Physical Intelligence欲把π模型做成机器人行业的通用“大脑”，Weave与Ultra现场自主率达96.4%

美国机器人AI初创公司Physical Intelligence于2026年2月24日首次系统阐述其商业逻辑。公司在题为《The Physical Intelligence Layer》的文章中提出，其通用机器人模型应成为可复用的“物理智能层”，其他企业在此基础上开发机器人产品，正如软件开发者如今通过API调用大语言模型而无需自行训练。为支撑这一主张，公司公布了两家使用π0.6模型的机器人企业Weave和Ultra的现场数据。

核心数字来自这两家伙伴。据Physical Intelligence介绍，在仓储机器人企业Ultra的一处客户现场，π0.6完成了一个完整班次的电商订单打包，自主率为96.4%。在家用机器人企业Weave的叠衣任务中，π0.6的自主时间占比高于上一代π0.5；将Weave自身数据纳入预训练后，连续抓取失败减少42%，每整批衣物的人工干预减少50%。公司未披露价格、API条款、上线时间，也未说明是否向伙伴开放模型权重。

发布内容

公司列出的候选模型包括π0、π0.5、π0.6和π*0.6。Physical Intelligence表示，其与专门从事机器人部署的企业合作，一方面验证模型在真实环境中的表现，另一方面检验模型在不同任务和场景中的通用性。在Ultra案例中，π0.6的打包成功率高于π0.5，加入Ultra预训练数据后每小时处理件数进一步提升，但绝对数值仅以图表呈现。公司还称正与“多家其他伙伴”合作，将于近期公布。

两家伙伴分处市场两端。Weave专注家用机器人，其官网显示，固定式叠衣机器人Isaac 0已在加州各地发货，家用机器人Isaac 1预计2026年秋季首批交付。Ultra生产可直接嵌入现有工位的工业AI机器人OP1。据Ultra介绍，OP1每天最多可连续24小时完成打包、分拣和配套，占地5x5英尺，负载最高10磅，使用标准120V插座，在纽约制造，并向客户提供三个月试用。

公司背景

Physical Intelligence由联合创始人兼首席执行官Karol Hausman领导。据2025年11月20日领投其B轮的Alphabet旗下成长基金CapitalG介绍，创始团队还包括Lachy Groom、Sergey Levine、Chelsea Finn、Brian Ichter、Quan Vuong和Adnan Esmail。投资方Outset Capital披露，该轮融资6亿美元，估值56亿美元，Lux Capital、Thrive Capital、Jeff Bezos、Index Ventures和T. Rowe Price参投。CapitalG称，π0.6通过指令、指导再到自主练习的方式学习，在制作意式咖啡、叠衣等任务上成功率超过90%。

竞争格局

这一构想使Physical Intelligence直接卷入“机器人大脑”供应之争。Skild AI于2026年1月以超过140亿美元估值融资14亿美元，主打一个模型驱动任意机器人本体。Rhoda AI于3月10日携4.5亿美元A轮走出隐身状态，其模型以互联网视频预训练，面向工厂机器人。Figure坚持自研Helix模型，不对外授权，1月发布了用于人形机器人全身控制的Helix 02。英伟达在CES上开放了GR00T N1.6，谷歌DeepMind则向硬件伙伴提供Gemini Robotics模型，德国Agile Robots于3月与其签署研究合作。

技术原理

这些模型属于视觉语言动作模型（VLA），输入摄像头画面和自然语言指令，输出电机控制命令。伙伴在自家机器人和任务上采集示范数据，对通用模型微调后部署。Weave与Ultra的结果显示，最大的提升来自将伙伴数据回流至Physical Intelligence的预训练。部署越多，基础模型越强，收益则沉淀在模型供应方。

一周后的3月3日，公司发布多尺度具身记忆系统MEM。据其与斯坦福大学、加州大学伯克利分校和麻省理工学院研究人员合著的arXiv论文，MEM为以谷歌Gemma 3 4B为语言骨干的π0.6加入压缩视频记忆和文本摘要记忆，记忆跨度最长可达15分钟，并演示了厨房清理、制作烤芝士三明治等长时任务。

对中国产业的意义

中国机器人企业在本体制造和供应链成本上具备优势，智元机器人于2026年3月30日下线第1万台人形机器人，而多数整机厂同时自研模型。若“买大脑、造身体”的分工在美国成立，中国厂商将面临选择：继续全栈自研，还是向国内外模型供应方开放现场数据。对于减速器、关节模组等零部件企业而言，采用通用模型的海外初创公司可能成为新的客户群，但数据跨境规则与中美技术管制可能限制中国整机厂直接接入美国模型。

风险与疑问

商业条款完全空白，成果来自两家伙伴的自述数据。一个班次96.4%的自主率意味着其余时间仍需人工协助。伙伴数据的归属、机器人端推理成本、模型失效时的责任划分均未披露。