零营收估值200亿，资本到底在赌什么

200亿美元估值、零公开营收、还要再融至少10亿美元——Physical Intelligence把具身智能的估值水位，抬到了一个让中国投资人血压升高的高度。🤖 而大洋这一边，国内投资人正在催具身智能公司回答两个朴素的问题：客户是谁？商业模式是什么？这不是简单的泡沫之争，而是两套资产定价体系的分野：美国资本在买“物理AI时代的入口”，中国资本在买“能交付的制造业”。理解这个差别，才能看懂具身智能的钱从哪来、往哪去。

💰 零营收、200亿：这份账本里没有营收那一页

据彭博报道，Physical Intelligence（PI）正在洽谈至少10亿美元新一轮融资，目标估值约200亿美元，老股东Avenir和Lux Capital大概率领投。这家公司成立两年多，至今没有公开营收。

更有意思的是创始人Lachy Groom今年1月接受TechCrunch采访时的原话：“我不向投资人回答商业化问题。”连他自己都承认，投资人愿意容忍这件事，挺反常的。

反常吗？看它的账本怎么算就明白了。PI的创始阵容堪称豪华：Karol Hausman来自Google DeepMind，Sergey Levine和Chelsea Finn分别来自伯克利和斯坦福。但真正撑起200亿美元想象的，不是履历，而是它从第一天起就没押注任何一款本体——目标是训练一套跨任务、跨场景、跨本体的通用模型。

π系列模型就是这套野心的产品化。从π0到π0.7，PI一直在推高通用机器人大脑的能力边界。其中最关键的是π0.5：它让机器人进入训练数据里没出现过的厨房和卧室，完成收拾房间等长流程任务，把“泛化”从换一个物体、换一个位置，推到了换一个环境。

这就是按OpenAI的逻辑在算账：不看营收，看模型能力边界和入口位置。在美股资本的坐标系里，PI是一家“尚未变现的平台公司”，占据的是机器人产业最核心的那一层——大脑。一旦通用模型跑通，所有本体都是它的下游，这一层的定价可以用想象力撑起，而不需要用PS倍数去验证。

一句话：美国资本给PI的估值里，营收那一页是空白的，但入口那一页写得满满的。

🧭 同一条赛道，两套估值语法

投资圈里最近流传一个说法：人民币基金给具身智能项目做尽调，问题清单的第一页已经从“你的通用模型什么时候跑通”，变成了“你的客户是谁、商业模式是什么”。

一边给零营收的“大脑”200亿美元估值，一边催机器人赶紧出货——这背后其实是两套资产定价方式。美国资本把机器人大脑当成物理AI时代的产业入口，对标的是云计算、移动互联网的入口叙事；中国资本习惯把具身智能放进制造业的框架里，要求技术通过产线、订单和交付证明价值。

所以，同样是没收入，PI被理解成一家尚未变现的平台公司；国内大脑公司没收入，就很容易被归入另一类——商业闭环还没跑通。这差别非常之大。

但我要说句公道话：这不是认知高低的差距，而是两个市场的产业纵深不同。美国资本市场有给“入口”定价的传统，美元基金退出路径长、风险偏好高；中国资本的肌肉记忆来自制造业，见过太多“讲入口故事、死在交付上”的案例，天然要求用订单说话。

把全球主要玩家放进一张图里看，格局就更清楚了：

📊 注意一个细节：技术门槛最高的那一批（PI、大模型厂商）恰恰是商业化最不着急的，而商业价值兑现最快的整机厂商，技术门槛反而最低。这中间的空档，就是中国大脑公司必须跨过去的沟。

🏆 46.58分登顶：中国大脑换了一种证明方式

就在国内资本追问商业化的时候，另一条战线传来消息：Manifold AI流形空间登顶RoboDojo-Agent榜单。📊 榜单上，其WorldScape R²SI把分数拉到46.58，而备受关注的GPT-6 Astra才拿了28.97分——差了将近18分。

这个分差比数字本身更值得咀嚼。大模型厂商纷纷下场做机器人大脑，是最被看好的一条路径：有钱、有算力、有人才。但在具身智能的专项评测里，通用大模型被一个专注“机器人自进化”的技术路线拉开了身位。

这说明什么？机器人大脑不是大语言模型的自然延伸。🌐 大模型强在语言和符号世界，而具身智能的核心是物理世界的交互闭环：感知、行动、反馈、修正，再进入下一轮。Manifold AI主打的自进化路线，本质上是在赌“机器人在真实交互中自己变强”，而不是靠静态数据集堆出一个天花板。

对国内大脑公司来说，这是一种值得注意的打法调整：既然短期内营收证明不了自己，那就先用技术指标立标杆。这与美国路线其实有部分重合——先证明能力边界，再谈钱。PI的200亿估值，同样建立在π0.5“换环境泛化”的能力证明上，只不过PI用演示视频证明，中国公司用榜单分数证明。

当然要保持清醒：榜单分数不等于产业价值，中间还隔着工程化、可靠性、成本和交付。分数是入场券，不是终点站。但至少在“大脑”这个层级，中国团队已经拿出了一份能让国际同行坐直身体的答卷。

⚠️ 催出货没有错，但别把数据富矿催死了

回到国内语境。一位和多家大脑公司打过交道的一级市场人士私下感慨：现在国内大脑公司的BP第一页，已经从“通用机器人”改成了“已完成多个场景POC”。这不是怂了，是求生欲。

出货压力短期看很残酷，但放进产业逻辑里看，它未必是坏事。物理AI最稀缺的资源是真机数据——不是互联网文本，而是机器人在真实物理环境里交互产生的数据。中国最大的产业纵深，恰恰是制造业场景密度：产线、仓储、物流，这些是全球最大的数据富矿。如果出货能带来数据回流闭环，那么“催出货”本身，就是在给未来的通用大脑喂料。

破局路径大致可以拆成三组对应关系：

真正的风险在于极端化。如果资本只催出货，大脑公司被迫退化成本体厂商的外包算法团队，丢掉通用模型的长期叙事，那就等于把“入口层”拱手让给了PI们；反过来，如果只学美国讲入口故事、回避交付，又过不了人民币基金这道关。双轨并行——用订单锚养活现金流，用技术锚维持估值叙事——可能是未来两三年国内大脑公司的最优解。

⚡ 换个角度想：PI为什么敢不回答商业化问题？因为它赌的是通用模型跑通之后，所有本体厂都得来买它的大脑。中国公司不必复刻这个赌法，但完全可以赌另一局：全球最大的制造场景密度+最快的真机数据回流，是通用大脑必需的训练场。这一局，出海的AI公司反过来要跟中国场景要数据，不是不可能。

结语

两套定价体系，一个买入口，一个买落地，短期看是估值鸿沟，长期看更像是分工：美国资本在为“大脑”的下限兜底，中国制造在为“本体与场景”的规模铺路。当PI们需要真实场景数据、而中国本体需要通用能力的那一天，两条路线终会汇合。眼下真正值得盯的变量只有一个：谁的真机数据闭环先转起来——那才是物理AI时代真正的护城河。