Physical Intelligence 深度调研：31 亿美元级融资押注「机器人的 GPT 时刻」，π0.7 自陈未见任务成功率仅 60–80%，Pi API 定价与收入双双未披露

执行摘要

Physical Intelligence 是一家位于旧金山的机器人基础模型公司，2024 年由一支七人创始团队创立，成员来自 Google 机器人研究团队、UC Berkeley 与斯坦福。它不造机器人，它造的是别家公司机器人运行的模型层，并把这个模型层称为「物理智能层」——类比软件开发中直接调用基础模型 API 的方式。公司 2024 年 3 月携约 7,000 万美元种子轮（Thrive Capital 领投）走出隐身状态，此后累计融资在 19 亿–21.2 亿美元区间，共四轮，投后估值最一致的区间是 75 亿–112 亿美元。

关于这家公司最关键的事实是：它最新的一手技术文档，与外界对它的主流描述相矛盾。 2026 年 4 月 16 日的 π0.7 论文在一众前沿实验室里罕见地自我批评：它明确写出「已见任务成功率常常超过 90%，而未见任务或未见任务-机器人组合的成功率落在 60–80% 区间」；明确写出「在如此庞大且多样的数据集上训练时，** practically difficult** 地严格判定哪些任务真正算未见」，因为数据集里场景与行为太多，看似未采集的技能可能已经以别的形式存在于数据中；还报告了「把红薯装进空气炸锅」这类任务完全没有动作级训练数据，必须由人用语言逐步现场指导。中文二手报道对 π0.7 的转述密度很高，但这三条自陈限制几乎无人提及。它们本身就是分析。

第二个同样重要的事实是：公司的融资记录确实处于未定状态，而且不只是通常意义上的那种未定。公开记录中存在两条互斥的 Series C 观测，且无法调和。Forge 追踪的企业备案证书显示 2026-05-21 授权约 10.5 亿美元 Series C 股票，投后 111.9 亿美元，投资方列 Founders Fund、Lightspeed、Lux、Thrive；而 2026-07-01 的融资日报记录的是 8 亿美元 Series C，投后 75 亿美元，Thrive 领投并新增 NVIDIA 作为战略共同投资方；第三个数据源则记录 2026-07-12 一笔 10 亿美元、由 Jeff Bezos 领投、Founders Fund 参与的轮次。7 月的估值低于 5 月的备案估值——这正是它难解之处：后一轮的定价正常不会低于前一轮。累计融资则被分别表述为 18.7 亿 / 19 亿 / 约 21 亿 / 21.2 亿美元，且已完成四轮但公开宣布的只有三轮。

商业方向真实存在，但早期且单薄。2026-10-13 公司开放 Pi API beta：客户上传机器人演示数据 → 在 PI 自有算力上微调 → 通过托管推理网关调用调优后的策略。准入为候补名单、分批 onboarding。价格、计费单位、时延、最低承诺、免费额度全部未公开。已命名的早期落地具备商业含义：Actor 在犹他州以无人轮式装载机向自卸卡车装料（驾驶室内无操作员）；Almond 用双臂 Axol 机器人为 Axol 自身装配线去毛刺，迭代四天成型；伙伴 Weave 披露 π0.6 相比 π0.5 自主率显著提升，把 Weave 数据纳入预训练后漏抓序列减少 42%、人工干预减少 50%。公司同时公开承认部分站点存在网络连通性问题。

关于名称的提醒：Physical Intelligence（π）是一家独立公司，与 PSI（Physical Superintelligence剑桥虚拟物理实验室）、以及「物理 AI」这一通用术语都不同。两家「Physical」公司在二手报道中被频繁混为一谈，它们没有共同创始人、共同投资人、共同产品或共同融资史。本报告全程按独立实体处理。

公司概览

Physical Intelligence 成立于 2024 年，总部旧金山，公司自述办公地为 Mission District。官方自我描述是「一群工程师、科学家、机器人学家与公司建设者，致力于开发学习算法，创造一个能控制任何机器人执行任何任务的模型」，官网团队页罗列了八十余位具名成员，末尾以「and growing」收尾。

创始团队通常计为七人。在一手文档中反复出现的是来自 Google 机器人研究体系的 Karol Hausman、Brian Ichter、Quan Vuong、Adnan Esmail，在 UC Berkeley 任职的 Sergey Levine，在斯坦福任职的 Chelsea Finn，以及早期 Stripe 员工、后转为投资人的 Lachy Groom。公司从未发布正式的创始人头衔页，多数二手报道只列其中三人（Hausman、Levine、Finn）——这正是「创始人数」本身成为差异项的原因。

Karol Hausman 是 CEO，也是公共记录的主要出口。π0.5 的 2025 年论文作者列表包含 Hausman、Levine、Finn、Ichter；2026 年 4 月的 π0.7 论文作者列表约 87 人，上述成员全部在列。π0 论文发表于 Robotics: Science and Systems 2025。

员工人数有三套口径，差距大到任何单一数字都只能当作「估计的估计」：一份 2026 年产业报道称公司不足 80 人且无收入；一个基于公开职业社交数据追踪的数据库记录 2026-10-05 为 361 人；一个机器人领域目录给出 50–100 人区间，并把成立年份记为 2023；一家中国商业数据聚合平台列出 1,550 人——该数字与所有其他来源及公司自身名单都不相容。

公司形态是特拉华州普通公司（非公益公司），这一点与本次调研中的若干邻居不同——包括 Physical Superintelligence。无披露债务、无 IPO 备案、无股票代码。

常见误读：七个会改变结论的错误

1. 把估值当成单一数字。 公开记录中至少存在三条互不一致的 Series C 记录，指向不同方向。任何「Physical Intelligence 估值 110 亿美元」的表述，都只是悄悄选定了其中一条。正确的说法是：最可辩护的两个数字是——据私有市场证书记录，2026-05-21 授权约 10.5 亿美元 Series C、投后 111.9 亿美元；以及另据 2026-07-01 报道，8 亿美元 Series C、投后 75 亿美元、Thrive 领投、NVIDIA 参投。两者并列记录，不做合并。

2. 假定后一轮一定更值钱。 倾向于相信 111.9 亿，是因为它更大，且与 2026 年 3 月彭博「洽谈 110 亿美元以上估值」的报道吻合。障碍在于：75 亿的日期晚两个月，领投方结构也不同。要么二者是不同交易，要么其中一条有误。不能靠「选大的那个」来解决。

3. 把 π0.7 成功率记成 85–90%。 这个数字在二手报道中广泛流传，但论文里没有。论文原文写的是：已见任务成功率常超过 90%，未见任务或未见任务-机器人组合的成功率落在 60–80% 区间。尽调模型该用的是 60–80%，而且这正是作者自己写下来的数。

4. 把「未见」当成受控结论。 π0.7 作者明确说，在如此规模与多样性的数据上，严格判定哪些任务真正算「已见/未见」是「practically difficult」的——即使研究者没有刻意采集，数据中也可能已包含潜在相关技能。4 个未见厨房 + 2 个未见卧室、14 个指令跟随场景的评测是真实的，但它的强度弱于「未见环境」四个字所暗示的。

5. 把 π 系列当成一个模型。 π0 是 33 亿参数的 flow matching VLA（PaliGemma 主干 + 3 亿参数 action expert）；π0.5 换的是训练配方；π*0.6 是约 50 亿参数、用 RECAP 后训练的模型（演示 + 人工纠正 + 自主经验强化学习）；π0.7 是约 50 亿参数的可操控模型（Gemma3 4B 主干 + 8.6 亿参数 flow matching action expert）。这条演进线是真实且连贯的，但多数报道用一个「π0」笼统覆盖了四个实质不同、且权重开放状态不同的系统。

6. 把开源版当成当前模型。 openpi 仓库以 Apache-2.0 释出 π0、π0-FAST、π0.5 及 DROID/ALOHA/LIBERO 微调检查点。π0.6、π*0.6、π0.7 均未公开权重，而 Pi API 也没说明自己托管的是哪个版本。把「openpi 可用」读成「当前模型可用」，高估了两代。

7. 以为 π0.7 已在对抗性场景中被验证。 并非如此。PI 唯一主动参加的国际赛事 Benjie’s Humanoid Olympic Games，2026-04-10 被北京星动纪元在三项任务上刷新 PI 保持的纪录，PI 参赛用的是闭源的 π*0.6。剥橘子：PI 借助削皮刀 2 分 46 秒，星动纪元纯手 1 分 47 秒；开锁：66 秒 vs 49 秒；翻袜子：1 分 33 秒/176 样本 vs 1 分 04 秒/120 样本。该赛事的规则是挑战者须超越前纪录至少 25% 才能夺牌。

技术：π 系列逐代拆解

π0（2024-10）。 首个通用策略。架构是预训练 PaliGemma 视觉-语言主干 + 独立初始化的 3 亿参数 action expert（flow matching 目标），总计约 33 亿参数。论文写明预训练混合由两部分构成：公司自采的灵巧操作数据集（7 种机器人构型、68 类任务）+ 完整的 OXE 开源数据集（后者含 22 种机器人的数据）。自采部分约 10,000 小时演示数据。论文以 timesteps 计量混合比例，并写明开源数据占训练混合的 9.1%（含 OXE、Bridge v2、DROID）。动作块长度 H = 50，对灵巧任务可支持最高 50 Hz 控制，推理时对学习到的向量场积分 10 步。

π0-FAST（2025-01）。 改自回归，并提出 FAST（Frequency-space Action Sequence Tokenization）。其论证很具体：动作逐维独立分箱在高频灵巧任务上失效，因为相邻动作向量高度相关，独立分箱会产生极度冗余的 token 流。FAST 对动作块做逐维离散余弦变换（DCT）、剪掉低幅值的高频系数，再对整数序列做 BPE；结果是紧凑且近乎无损的分词，且只有两个超参数。通用分词器 FAST+ 在一百万条来自单臂、双臂与移动操作平台的动作序列上训练而成。主要收益是训练速度——同数据下比 flow matching 版快至多 5 倍，代价是推理成本约高 4–5 倍。π0 与 π0-FAST 的权重和代码于 2025-02-04 释出。

π0.5（2025-04）。 开放世界泛化模型，也是公司从架构竞争转向数据配方竞争的转折点。论文描述了在异构任务上的协同训练：多机器人数据、高层语义预测、网络数据与其他来源，训练样本是混合多模态的——图像观测、语言指令、物体检测、语义子任务预测与低层动作在同一条序列里。最直接相关的是约 400 小时移动操作数据，采自约 100 个不同家居环境；论文写明「仅用约 100 个训练环境后，模型即接近直接在测试环境上训练的 baseline」。语言跟随实测：分布内 follow 86% / success 83%；分布外 follow 94% / success 94%。

真正有用的是消融表。去掉网络数据：分布内几乎不变（86% / 82%），但分布外 follow 掉到 80%、success 掉到 74%；去掉跨本体数据：四项掉到 74 / 67 / 67 / 49%；去掉多环境非移动数据：掉到 66 / 57 / 33 / 31%。公司自己的结论是：网络数据对「泛化到分布外物体」影响最大，来自其他机器人的数据在所有评估条件下都重要。另外注意，分布外数字高于分布内不是笔误，而是评估设计的产物——把 94% 当作「π0.5 的数字」的读者，读到的是两个切分里更容易的那一个。

π*0.6（2025-11）。 强化学习模型，改变了可靠性叙事。方法是 RECAP（RL with Experience & Corrections via Advantage-conditioned Policies）。动机写得很直白：纯模仿会因误差累积而失败——夹爪位置偏一点、漏抓一次、碰倒一个物体，就会进入训练分布之外的状态，而模型在那种状态下更容易犯更大的错。RECAP 在演示之上加两类信号：专家遥操作纠正（专门修正机器人实际犯的错）与从自主经验中来的强化学习（用 advantage 条件化策略，让模型能分辨行为的好坏）。模型基于 50 亿参数 VLM + action expert，prompt 支持异构条件，包括期望执行质量与期望 action advantage。实测结果是：最难任务上吞吐量翻倍以上，失败率下降 2 倍或更多。演示均为长时连续运行：5:30 早至 11:30 深夜制作意式浓缩、在全新家居中折叠 50 种全新衣物、在真实工厂装配并贴标 59 个用于巧克力包装的纸箱。权重与训练代码未发布。

MEM 与 RLT（2026-03）。 两篇较短的官方文章。MEM（Multi-Scale Embodied Memory） 让模型同时具备长时与短时记忆，支持超过十分钟的任务。紧接着的 RLT 从 VLA 中抽取 RL Token，以少量几小时数据实现快速在线 RL，并提升精细操作任务的吞吐量。RL Token 这个思路之所以重要，是因为它直接击中了机器人 RL 后训练最大的成本 objections：真机数据采集慢且贵。

π0.7（2026-04）。 当前模型，也是公司输出中自我限定最严谨的一份文档。架构约 50 亿参数：从 Gemma3 4B VLM 初始化的主干（含 4 亿参数视觉编码器）、带时空压缩的 MEM 式视频历史编码器、以及 8.6 亿参数 flow matching action expert；采用 knowledge insulation（action expert 梯度不回流进 VLM）。真正的新东西是多样上下文条件化：prompt 里可以装语言任务描述、细粒度子任务指令、描述数据质量与策略的 episode metadata、控制模态标签，以及最多三张生成的子目标图像。子目标图像来自一个轻量世界模型，初始化自 BAGEL（140 亿参数 mixture-of-transformers 图像理解/编辑/生成模型），并用网络规模预训练与第一视角人类视频做增强。

其 dropout 设计是刻意且被文档记录的：子目标图像只出现在每个 batch 的 25% 样本中；有子目标图像时，子任务指令再丢 30%；episode metadata 整体丢 15%；各 metadata 分量各以 5% 概率单独丢弃。目的是防止模型依赖任何单一上下文通道。

三个 headline 结果需要与限制分开看。一是开箱即用的灵巧度：π0.7 在论文考察的全部任务上追平 π*0.6 发布时的 RL 专家模型，在最难的洗衣与装箱任务上吞吐量反超；同时在其他灵巧任务上紧贴基于 π0.6 的 SFT 专家。二是广泛的指令跟随：在 14 个指令跟随场景（每个场景 3–6 步开放式指令，跨 4 个未见厨房 + 2 个未见卧室）中，π0.7 显著优于 π0.5 与 π0.6 并取得高绝对成功率，叠加子目标图像的变体进一步领先。三是零样本跨本体迁移：双臂 UR5e 在没有为该机器人采集任何洗衣折叠数据的情况下折叠 T 恤，论文报告其任务进度匹配最有经验的人类遥操作员的零样本表现——对照实验为 10 名操作员、跨全部机器人平均 375 小时遥操作经验、全部位于经验池前 2%，且无人此前在 UR5e 上做过该折叠任务。

而限制就在同一篇论文里。 未见任务或未见任务-机器人组合的成功率落在 60–80%，而已见任务常在 90% 以上。作者承认在如此规模与多样性的数据上严格判定哪些任务真正算未见是「practically difficult」的——部分泛化实验用的任务他们并未刻意采集，但数据中可能已包含潜在相关技能。而且部分任务本质依赖人工指导：「把红薯装进空气炸锅」这类任务没有任何动作级训练数据，模型必须跟随人类实时的逐步语言指令；此后这些语言指导数据可被用于把 π0.7 微调成一个高层策略，映射观测、任务描述与子任务历史到下一个子任务指令。因此系统的自主度在「训练过的任务族」与「完全没训过的任务」之间从接近全自动一路掉到接近零，中间由人在回路里搭桥。

产品与商业模式：Pi API beta 与伙伴的经济账

2026-10-13，PI 以《Frontier Models for Every Robot》为题开放 Pi API beta。工作流是：在你自己的机器人上录演示 → 在 PI 运营的算力与基础设施上微调 → 通过托管推理网关在作业时调用调优后的策略；再收集失败样本与评测数据驱动下一轮迭代。其框架是：机器人团队不该在把一个学习到的技能装到自家机器人上之前，先去组建一个机器学习基础设施团队——就像应用开发者直接调语言模型 API。

没公布的，和公布的一样重要。 准入是候补名单 + 分批 onboarding；申请表会问「云端、本地还是都要」，但并未确立本地可用性。无公开训练费率、无推理费率、无计费单位、无预留容量定价、无失败运行计费政策、无存储与传输费、无最低承诺、无免费额度。无时延指标、无支持硬件清单。发布内容以 π0 与 π0.5 作为基础提及，但没有说明 beta 服务的是哪个版本，而 openpi 检查点明确不能证明 beta 端点的身份。公司自己的材料声称微调更数据高效、伙伴能力更强，但没有公开任何数字支撑。

已命名的早期落地确实说明这不只是实验室演示：Actor（犹他州重型机械公司）以无人轮式装载机装料并向自卸卡车装载，公司称为商业部署、驾驶室内无操作员；Almond（旧金山机器人厂商）用其双臂 Axol 机器人为 Axol 自身装配去毛刺，用 API 迭代四天做出模型。另列名 AgRobotics、CloudChef、Ultra、Weave、Chef Robotics、Deft、Formic、General Instinct、Argon Robotics、Dream Machines、Foundry、Frontier Machines、Intuition.dev、Omakase、robot.com、Yondu 及一家未具名乳品伙伴，但多数未给任务细节。部署点位横跨日本、瑞士与美国的多个站点，多数运行云端托管推理。

有一个运营细节被公司主动披露，且是真实部署风险：PI 承认部分伙伴遇到网络连通性问题。对覆盖不稳定的工厂、仓库或农场而言，链路断开时机器人怎么办是决定性问题，而公司目前尚未公开回答。

公司手里最有用的商业证据，其实不在 API，而在两个于 2026-02-24《The Physical Intelligence Layer》一文中由伙伴自己撰写的合作段落里。Weave（家用机器人厂商，机器人部署在湾区客户自助洗衣店）披露：π0.6 相比 π0.5 显著提升自主率；把 Weave 自身数据纳入预训练后，漏抓序列（连续两次以上）减少 42%、每整筐衣物的人工干预减少 50%，折叠一整筐衣物耗时 30–90 分钟。Ultra（电商订单包装工业机器人厂商）披露：π0.6 在客户现场整班 96.4% 自主率，加入 Ultra 自身预训练数据后吞吐量进一步提升；并定性指出 π0.6 能把复杂流程拆成更小的自主子任务、在边缘情形下调用更多样化的恢复策略。Ultra 另于 2026 年 10 月披露完成 5,000 万美元 A 轮（Framework Ventures 领投），累计 6,200 万美元，以「机器人即服务」方式在仓库部署基于 PI 模型的拣选机器人。这些是写在 PI 官网上的、由伙伴撰写的运营指标——强于厂商自说自话，但仍不构成独立验证。

竞争格局

PI 位于模型层，其论点是：模型层应当硬件无关，而硬件层则拥挤且正在整合。竞争者分四类。

直接同赛道的通用模型对手。 Skild AI（匹兹堡，由 CMU 机器人研究所孵化）是最接近的类比对象，在已披露的商业指标上也走得最远：Skild 披露在首次商业部署十个月后跨过 1 亿美元 ARR，60+ 付费客户，约 5,000 万美元已确认收入，其中约 90% 来自操作类任务、10% 来自移动类（含 2026-04 收购的 Zebra Technologies 机器人业务）。2026 年 1 月 14 亿美元 C 轮由 SoftBank 领投、估值 140 亿美元以上；2026 年 8 月的 S1 模型支持从单个视频示例做上下文学习、不更新权重。Skild 自己的论述值得注意，因为它是直指 PI 位置的：它主张部署才是机器人研究的隐藏支柱，看 demo 视频不等于相信。PI 没有任何可比的收入披露。

平台与超大厂对手。 Google DeepMind 的 Gemini Robotics 按 2026 年 10 月的报道被定位为面向多家机器人厂商的可授权「Android 式」平台，而非垂直整合硬件路线。NVIDIA 的 Isaac GR00T N1.7 是当前模型中领先的开放选项：约 30 亿参数、代码 Apache-2.0、权重走 NVIDIA Open Model License，并绑定庞大的硬件伙伴生态。这两家的优势是分发，劣势是与自家平台绑定。

位置尴尬的前沿实验室系玩家。 OpenAI 同时是 PI 的投资方（至少自 2024 年 3 月起）与竞争者（2026 年 5 月底正式宣布 OpenAI Robotics）。Anthropic 本身不做机器人，但 2026 年已有四笔已知收购，并于 2026-06-01 秘密提交 IPO 备案，据报道曾在 2026 年春季与 PI 洽谈收购。把话说明白：一家前沿实验室洽谈收购领先的机器人模型公司，而其头号竞争对手同时持有这家公司股份——这是资本结构与战略上的现实张力，不是假设。

硬件侧与邻近玩家。 Figure AI 约 390 亿美元、1X 约 100 亿美元、AgiBot（GO-2）、Generalist（GEN-1.5）、Sunday Robotics（融资 1.65 亿、估值 11.5 亿）、FieldAI（1.35 亿美元以上收入与合同、30+ 客户）、Unitree 约 280 亿美元。FieldAI 是商业模型上与 PI 最直接的可比对象，且其公开的商业体量显著大于 PI。

基准问题。 机器人基础模型不存在公认的标准基准。各家自选任务评测，而 π0.7 作者「无法严格区分已见/未见」的自我承认，是这个底层困难最锋利的公开表述。这也是第三方登记库判定 π*0.6 与 π0.7 的头条数字均为厂商自报、未被独立复现的原因，也是「未发现任何经核实的第三方生产部署」这一记录在此处格外重要的原因。

融资

公开记录为四轮（三轮公开宣布 + 一轮备案）。

种子轮，2024-03-12。 证书记录：融资 6,965 万美元，投后 4.2499 亿美元，每股 34.63 美元，投资方列 Anti Fund、Flat Capital、Jeff Bezos、Khosla Ventures、Lux Capital、OpenAI、Outset Capital、Sequoia、Thrive Capital，Thrive 领投。媒体口径约 7,000 万美元 / 约 4 亿美元。

Series A，2024-11-04，在 π0 发布八个月后。证书记录：融资 3.9868 亿美元，投后 24 亿美元，每股 134.70 美元，另有 Series A-1 追加 467 万美元（每股 35.00 美元）。投资方名单很长，含 Amazon Industrial Innovation Fund、Bezos Expeditions、Bond Capital、OpenAI、Redpoint、Samsung Electronics、Sequoia 等，由 Jeff Bezos、Thrive、Lux 领投。CNBC 报道 24 亿美元投后，路透社则记 20 亿美元——这个差距至今未获调和。

Series B，2025-11-20，与 π*0.6 同周。证书记录：融资 5.9993 亿美元，投后 56 亿美元，每股 271.56 美元，CapitalG 领投，老股东 Lux、Thrive、Jeff Bezos 回投，新增 Index Ventures、T. Rowe Price，以及 137 Ventures、Abstract Ventures、Alkeon、Alpen、Astro Capital、Black Box Ventures、Emergence Equity、Factorial Funds、G Squared、Hanwha Impact、Mangusta Capital、Positive Sum、Trust Ventures 等。中国一家商业数据聚合平台记录了同一轮 6 亿美元与 T. Rowe Price / Lux / CapitalG，但日期记为 2025-11-21、轮次记为 B 轮——轮次字母对、日期差一天。

Series C 是记录分叉的地方。 证书记录（2026-05-21）显示融资 10.5 亿美元、投后 111.9 亿美元、每股 502.90 美元，列 Founders Fund、Lightspeed Venture Partners、Lux、Thrive。公司既未宣布该轮，也未公布领投方。 这与 2026-03-27 彭博报道直接对应——PI 正洽谈约 10 亿美元、估值 110 亿美元以上的融资，Founders Fund 预计加入、Lightspeed 在谈，条款仍可能变化。另行，2026-07-01 的融资日报记录 8 亿美元 Series C、投后 75 亿美元、Thrive 领投，投资方含 Jeff Bezos、Sequoia、OpenAI Startup Fund、Redpoint、Bond Capital、Lux、Khosla 与 NVIDIA。第三个数据源记录 2026-07-12、10 亿美元、Jeff Bezos 领投、Founders Fund 参与。

累计融资因此有四种表述：7 月 1 日日报按其记录的四轮相加为 18.7 亿美元、同一站公司页显示 19 亿美元、一份研究综述称约 21 亿美元、证书平台称 21.2 亿美元。最关键的区别在「累计」与「已公开宣布」之间：公开宣布的约 10.7 亿美元、三轮，而第四轮约 10.5 亿美元只见于备案文件。

证书记录上的估值轨迹是 4.2499 亿 → 24 亿 → 56 亿 → 111.9 亿美元，26 个月里约 26 倍，而全程没有任何商业产品。

DISCREPANCIES

1. Series C 规模与估值：10.5 亿美元 @ 111.9 亿美元 vs 8 亿美元 @ 75 亿美元 vs Bezos 领投的 10 亿美元。 证书平台记录 2026-05-21 授权约 10.5 亿美元 Series C 股票、投后 111.9 亿美元，投资方为 Founders Fund、Lightspeed、Lux、Thrive；7 月 1 日融资日报记录 8 亿美元、投后 75 亿美元、Thrive 领投、NVIDIA 作为战略共同投资方加入；第三个数据源记录 2026-07-12 的 10 亿美元、Jeff Bezos 领投、Founders Fund 参与。裁定：三条独立观测，不合并。 来源等级：备案派生记录与融资追踪平台，公司从未官宣任何 Series C。

2. 7 月估值低于 5 月估值。 7 月 1 日的 75 亿比 5 月 21 日的 111.9 亿低 33%，而时间晚约两个月。后轮定价正常不会低于前轮。裁定：这处内部次序矛盾，是「两条记录描述不同交易」或「其中一条有误」的最强论据；不能靠偏好更大的数字来解决。 来源等级：两者均未获公司确认。

3. 领投方冲突：Thrive Capital vs Founders Fund 与 Lightspeed。 证书记录（5 月 21 日）列 Founders Fund、Lightspeed、Lux、Thrive；7 月 1 日日报则以 Thrive 领投，投资方结构不同且新增 NVIDIA，总额也不同。裁定：不可调和，并列记录。 来源等级：证书记录 vs 融资日报数据库。

4. 累计融资：18.7 亿 vs 19 亿 vs 约 21 亿 vs 21.2 亿美元。 7 月 1 日日报按其记录的四轮加总为 18.7 亿，同一站公司页显示 19 亿；研究综述称约 21 亿；证书平台称 21.2 亿。裁定：21.2 亿（证书派生加总）与约 10.7 亿（仅公开宣布）两个数字在不同问题上各自成立，中间几个数字的差异主要来自各自假定了哪一笔 Series C。 来源等级：全部为数据库派生，不存在公司确认的累计口径。

5. 已完成轮数 vs 已公开宣布轮数。 文档化的是四轮，公开宣布三轮，第四轮只见于备案。一份研究综述明确区分「累计约 21 亿」与「公开宣布约 10.7 亿」。某商业数据库显示「1 轮 4 亿美元、Series A」，属直接错误。裁定：完成四轮、宣布三轮。

6. Series A 估值：24 亿美元 vs 20 亿美元。 证书记录为 2024-11-04 投后 24 亿美元；CNBC 报道 24 亿，路透社记 20 亿。裁定：证书数字为一手记录；路透社数字是同期报道，未说明推导。 来源等级：备案 vs 媒体。

7. Series B 日期与估值：2025-11-20 @ 56 亿 vs 2025-10-14 @ 55 亿 vs 2025-11-21 的 6 亿美元。 证书平台与多家媒体给 11-20 与 56 亿；某 Pre-IPO 估值追踪平台给 2025-10-14 与 55 亿；中国商业数据聚合平台给 2025-11-21 与 6 亿美元（无估值）。裁定：证书日期与估值为一手记录，追踪平台数字为派生估算。 来源等级：备案 vs 派生数据库。

8. 种子轮估值：4.2499 亿美元 vs 约 4 亿美元 vs 未记录。 证书记录为 2024-03-12 投后 4.2499 亿美元、每股 34.63 美元；媒体口径约 4 亿；某 Pre-IPO 平台只记金额不记估值。裁定：采用证书数字。

9. 成立年份：2024 vs 2023 vs 2023 年 11 月。 公司 2024 年 3 月走出隐身，多数来源给 2024；某机器人目录记 2023，并把种子轮记为 2023 年 11 月、Series A 记为 2024 年 11 月 7,000 万美元、Series B 记为 2025 年 11 月 6 亿美元——轮次与年份的对应被打乱。裁定：成立于 2024 年，种子轮 2024 年 3 月。 来源等级：该目录记录在每一行上都与证书记录内部矛盾。

10. 员工人数：不足 80 vs 361 vs 50–100 vs 1,550。 2026 年 3 月的一份融资报道称不足 80 人且无收入；追踪公开职业社交数据的商业数据库记录 2026-10-05 为 361 人；某机器人目录给 50–100 区间；中国聚合平台列 1,550 人。公司官网自身罗列八十余人具名。裁定：公司具名名单与职业社交数据计数是两个有意义的数字，二者差距最可能是「具名贡献者」与「全体员工」之差；1,550 与所有其他来源及公司自身名单均不相容。 来源等级：公司官网、数据库估算，以及一条与全部其他来源矛盾的聚合平台记录。

11. 创始团队规模：7 人 vs 3 人。 π0.5 与 π0.7 作者列表、公司官网及多篇写作支持七位共同创始人：Hausman、Ichter、Vuong、Esmail、Levine、Finn、Groom。多数二手报道只列 Hausman、Levine、Finn。裁定：七位共同创始人，其中三位被多数报道引用。 来源等级：一手公司文档。

12. π0.7 未见任务成功率：60–80% vs 85–90%。 论文写明未见任务或未见任务-机器人组合成功率落在 60–80%，已见任务常超 90%。85–90% 出现在二手评论中，论文中没有。裁定：60–80% 是论文自己的数字，应当采用。 来源等级：一手论文。

13. 「未见」这一主张的强度。 论文讨论部分自陈：在如此规模与多样性的训练数据上，严格判定哪些任务真正算已见/未见是「practically difficult」的；即便研究者未刻意采集某个泛化实验所用的任务，数据中也可能已包含潜在相关技能。二手报道则把「4 个未见厨房 + 2 个未见卧室」的评测呈现为干净的泛化结果。裁定：评测真实，但其射程窄于该框架所暗示的程度。 来源等级：一手论文（自陈限定）。

14. 开放权重可得性 vs 当前模型。 openpi 以 Apache-2.0 释出 π0、π0-FAST、π0.5 及 DROID/ALOHA/LIBERO 微调检查点；π0.6、π*0.6、π0.7 无公开权重，Pi API 也未说明所服务版本。有一处来源把 π0 的开放发布记为 2025-02-04，与公司公告一致。裁定：开放线止于 π0.5，其后两代仅论文可得。 来源等级：仓库文档与多个二手登记库一致。

风险与尽调缺口

收入完全未披露，且这种缺失是结构性的。 公司不以常规方式销售产品，从未公布收入、ARR、客户数、合同额或在手订单，Pi API 也完全没有公布价格。目前最接近的代理指标是伙伴方披露的运营数据：Weave 场景下 Ultra 的整班 96.4% 自主率，以及 Weave 处 42% 与 50% 的改进。这些是伙伴业务的运营指标，不是模型公司的收入。

竞争基准在结构上不可信、无法判定。 机器人基础模型没有公认标准基准，各家自选任务，而 π0.7 作者自己在自家数据上都无法严格区分已见与未见。这使所有跨厂商的能力比较（包括本报告竞争章节中的各项断言）结构性地薄弱。

公司已经输掉过一场公开的能力竞赛。 Benjie’s Humanoid Olympic Games 是 PI 唯一主动参加的国际赛事，2026-04-10 星动纪元在三项任务上刷新 PI 保持的纪录，成为该赛事榜单上唯一的中国具身企业。夺牌门槛是超过 25%，而胜出方的优势与之相当或更大。任何把 PI 描述为模型层无可争议领袖的叙述，都必须先解释这一结果。

开放与封闭的界线已经不利于公司。 论文成果最亮眼的两代模型——π*0.6 与 π0.7——恰恰是外部无法检视、运行与复现的那两代。Pi API 又不说明自己托管哪个版本。客户购买的是托管微调与托管推理，即一个未公布价格的不透明产物。

网络依赖是未解决的生产风险。 公司自身披露部分伙伴遇到网络连通性问题，而多数早期部署运行云端托管推理。时延敏感场景与覆盖不稳定的站点，恰恰是云端托管机器人策略最难落地的地方。

融资记录不够干净，无法据此定价。 一轮未官宣、无领投方公布的融资，加上两条在日期与估值上双双冲突的后续观测，再加四种累计口径——任何与 Skild AI（140 亿以上）、Figure AI（约 390 亿）、1X（约 100 亿）的估值对比，都建立在「选了哪条记录」之上。

Anthropic 事件没有关掉战略问题，只是把它留在了开放状态。 The Information 报道 Anthropic 与 PI 确曾于 2026 年春季进行收购接触；引发刷屏的「Anthropic 要买下 PI」传闻被 CEO Karol Hausman 通过一条带「摇头 GIF」的 Slack 消息向员工否认。这两件事并不冲突：否认「正在被收购」不能排除此前有过接触；而 OpenAI 既有持股（可能附带信息权或优先拒绝权）会让卖给竞争对手变得复杂。接触破裂的原因无人报道。

值得点名的文档缺口：公司不发布团队页或创始人头衔页，官网 /team 路由返回 404，可用替代是招聘页；没有公布任何价格、时延、SLA 或支持硬件清单；没有披露自己的收入、客户名单或部署数量；没有任何 headline 结果的独立复现。

综合评估

仅就论文质量而言，Physical Intelligence 是机器人基础模型领域最强的研究组织，而这是一个很高的门槛：22 个月里四代模型，每一代都对应一个针对上一代具体缺陷的具体技术主张；首个版本披露的数据规模是约 10,000 小时、7 种机器人构型、68 类任务；π0.5 给出了一张把网络数据、跨本体数据、多环境数据的贡献分离开的消融表；π*0.6 的强化学习配方针对的是模仿学习无法解决的误差累积问题；而当前模型在能力提升的同时，对自己边界的自陈比这一领域任何同类出版物都更诚实。

商业面则完全相反。 无收入、无价格、无 SLA、无支持硬件清单、无客户名单，模型线最新两代无权重。Pi API 是真实产品，有建筑、土方、制造、洗衣、包装场景的真实伙伴落地，伙伴方披露的运营指标也确实是积极的——但那些指标属于伙伴，不属于模型公司。同赛道最接近的对照对象 Skild AI 已公开 1 亿美元 ARR、60+ 付费客户与约 5,000 万美元已确认收入，PI 一项都没有。如果 PI 是更好的研究实验室，那么 Skild AI 目前有更好的生意；75 亿 vs 111.9 亿 vs 140 亿的估值差，靠研究是补不上的。

什么会改变这一判断： 一份公开的 Pi API 费率表与明确的计费单位，连同它所服务的模型版本；一个以开放权重发布的具名模型版本，从而恢复外部可验证性；第三方对 π0.7 泛化结果的复现，或至少有一个非 PI 自身用来评测 π0.7 的标准基准；一轮公布领投方的已确认 Series C，以厘清估值记录；以及——在 Benjie’s Olympics 之后——一场 PI 主动选择的竞技性结果。

参考资料

1. Physical Intelligence，〈pi0: A Vision-Language-Action Flow Model for General Robot Control〉，arXiv:2410.24164，2024 年 10 月，2026 年 1 月修订，发表于 Robotics: Science and Systems 2025。
2. Physical Intelligence，〈π0.5: a Vision-Language-Action Model with Open-World Generalization〉，arXiv:2504.16054，2025 年 4 月。
3. Pertsch、Stachowicz、Ichter、Driess、Nair、Vuong、Mees、Finn、Levine，〈FAST: Efficient Action Tokenization for Vision-Language-Action Models〉，arXiv:2501.09747，2025 年 1 月。
4. Physical Intelligence，〈π*0.6: a VLA that Learns from Experience〉，arXiv:2511.14759 与公司博客，2025 年 11 月 17 日。
5. Physical Intelligence，〈π0.7: a Steerable Generalist Robotic Foundation Model with Emergent Capabilities〉，公司技术报告，2026 年 4 月 16 日。
6. Physical Intelligence，〈VLAs with Long and Short-Term Memory〉，公司博客，2026 年 3 月 3 日。
7. Physical Intelligence，〈Precise Manipulation with Efficient Online RL〉，公司博客，2026 年 3 月 19 日。
8. Physical Intelligence，〈The Physical Intelligence Layer〉，公司博客（Weave 与 Ultra 撰写合作段落），2026 年 2 月 24 日。
9. Physical Intelligence，〈Frontier Models for Every Robot〉，Pi API beta 发布公告，2026 年 10 月 13 日。
10. Physical Intelligence，〈Open Sourcing pi0〉，公司博客与 openpi 仓库文档，2025 年 2 月 4 日。
11. Forge Global，Physical Intelligence Pre-IPO 估值与各轮证书记录（2024 年 3 月种子轮、2024 年 11 月 Series A 与 A-1、2025 年 11 月 Series B、2026 年 5 月 Series C）。
12. Revenue Memo，〈Physical Intelligence funding: Every round, investor, and valuation〉，2026 年。
13. FundBat，〈Daily Funding Roundup: July 1, 2026〉及 Physical Intelligence 公司页。
14. 彭博关于洽谈约 10 亿美元、估值 110 亿美元以上融资的报道，由 TechCrunch、Tech in Asia 等转载，2026 年 3 月 27 日。
15. The Information 关于 Anthropic 与 Physical Intelligence 于 2026 年春季接触收购的报道，由 TechCrunch 转载；以及关于 Karol Hausman 否认传闻的报道，2026 年 7 月 21 日。
16. 北京青年报、北京商报等中文媒体关于星动纪元在 Benjie’s Humanoid Olympic Games 夺三项全球第一、刷新 Physical Intelligence 纪录的报道，2026 年 4 月 10–11 日。
17. Skild AI，〈The Hidden Pillar of Robotics〉，关于跨过 1 亿美元 ARR 的公司博客，2026 年 9 月 10 日。
18. EmbodiedWire，〈Robot foundation models compared: GR00T, Gemini Robotics, pi, Helix and the rest〉，2026 年 9 月 28 日。
19. Benjie’s Humanoid Olympic Games 赛事规则与任务说明。

本报告基于公开信息整理，包括公司论文、官方博客、企业备案记录、伙伴撰写的案例、赛事结果与媒体报道。DISCREPANCIES 项下引用的数字按独立观测分别记录，不做合并。本报告仅供参考，不构成任何投资建议。