Physical AI 创投热潮背后的隐忧：数据短缺与商业化困境
Physical AI（物理人工智能）是当前风险资本最追捧的领域之一，众多公司豪掷数十亿美元，试图将大语言模型时代的技术迁移至机器人赛道。中国的机器人龙头企业宇树科技（Unitree）在此背景下于科创板上市，估值一度高达 660 亿美元，一时风光无两。然而本周，股价暴跌，市值几乎腰斩。分析师指出，核心症结在于：机器人的硬件能力在进步，却仍无法真正完成具有商业价值的任务。
上周在旧金山举行的 Actuate 大会（聚焦机器人 AI「大脑」开发的开发者大会）上，热情与隐忧并存。组织方 Foxglove（一家帮助 Physical AI 模型开发者管理与可视化数据的公司）表示，会议规模较 2023 年首届翻了三倍，参会者达 1500 人。会场中，Avala 公司展台上的一块标语牌直指行业痛点：解决「机器人数据危机」。
「GPT-2 时代」：数据瓶颈与训练困境
这场危机的本质，是高质量训练数据的严重匮乏。构建能胜任任意任务的通用机器人仍遥不可及，端到端学习在特定任务上的表现也尚未达到可靠商业化水平。行业内的应对思路是向顶级 AI 实验室取经：寻找或构建更多样化的数据集、尝试不同的训练方案、设计更优质的强化学习场景。
初创公司 Antioch 创始人 Harry Mellsop 将 Physical AI 的现状比作「GPT-2 时代」——即 OpenAI 在 ChatGPT 诞生之前的模型阶段。他指出，跨越这个瓶颈需要更多数据和算力，尤其是擅长光线追踪的 GPU，用来生成高保真仿真环境。
无人驾驶领跑，通用人形困于实验室
目前走得最远的，是无人驾驶领域。原因不难理解：汽车行驶过程中能持续采集真实数据，且核心任务相对单一（避免碰撞），而非复杂的物理操控。因此，大量模型开发工具链实际上源自自动驾驶公司——Foxglove 就是由通用汽车旗下自动驾驶项目 Cruise 的前员工创办的。
如今，这些车企正试图将 ML 工具链上的积累，转化为与人形机器人厂商竞争的能力。特斯拉已在用 Optimus 机器人做尝试，Wayve 和 Uber 也先后启动了以人形为形态的机器人实验室。
Wayve CEO Alex Kendall 接受 TechCrunch 采访时表示：
我认为应该从车辆领域起步……操控类机器人就像五年前的自动驾驶。数据基础设施、仿真、ML ops 基础设施大体是相通的，但针对不同形态的 simulator world model 会有各自的 post-training 差异。共性远大于差异，但具体到不同形态时仍需调整。
Kendall 认为，现在就押注某一硬件平台还为时过早——传感器和其他组件的迭代速度很快，真正通用的模型应当对硬件形态保持 agnostic。但他同时也指出，最大规模的机器人部署目前仍是消费级扫地机器人，对消费者有吸引力的应用才是真正的「ChatGPT 时刻」，而不是让投资者兴奋。
垂直聚焦 vs. 通用路线：行业路线之争
「专注垂直场景」对投资人的吸引力在于，它不仅带来收入，更能提供真实世界的部署数据。任务专用数据虽然多样性不足，难以推动通用模型进化，却是让机器人真正创造价值的关键。
Genesis AI CEO Théophile Gervet 今年 4 月刚完成 1.05 亿美元种子轮融资。他认为：「现在谈大脑战略还太早，硬件与 AI 协同设计才是机会。」Gervet 进一步指出当前行业的一个核心困境：「没有客户在乎一台成功率只有 80% 的通用机器人。很多竞争者在走通用路线，但缺乏垂直聚焦就没有价值——可如果你的垂直方案是基于 GPT-2 构建的，将来也会被基于 GPT-4 的竞争者碾压。」 现实也确实印证了他的判断。专注光伏电站的 Gritt、工业场景的 Agility、无人驾驶挖掘机的 Bedrock——这些选择垂直路线的公司，机器人已经实际部署运营；而通用人形机器人多数仍困在实验室里。
Bedrock CTO Kevin Peterson 则表示，公司选择从挖掘场景切入，是为了理解「野外操控」的挑战，未来计划在此基础上开发覆盖系列工程机械的智能层。
算力军备竞赛：Nvidia Cosmos 入局数据管理
海量视觉与激光雷达数据的存储与管理本身也是难题。本周，Foxglove 宣布推出基于 Nvidia Cosmos 开源 world model 的新产品，允许工程师用高级自然语言查询检索数据，从而快速构建评测与仿真场景。目标很明确：加速数据 triage 与调试，让模型开发者更频繁地迭代。
评论