Physical Intelligence 是一家机器人初创公司，致力于为机器人打造一个通用的“大脑”，即基础模型。其核心策略是通过在多样化的现实环境中收集数据，训练出一个能够跨平台、跨任务的智能系统，让聪明的软件来弥补硬件的不足。尽管公司已获得巨额融资且拥有顶尖团队，但他们并不急于商业化，而是专注于基础研究，这与竞争对手的策略形成鲜明对比，代表了硅谷对“长期主义”和颠覆性技术的一次豪赌。
机器人版的“ChatGPT”
Physical Intelligence 的办公室更像一个大型实验室，而非传统的公司总部。在这里，各种机械臂正在尝试完成日常任务，比如笨拙地折叠裤子，或一次次尝试将衬衫翻面。联合创始人 Sergey Levine 将他们的工作比作 “机器人版的 ChatGPT”。
这个过程是一个持续的循环：
- 收集数据： 在仓库、厨房等真实场景中，让机器人执行任务并收集数据。
- 训练模型： 使用收集到的数据来训练一个通用的机器人基础模型。
- 评估与迭代： 将新模型部署回机器人身上进行测试和评估，为下一轮训练提供反馈。
“好的智能可以弥补糟糕的硬件。”
公司的理念是，关键不在于制造昂贵、精密的机器人硬件，而在于开发足够智能的软件“大脑”。他们刻意使用售价仅约 3500 美元的普通机械臂进行测试，证明了其模型的价值。一个学会削西葫芦皮的模型，未来或许能自主学会处理它从未见过的苹果或土豆。
明星团队与巨额融资
这家成立仅两年的公司背后是一支星光熠熠的团队，并吸引了巨额资本。
- 创始团队： 成员来自加州大学伯克利分校、斯坦福大学和谷歌 DeepMind 等顶尖学术与研究机构。
- 关键人物 Lachy Groom： 曾是 Stripe 的早期员工和成功的个人投资者（投资过 Figma, Notion 等明星公司）。他花了五年时间寻找值得全身心投入的下一个事业，最终选择了 Physical Intelligence。
- 雄厚资本： 公司已融资超过 10 亿美元，估值达到 56 亿美元。Groom 坦言，资金主要用于计算资源的投入，并且如果有合适的伙伴，他愿意筹集更多资金，因为“你总能在这个问题上投入更多的算力”。
长期主义 VS 商业化
与许多急于变现的初创公司不同，Physical Intelligence 采取了一种独特的策略：专注于基础研究，不设商业化时间表。
“我不会给投资者关于商业化的答案。人们能容忍这一点，这本身就有点奇怪。”
他们认为，抵制短期商业化的诱惑，能够让他们打造出真正优越的通用机器人智能。公司的核心策略围绕 “跨实体学习” (cross-embodiment learning) 展开，这意味着模型学到的知识和技能可以轻松迁移到任何新的机器人硬件上，从而极大降低在新平台上部署自动化技术的边际成本。
尽管如此，公司已在与物流、零售等领域的少数公司合作，测试其系统的实际应用效果。
与竞争对手的哲学之争
在打造通用机器人智能的赛道上，Physical Intelligence 并非没有对手。其主要竞争者 Skild AI 采取了截然不同的路线，形成了一场鲜明的哲学对决。
Skild AI 的策略：
- 快速商业化： 已经将其机器人大脑“Skild Brain”商业化部署，并声称在短时间内创造了数千万美元的收入。
- 数据飞轮： 相信通过真实的商业应用，可以更快地收集数据并迭代模型。
- 公开批评： 认为竞争对手的模型只是“伪装”的视觉语言模型，缺乏基于物理模拟和真实机器人数据的“物理常识”。
Physical Intelligence 的策略：
- 专注研究： 坚信通过长期的基础研究，能最终产出更强大的通用智能。
- 内部驱动： 公司的路线图由研究需求驱动，而非外部市场压力。
这场对决的核心在于，是快速进入市场通过实践迭代更有效，还是耐心打磨基础模型以实现更高上限更正确。答案可能需要数年时间才能揭晓。
挑战与硅谷的信念
尽管前景广阔，但公司面临的挑战也十分现实。硬件的脆弱、采购的延迟以及安全问题都让他们的工作比纯软件公司困难得多。外界也对其愿景是否能实现、通用智能的路线是否优于专用方案存有疑问。
然而，这正是硅谷投资逻辑的体现：支持顶尖的团队去解决宏大的问题，即使没有明确的商业化路径。投资者相信，这些人最终会找到答案。这种模式并非总能成功，但一旦成功，其回报将是巨大的，足以证明之前所有冒险的价值。