为相对商品化硬件的主要差异点，机器人软件和 AI 层最终将拿走整个机器人价值链利润的 40–60%。对 Physical Intelligence 而言，近期（2026–2028）的 SOM 受限于制造和物流领域的早期企业试点；如果公司能拿下该窗口内可能采用机器人基础模型软件的 100–300 个企业账号中的 10–30%，估计 SOM 为 $200–500 million。这要求商业发布成功、按机器人计费的授权经济模型站得住，并且硬件合作伙伴能放量。 [CM001, CM002]

2.3 细分客群与买方分析

Physical Intelligence 的主要买方分为三类：（1）希望把基础模型智能嵌入硬件的机器人 OEM 厂商（例如 Agility Robotics、Boston Dynamics、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、希望获得跨机器人泛化且不做特定任务编程的大型企业运营商；（3）为工厂和仓库交付交钥匙 自动化方案的系统集成商。企业账号的决策人通常是运营副总裁、首席自动化官或工程副总裁，采购过程会涉及 IT 安全审查、数据驻留要求和集成审批。企业机器人采购周期从试点到合同通常为 12–24 个月；Physical Intelligence 仍在试点阶段。OEM 合作渠道能带来更快分发，但利润率更低，对硬件伙伴成败的依赖更高。北美和欧洲是当前主要市场；鉴于工业机器人密度高，亚太（尤其日本、韩国和中国）是长期体量最大的市场。 [CM001, CM002]

2.4 增长驱动因素与市场约束

关键增长驱动因素包括：（1）人口结构变化加剧制造和物流用工短缺，让机器人 ROI 测算更有利；（2）基础模型能力快速提升，将机器人任务编程成本从每个定制技能 $50,000–$250,000 降到接近零，只需微调；（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可得；（5）强劲资本流入推动生态发展。约束和风险包括：（1）商业部署对安全性和可靠性要求极高；（2）与传统工业系统集成仍然复杂；（3）π₀ 开源发布让基础模型趋于商品化，也挑战 PI 维持自研护城河的能力；（4）资金充足的竞争对手（Skild AI $14B 估值、Google DeepMind、Figure AI）可能执行更快；（5）相较早期商业经济模型，训练和推理的算力成本偏高。 [CM001, CM002]

2.5 展示

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，硬件和自研 AI 都做：Figure AI（人形机械臂 + Helix VLA）、1X Technologies（人形机器人 + 世界模型）和 Agility Robotics（Digit + AI）属于这一类。第三类是拥有相邻算力和 AI 资产、正向机器人延伸的既有科技公司：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 模型的潜在客户。 [CP001, CP002]

3.2 主要竞争对手画像

Skild AI 成立于 2023 年，总部位于 Pittsburgh，已在 Series C 融资中募集 $1.4 billion，估值 $14 billion（2026 年初），由 SoftBank 和 NVIDIA 领投，Samsung 和 Salesforce Ventures 参投。其 Skild Brain 模型称可借助层级架构实现跨形态泛化，并完成零样本任务迁移。关键在于，Skild 报告称 2025 年商业发布后数月内收入达到 $30 million，证明了 Physical Intelligence 尚未实现的变现牵引。Google DeepMind 的 Gemini Robotics 1.5 于 2026 年初发布，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能力——背后有 Google 算力基础设施、海量多模态数据集以及 Gemini API 分发渠道。Figure AI 此前以 $39B+ 估值融资 $675M，打造自研人形机器人（Figure 02）及其 Helix VLA 模型，并已部署在 BMW 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 正在开发面向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 必须在灵巧操作深度、生态开放度和研究级模型质量上做出区分。 [CP001, CP002]

3.3 Physical Intelligence 护城河分析与竞争风险

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，堪称全球最可信的机器人 AI 创始团队之一；（2）灵巧操作深度——π₀ 展示了行业领先的长时程灵巧任务（叠衣、装配），多数竞争对手在基准中尚未达到；（3）开源生态——openpi 带来开发者社区和训练数据贡献。护城河面临的关键风险包括：（1）开源使基础模型商品化——Skild、Google 等可对标 PI 公开成果；（2）Skild AI 估值 $14B，融资约为 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 可由任何开发者通过 API 访问；（4）PI 仍处于收入前阶段——如果商业发布延迟，资金充足的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。当前护城河仍处在研究阶段，尚未获得商业验证。Physical Intelligence 必须优先推进商业发布、硬件伙伴协议和安全认证，抢在 Skild AI 建立企业锁定、Google DeepMind 完成 Gemini Robotics 商业 API 推广之前卡位。从现在起，PI 大约有 12–18 个月窗口，在已商业验证的企业账号上建立可防守位置。窗口之后，护城河可能主要停留在学术层面，而非商业验证。这个市场的竞争动态最终会偏向率先证明企业级可靠性并建立经常性收入基础的玩家。[CP001, CP002]

3.4 展示

4.1 收入模式与当前收入状态

截至 2026 年第三季度，Physical Intelligence 未披露任何商业收入。公司正在制造和物流领域推进早期企业试点，但合同、ARR 或商业条款均未公开。计划中的收入模式是按机器人计费的 SaaS 授权：企业客户为每台使用 PI 基础模型部署的机器人支付经常性年费。这类似企业软件中按席位或按单元计费的 SaaS 模式，只是应用在实体机器人上。公司尚未公开定价。行业类比显示，单台机器人年费可能在 $5,000 到 $15,000 之间；若要达到 $50M ARR，大约需要 3,300–10,000 台活跃机器人部署。其他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 开源发布似乎不产生直接收入，更像社区和生态投资。公司的收入前状态带来二元风险：要么商业发布在 12–18 个月内推进、企业试点管线成功转化；要么随着竞争对手建立收入牵引，融资会越来越难。 [CI001, CI002]

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（估计 2026 年第三季度 150–250 人）、用于模型训练和推理的 GPU 算力，以及 San Francisco 高端办公地点的开销构成。若平均全包薪酬为每名员工 $300,000–$400,000，按人数不同，年度人员烧钱约 $45–$100 million。用多样化机器人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，每个主要版本的训练成本约 $5–20 million，规模化后还会持续产生推理成本。估计年度总烧钱为 $70–$150 million；如果公司不大幅扩张算力或人员，仅 $600M Series B 就可提供约 4–8 年现金跑道。不过，要达到商业规模，需要显著增加人员和算力投入，全面商业化建设时现金跑道很可能压缩到 24–36 个月。Physical Intelligence 尚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；由于仍为私营公司，除 Form D 豁免发行外没有 SEC 报告义务，也未通过监管文件报告运营亏损。此外，定制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合作所需资本开支，都会增加成本基数。这个阶段、这种类型的公司通常将 60–70% 烧钱用于人员，20–25% 用于算力，10–15% 用于设施和其他开销。这些比例与可比 AI 研究初创公司一致，也意味着如果员工数接近 250、算力投入随下一代模型开发扩大，Physical Intelligence 年度运营成本实际可能达到 $120 million 或更高。[CI001, CI002]

4.3 资本充足性、融资路径与财务风险

Physical Intelligence 三轮融资累计约 $1.07 billion，年度烧钱估计 $70–$150 million；视商业扩张节奏而定，估计现金跑道约 24–60 个月。据报道，截至 2026 年 4 月，公司正深入洽谈下一轮融资，估值 $11 billion；若以 $500M+ 完成，可再延长 3–6 年现金跑道。关键财务风险包括：（1）下一次融资前，公司必须至少做到 $50M ARR 才能支撑投资者信心；（2）如果试点商业转化停滞，估值上台阶会难以辩护——当前 $5.6B 估值意味着收入倍数无限大；（3）连续训练新一代模型的算力成本可能比预期更快压缩现金跑道；（4）市场下行或投资者情绪变化可能关闭 AI 高估值融资窗口，尤其是零收入公司。公司没有披露客户集中风险，因为尚无商业客户。财务尽调所需来源包括官方公司沟通和监管文件；唯一的 SEC Form D 是 Series B 豁免发行文件，除发行规模外未披露财务细节。 [CI001, CI002]

4.4 展示

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。以往机器人 AI 系统通常只在单一机器人类型和单一任务上训练；π₀ 的设计目标则是跨形态：同一套模型权重用于 68 种不同机器人硬件配置，从单臂机械臂到双手灵巧手都有覆盖。跨形态训练带来两个实际好处。第一，模型泛化更广，可把在一个机器人上学到的技能迁移到新机器人上，只需少量微调。第二，公司可以聚合来自不同硬件合作伙伴的训练数据，而不是受限于单一机器人设计的数据。架构上，π₀ 融合预训练 PaliGemma 3B 视觉-语言模型（VLM）和 300-million-parameter 动作专家 transformer。VLM 组件负责理解语言指令和解析视觉场景。动作专家借助流匹配生成连续机器人控制信号（关节位置、速度，或随机器人不同而变化的笛卡尔目标）；流匹配是一种生成式建模技术，在准确率和推理速度上都优于基于扩散的动作策略。π₀.5 在 π₀ 基础上加入更强的互联网规模预训练，以拓宽语义理解。π₀-FAST 用更快的单次动作解码器降低推理延迟，面向时间敏感任务。openpi 开源包为外部研究社区提供基于 π₀ 权重的微调工具。 [CE001, CE002]

5.2 技术表现与基准

Physical Intelligence 在 arXiv 预印本中发布的基准结果显示，π₀ 在 LIBERO 基准套件上超过此前最先进方法；该套件测试叠衣、整理物品、组装部件等灵巧操作任务。具体而言，在有限演示数据下微调时，π₀ 的任务完成率显著高于 OpenVLA、RT-2 和 Octo；这项指标对企业部署至关重要，因为大规模收集特定机器人数据成本很高。模型在长时程灵巧操作任务上表现尤其强，这类任务被普遍视为机器人 AI 中最难的未解问题：需要在多秒内连续完成接触密集动作，例如叠衣或装洗碗机。Physical Intelligence 报告称，π₀ 在这些任务上的成功率可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，并不能直接验证模型在生产型企业环境中的表现；真实环境会有非结构化工作区、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落差，是关键未解技术风险。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。 [CE001, CE002]

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：把预训练 VLM 推理与流匹配动作专家结合，并在据称迄今最大的跨形态机器人数据集上训练。创始团队学术履历极强：Sergey Levine（UC Berkeley RAIL Lab，model-agnostic meta-learning MAML 邻近方法发明者）、Chelsea Finn（MAML 共同发明者，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 star 和外部研究引用显示开发者社区已有采用。关键 IP 风险包括：（1）核心架构依赖 PaliGemma（Google DeepMind 模型），使公司受 Google 授权条款制约；（2）机器人演示视频训练数据的来源和版权状态未公开披露；（3）arXiv 预印本详细披露技术路径，降低了资源充足的竞争者复现门槛。安全和信任上，Physical Intelligence 尚未披露 π₀ 是否经过第三方安全认证、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记录完整的安全论证，并可能要求在 CE/OSHA 监管环境中取得监管许可。openpi 发布内容除了技术能力约束外，没有记录安全约束或部署护栏；相较企业客户生产部署要求，这是一个缺口。 [CE001, CE002]

5.4 展示

6.1 客户细分与当前状态

截至 2026 年第三季度，Physical Intelligence 处于完全收入前、客户前阶段。公司公开表示正在与未具名制造和物流客户开展企业试点，但尚未披露商业合同、客户数、ARR 或参考客户。基于公开信息，预期企业客户细分包括：机器人部署密度高的大型制造商（汽车、电子、消费品装配）、需要柔性拣选与包装自动化的物流和电商仓储运营商、需要灵巧操作来完成备餐和厨房任务的餐饮与酒店运营商，以及可能需要非结构化环境操作能力的政府或国防客户。公司未公布面向 SMB 或中端市场的获客动作；所有已显示试点都涉及大型企业账号，这些客户有预算和运营规模部署数十到数百台机器人。机器人 OEM 合作伙伴网络（包括训练期间贡献形态数据的硬件公司）构成潜在间接客户或转售渠道，PI 软件可叠加在伙伴硬件之上授权，与直销企业并行形成 B2B2B 分发路径。公司没有 SMB 或自助渠道，没有产品驱动增长动作，也未披露从 openpi 开源发布转化到企业合同的免费增值路径。现阶段，整条商业路径都是企业直销和 OEM 渠道销售。[CU001, CU002]

6.2 试点活动与采用证据

2024–2025 年新闻报道确认，Physical Intelligence 正与至少两家具名公司推进企业试点：AgiBot（一家中国机器人制造商）和 Longcheer Technology（一家电子制造商）。两家公司都是早期跨形态数据贡献方，也接近试点客户。这是公开来源中仅有的具名、接近客户的关系。openpi 开源社区提供了第二层采用信号：仓库已积累数千个 GitHub 星标，学术和行业研究团队有活跃的外部微调活动。该社区信号证明开发者兴趣和技术路线效用，但不构成企业客户牵引，也不产生收入。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 The Verge、IEEE Spectrum、VentureBeat 等科技媒体广泛报道，说明潜在企业买方已有较高认知。不过，认知和兴趣不会在缺乏进一步商业验证时直接转化为购买意向。关键未知项是企业试点转为签署商业合同的转化率；这是任何潜在投资者在尽调中最需要验证的单一财务指标。 [CU001, CU002]

6.3 留存前景、集中风险与扩张

Physical Intelligence 没有商业客户，也就没有留存指标、流失数据、NRR 或合同续约数据。留存分析只能着眼未来，依据公司计划中的按机器人计费 SaaS 模式作结构性判断。预计留存率较高，理由有三点：（1）机器人 AI 模型会持续积累客户专属微调数据，切换成本相当于丢失数月的专有任务训练数据；（2）企业机器人机群涉及重大资本投入，会增加更换软件供应商的阻力；（3）接入安全认证流程和生产排程系统后，更换供应商的门槛会进一步提高。按这些结构性因素推断，Physical Intelligence 商业部署后的总收入留存率可能超过 90%；但现阶段完全是理论推演。客户集中风险尚不清楚；如果公司启动商业化，预计短期风险较高，因为公司可能先拿下少数大型企业客户，收入将高度集中于头部客户。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。扩张路径是先在客户一处设施部署，再扩展至更多设施或机器人类型。若客户生命周期达到 5+ 年、扩张倍数为 2–5×，单元经济模型会很有吸引力；但上述设想均未获得实际运营验证。 [CU001, CU002]

6.4 展示

7.1 监管与法律风险

Physical Intelligence 最重要的监管风险是 EU AI Act；该法案将可能造成伤害、在物理环境中运行的 AI 系统归入 Annex III 下潜在高风险类别。部署在制造或物流场景中的机器人 AI 系统，在欧盟商业部署前，很可能需要完成符合性评估、人类监督机制、技术文档和上市后监测。遵守 EU AI Act 预计会让欧盟市场进入 时间线增加 12–24 个月，并消耗大量法律和工程资源。美国方面，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 EU Act 具体，也不会阻碍短期国内部署。在存在人机协作的制造环境中部署机器人软件，需要满足 ISO 13849 和 IEC 62061 功能安全认证；Physical Intelligence 尚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 年第三季度，未发现针对 Physical Intelligence 的已知活跃诉讼、监管执法行动或重大法律纠纷。 [CR001, CR002]

7.2 运营、竞争与技术风险

最尖锐的运营风险，是 π₀ 从实验室走向生产的缺口。模型在受控实验室条件下跑出亮眼基准，但制造和物流现场难得多：工作空间非结构化、光照多变、人和机器人混行、可靠性要实时达标，还要 99%+ 正常运行时间。机器人行业经验反复表明，从实验室到生产，性能通常会掉 20–40 个百分点。如果 Physical Intelligence 在试点阶段补不上这个缺口，商业转化就会失败。来自 Skild AI 的竞争运营风险很高：Skild AI 已做到约 $30M ARR，并在搭建商业数据飞轮。Skild AI 每多一个季度积累生产部署数据，模型质量就会提高，竞争护城河也随之加宽。Google DeepMind 的 Gemini Robotics 1.5 是存在级竞争威胁：Google 算力几乎没有上限，能直接使用 PaliGemma（Physical Intelligence 依赖它），还通过 Google Cloud 和 Google Workspace 掌握深厚企业关系，这些关系天然可以变成机器人 AI 分销渠道。Physical Intelligence 的开源策略（openpi）带来复制风险：只要竞争对手足够有动力且拿得到算力，就能以已发布的 arXiv 预印本和 openpi 代码库为起点复现，把研究护城河从几年压缩到几个月。 [CR001, CR002]

7.3 财务、依赖与关键人物风险

以当前估值看，Physical Intelligence 的财务风险画像极端：零收入、估计每年烧钱 $70–$150M，且据报道下一轮估值 $11B；要完成该轮，公司必须证明已有实质商业牵引。如果 $11B 轮融不成，而商业收入仍为零，公司要么大幅砍烧钱速度，要么接受降估值融资；两者都意味着重大股权稀释和人才留存风险。对 Google DeepMind 的 PaliGemma 依赖既是技术风险，也是财务风险：Google 同时是投资方（通过 CapitalG）、技术依赖方（PaliGemma）和直接竞争者（Gemini Robotics）。如果 Google 限制 PaliGemma 商业许可，或收购竞争对手，Physical Intelligence 的核心架构就会承压。关键人物风险高度集中：Sergey Levine 是技术路线最主要的公开面孔；如果他离开，公司在投资人、潜在伙伴和企业客户面前的技术可信度都会受损。Chelsea Finn（MAML 共同发明人）和 Karol Hausman（CEO）也有类似集中度。公司没有披露任何关键人物保险、创始人归属时间表或留任安排。资本集中风险同样明显：Lux Capital 参与了三轮融资，CapitalG（Alphabet）领投 Series B，意味着两家投资人在股权结构表和董事会动态中拥有主要影响力。 [CR001, CR002]

7.4 展项

8.1 估值背景与入场纪律

Physical Intelligence 在 November 2025 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 的入场前估值约为 $5.0B。交易完成时，公司商业收入为零。机器人 AI 领域没有先例：一家公司成立 20 个月、零 ARR，却拿到 $5.6B 估值。这个估值靠三点支撑：（1）团队质量异常强，Levine、Finn、Hausman 都是一线研究者；（2）技术执行到位，π₀ 论文和演示获得学术界和产业界强验证；（3）投资人相信市场空间足够大（2030 年服务机器人市场 $170B+），也相信 Physical Intelligence 可能占据类似 OpenAI 在 LLM 中的机器人基础模型 API 层。据报道，下一轮估值 $11B（April 2026，未确认），不到六个月估值翻 2 倍；只有在公司已签下多个企业 LOI，或宣布了具备实质规模的商业伙伴时，这才可信。任何以 $11B 入场的投资人，安全边际都比 Series B 投资人更窄：如果 $11B 估值对应零收入，要让收入倍数回到合理的 10× 退出水平，需要 $1.1B ARR；这意味着公司必须长成领先的机器人基础模型公司，规模接近前五大企业 SaaS。这个路径是 10–15 年，不是 5–7 年。 [CV001, CV002]

8.2 可比估值框架

在没有收入的情况下，估值只能基于同阶段交易。最相关的可比对象有三类：（1）无收入 / 早期收入阶段的 LLM 基础模型公司（OpenAI 估值 $80B、ARR 约 $1B，即 80× 远期收入；按可比倍数，Physical Intelligence 在 $5.6B 估值下需要约 $70M ARR 才算落入可比区间）；（2）处在可比融资阶段的机器人 AI 公司（Skild AI 估值 $14B、ARR 约 $30M，即 467× 收入，虽然极端，但反映了市场出清需求）；（3）没有收入的纯研究阶段 AI 公司（Inflection AI 在与 Microsoft 合作前没有商业产品，估值 $4B）。Physical Intelligence 的 $5.6B 估值落在极端收入前 AI 公司估值区间内，但在机器人专项公司里处于高位。关键估值锚点是：（a）如果 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）如果到 2028 年实现 $200M ARR，30× 远期倍数（中等）可支撑 $6B，与 Series B 相当；（c）乐观情景需要到 2028 年实现 $400M+ ARR，并按 20× 计，才能支撑 $8B 估值，接近据报道 $11B 下一轮的低端。结论是，只有 Physical Intelligence 在 24 个月内拿出显著商业牵引，Series B 估值才算“合理”；如果没有已宣布的商业收入，据报道的下一轮估值就极其激进。 [CV001, CV002]

8.3 建议、退出准备度与最终尽调问题

我们的建议是谨慎——按当前估值应放弃或观察，同时为未来入场设条件。技术可信，团队世界级，机器人基础模型市场也有走向超大规模的合理路径。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 $11B 下一轮也极其激进。我们建议入场的条件是：（1）Physical Intelligence 宣布至少 $50M ARR，且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 marking），支撑生产部署；（3）与 Google 的 PaliGemma 商业许可协议已形成文件并披露；（4）Sergey Levine 的留任和归属时间表得到确认。若假设 2026–2027 年商业化推出，并沿典型企业软件扩张轨迹发展，退出准备度至少还要 5–7 年。战略收购方包括 Amazon、Microsoft（通过 Azure robotics）、Samsung、Hyundai，以及任何希望获得 AI 机器人栈的大型工业集团。IPO 准备度需要 $300M+ ARR 和规模化正毛利率；即使按乐观假设，这也是 2029+ 事件。最终尽调问题列在 T808。 [CV001, CV002]

8.4 展项