中美机器人资本路径分化，美国押注通用大脑，中国聚焦量产交付

美国具身智能公司Physical Intelligence（PI）正洽谈新一轮至少10亿美元融资，目标估值约200亿美元——而该公司成立两年多，尚无公开营收。其联合创始人Lachy Groom直言：“我不向投资人回答商业化问题。”这种对短期变现的容忍，在中国投资圈几乎不可想象。国内具身智能领域近期融资事件虽从9月的60起降至10月的33起，但总金额仅微降，头部企业仍获重金支持；区别在于，投资人已将焦点从“技术Demo”转向“客户复购”“连续运行时长”与“是否跟上产线节拍”。

这一反差并非偶然，而是中美资本对具身智能本质认知的系统性分歧。

PI的野心清晰可见：它不绑定任何具体机器人本体，而是致力于训练一套跨任务、跨场景、跨本体的通用模型——π系列。从π0到π0.7, 其核心突破在于泛化能力的跃升：π0.5使机器人能在未见过的厨房与卧室中完成收拾房间等长流程任务；π0.7则尝试组合已有能力应对全新任务。其目标是“原则上让任何机器人完成任何任务”，本质上是在构建物理世界的“基础模型层”。

这一定位直接对标OpenAI的路径：ChatGPT抢占用户入口，API连接开发者，模型最终成为可被调用的基础设施。今年10月上线的Pi API已初具雏形——客户上传自身机器人数据，PI负责微调与算力支持，再通过云端提供模型服务。现场失败即补数据、再训练、再部署，形成数据飞轮：Weave的叠衣机器人接入后，抓取失败率下降42%，人工干预减少50%。模型训练成本高昂，但复制给新客户的边际成本趋近于零；一旦硬件、任务与开发者围绕其接口形成习惯，平台黏性与赢家通吃效应便随之而来。

资本对此高度认可。软硬一体的Figure估值已达390亿美元，Skild AI超140亿美元，PI冲击200亿实为美国资本同步押注多家潜在赢家的策略体现。其创始团队背景亦强化信心：Karol Hausman来自Google DeepMind，Sergey Levine与Chelsea Finn分别出自伯克利与斯坦福。在红杉播客中，Hausman称PI希望成为机器人领域的“操作系统级”存在。

相比之下，中国资本的逻辑更贴近制造业现实。IT桔子数据显示，2026年上半年国内具身智能领域共发生322笔融资，总额935亿元，其中前20家企业拿走550亿元（占比59%）。钱仍在流入，但分配愈发集中，腰部项目逐渐退出牌桌。华盖资本高露凝指出：“估值迟早会从Demo切换到订单和量产，拿不出订单的公司会面临生存问题。”

这种转向与资金来源结构密切相关。国内大额融资常由“国资平台+产业资本+财务机构”三方协同推动：产业资本关注供应链适配与真实场景落地，地方国资看重产线建设、产值贡献与产业集群带动，财务机构则需考量后续退出路径。因此，项目材料中必须明确“建了几条产线”“送进哪家工厂”“签了多少订单”；而纯模型公司能提供的，仍是算法、论文与尚未兑现的平台想象。

值得注意的是，中国机器人产业并非停滞于“催出货”，而是在量产驱动下实现快速迭代。宇树科技2026年前三季度营收同比增长55.71%，归母净利润暴增270.54%；智元机器人累计下线达2万台，GO-3 Preview登顶三大权威评测榜单；上海明确2028年前推动8000台人形机器人进工厂。政策与产业进展同步加速，板块主线正从硬件量产向“物理AI+数据采集”延伸。

更深层的背景是国产算力生态的重构。IDC数据显示，2026年上半年英伟达在中国数据中心AI芯片市场份额已从九成以上降至34%，华为昇腾升至28%；英伟达出货量同比下降44%，昇腾翻倍增长。这一逆转源于美国出口政策反复导致的市场预期崩塌——企业彻底放弃“造不如买”幻想，转而大规模采购昇腾芯片。昇腾910C采用中芯国际7nm工艺量产，950PR单卡算力达H20的2.87倍；CANN软件栈全面开源，384超节点集群已在金融、能源、制造等20多个行业商用。AI算力需求重心正从训练转向推理，日均Token调用量突破140万亿; 国产替代渗透率持续提升，多地新建智算中心明确要求国产化率。

在此背景下，中国具身智能公司的“出货压力”实为一种倒逼机制：只有真实产线反馈，才能支撑模型持续优化；只有规模化部署，才能积累足够数据反哺大脑升级。上纬新材虽短期亏损扩大，但具身研发投入同比激增1182%；峰岹科技、科达利等硬件链企业因量产爬坡获重点推荐。这表明，中国路径并非否定“大脑”价值，而是强调其必须通过物理世界验证来确立可信度。

两种路径各有逻辑支撑：美国资本相信，通用模型一旦建成，其网络效应与平台价值将远超单点硬件收益；中国资本则认为，在制造业语境下，脱离交付的技术终难自证其价值。前者追求“先占入口，再定义标准”，后者坚持“先跑通闭环，再扩展边界”。

短期内，这种分化将持续。PI若成功构建数据飞轮，可能重塑全球机器人开发范式；而中国头部企业若能在2027—2028年实现万台级稳定出货与客户复购，也将确立自身在物理AI落地端的不可替代性。关键变量在于：通用模型的泛化能力能否在复杂工业场景中真正超越专用方案？而量产规模又能否为模型迭代提供足够高质量数据？

答案尚未揭晓，但资本用真金白银投下的不同票，已清晰勾勒出两条并行演进的技术路线图。