机器人融资创纪录：Physical AI 的资本叙事开始重写规则
机器人融资创纪录：Physical AI 的资本叙事开始重写规则
2026年6月22日，Crunchbase News 发布了一份让很多人沉默的报告。
沉默，不是因为数字不够大，而是因为它打破了过去18个月科技投资圈里一个隐性共识——真正的钱，还是在软件里。这份报告显示，2026年机器人创业公司风险融资额已达到历史新高，延续并超越了此前的纪录水平，将物理AI赛道推向了一个新的资本密度区间。根据 Crunchbase News 2026年6月22日的报告，该报告确认数据已创历史记录，但未在报告中披露具体融资总额。（来源：Crunchbase News，2026年6月22日）
与此同时，就在报告发布的17天前，一家名为 Generalist AI 的公司宣布完成4亿美元融资，专注于具身智能与数据飞轮的构建。（来源：TechCrunch，2026年6月5日）这笔融资本身不是孤例——它是2026年上半年机器人与物理AI赛道密集融资事件中的一个节点。
问题不是”机器人为什么又火了”。机器人赛道每隔几年都会有一波热度，然后冷却，然后再热。真正值得追问的是：这一次，资本的底层逻辑是否已经发生了结构性改变？如果改变了，谁在赢，谁在输，以及这场游戏的终局是什么？
一、软件AI的降温与物理AI的升温：一个看似矛盾的资本信号
理解2026年机器人融资创纪录，必须先理解它发生的背景——这个背景本身充满张力。
过去两年，大型语言模型（LLM）赛道的融资格局正在悄然变化。顶层的资本仍然集中，但中间层——那些试图在纯软件AI应用层建立护城河的初创公司——正面临越来越强的估值压力。原因很简单：当底层模型能力以每12-18个月一次的速度跃迁，建立在某个特定模型能力水平上的软件应用，其差异化优势的保质期正在缩短。
资本是嗅觉最灵敏的动物。它在寻找下一个”护城河足够深、模型能力跃迁无法直接颠覆”的赛道。
物理AI，或者说具身智能（Embodied Intelligence），恰好满足了这个条件。
VentureBeat 在2026年6月的分析报告中指出，2026年物理AI的投资高度集中在2个方向：人形机器人与操作型机器人（manipulation robots），驱动这一集中的核心论题是”LLM + 具身”——大语言模型提供认知与规划能力，机器人本体提供物理执行能力。（来源：VentureBeat，2026年6月）这个组合的逻辑，比任何纯软件应用都更难被下一代基础模型直接替代，因为它的壁垒有一半在现实世界的物理层：硬件设计、执行器调校、传感器融合、真实世界数据采集。
但这里有一个值得深究的反直觉点：物理AI的融资爆发，并不是因为硬件问题被解决了，而恰恰是因为软件问题被解决了。
二、为什么偏偏是2026年？三重技术就绪度的汇聚
每一次资本的集中涌入，背后都有技术就绪度的门槛被跨越。2026年机器人融资创纪录，不是偶然，而是3个技术曲线在同一时间窗口内交汇的结果。
2.1 LLM 突破：给机器人装上了真正可用的”大脑”
在大语言模型出现之前，机器人的”智能”本质上是规则系统加强化学习的组合。它可以在受控环境中完成特定任务，但面对开放世界的语义理解、任务规划和异常处理，能力极为有限。
LLM 改变了这个等式的左边。当一个机器人系统可以通过自然语言理解任务指令、通过视觉语言模型（VLM）理解场景语义、通过链式推理（chain-of-thought）分解复杂任务步骤，它的泛化能力出现了质的飞跃。这不是渐进式的改进，而是一个范式转换。
英伟达的 Jensen Huang 在多次公开演讲中将物理AI描述为”下一波浪潮”，英伟达随之推出了 GR00T 基础模型——专门为人形机器人设计的基础模型，以及 Isaac 机器人开发平台，提供仿真、训练和部署的完整工具链。（来源：英伟达 Isaac 官方文档；英伟达 GTC 2024-2026 主题演讲）GR00T 的核心设计理念是：机器人不应该为每一个新任务从头训练，而应该像LLM一样，通过预训练获得通用能力，再通过少量数据微调适应具体场景。
这个类比不只是营销话术。它代表了一种真实的技术路径转变——从”为每个任务写程序”到”为每个任务微调模型”。后者的规模化成本曲线，远比前者平坦。
2.2 末端执行成熟：硬件成本曲线的拐点
即使有了优秀的”大脑”，如果执行器（actuator）、传感器和机械结构的成本依然高不可攀，大规模商业化就无从谈起。
这里有一个关键的结构性变化：过去5年，驱动机器人本体成本下降的力量，并不主要来自机器人行业本身，而来自两个意想不到的供应链——电动汽车和消费电子。
电动汽车行业对高精度电机、减速器、电池管理系统的大规模需求，将这些零部件的单位成本压缩到了历史低点。消费电子行业对IMU（惯性测量单元）、深度摄像头、边缘计算芯片的需求，同样带动了传感器成本的大幅下降。人形机器人和操作型机器人所需的核心零部件，正在搭便车享受这两条供应链的规模效应。
根据多家人形机器人公司（包括 Unitree、KEPLER 等）在公开产品发布会和投资者沟通中的表述，具备基础操作能力的机器人本体物料成本（BOM cost）相比5年前已出现显著下降，部分公司声称降幅达到40%-60%。（注：此数据来源为公司公开口径，非经第三方审计的精确数字，实际降幅可能因产品规格不同而存在差异。目前无法独立验证上述具体降幅数字，但多家机构分析报告均指向同一方向性趋势。）这一趋势为规模化商业部署创造了经济可行性的前提条件。
2.3 数据飞轮的逻辑开始成立
这是2026年最重要、也最容易被忽视的变化。
在机器人领域，数据一直是瓶颈。训练一个能够泛化的操作策略，需要大量真实世界的机器人操作数据——而这些数据只能通过实际部署的机器人来采集。这构成了一个经典的先有鸡还是先有蛋的困境：没有数据就没有好模型，没有好模型就没有部署，没有部署就没有数据。
Generalist AI 的4亿美元融资，其核心论题正是”具身智能与数据飞轮”。（来源：TechCrunch，2026年6月5日）这个表述意味着：公司的核心战略不只是造机器人，而是通过早期部署建立数据采集优势，用这些数据训练更好的模型，再用更好的模型部署更多机器人，形成正向循环。
这个逻辑，与互联网时代的网络效应、移动互联网时代的用户数据飞轮，在结构上是同构的。资本对这种逻辑有天然的亲近感——它意味着先发优势可以被持续放大，而不是被下一个竞争者轻易复制。
值得注意的是，仿真技术（sim-to-real transfer）的进步正在部分缓解数据瓶颈。据 IEEE Robotics and Automation Letters 2025年发表的多篇论文，基于高保真仿真环境预训练后再用少量真实数据微调的方法，已在多个操作任务上展现出与纯真实数据训练相当的性能。（来源：IEEE Robotics and Automation Letters，2025年）这意味着数据飞轮的启动门槛正在降低——但真实世界数据的不可替代性，在长尾场景和异常处理中依然是核心壁垒。
三、谁在赢这场赛跑：人形 vs 工业机器人，美国 vs 中国
3.1 人形机器人：资本的宠儿，但商业化的难题
VentureBeat 在2026年6月的分析中显示，2026年物理AI投资高度集中在人形机器人领域。（来源：VentureBeat，2026年6月）这个集中度，从商业逻辑上说，既有道理，也有隐患。
有道理的部分：人形机器人是唯一一种可以直接适配人类已经为人类设计的物理环境的机器人形态。工厂、仓库、医院、家庭——这些空间的门把手、楼梯、工具架，全部都是按照人类的身体尺寸和运动模式设计的。一个人形机器人，理论上可以在不改造环境的前提下进入这些场景。这个”零改造成本”的论点，是人形机器人相对于特种机器人的最核心竞争力。
隐患的部分：人形是最复杂的机器人形态。双足行走的平衡控制、双臂协调操作、复杂地形适应——每一项都是工程上的硬挑战。更重要的是，人形机器人的”通用性”在实际部署中往往是一把双刃剑：它什么都能做，但在每一个具体任务上，都不如专门设计的特种机器人高效。
这意味着人形机器人的商业化路径，在相当长的时间内，可能是”从结构化场景入手，逐步向非结构化场景扩展”——而不是一开始就部署在最复杂的环境中。据 Goldman Sachs 在2024年发布的人形机器人行业报告预测，人形机器人在工业场景的规模化部署预计将在2027-2029年间开始出现，而消费级家庭场景的渗透则可能要到2030年以后。（来源：Goldman Sachs，”Humanoid Robots: The Next Big Thing?”，2024年11月）
与人形机器人相对，操作型机器人（manipulation robots）的商业化路径更为清晰。制造业、物流分拣、食品加工——这些场景有明确的任务定义、相对结构化的环境，以及可量化的ROI。Physical Intelligence（π）在2024年完成的4亿美元A轮融资（估值约24亿美元），正是押注在通用操作策略模型这个方向上。（来源：Bloomberg，2024年11月）其后续进展值得持续关注，但截至本文发布时，其最新产品部署规模的详细数据暂未公开披露。
3.2 美国 vs 中国：两种不同的赛道逻辑
物理AI的地缘竞争，与纯软件AI有本质区别。
在LLM赛道，竞争的核心是算力、数据和人才——这3个要素高度可流动，且在很大程度上可以被资本直接购买。但在物理AI赛道，竞争的核心还包括供应链、制造能力和部署场景——而这3个要素，中国有着美国难以短期复制的优势。
中国拥有全球最密集的制造业场景（据世界银行数据，中国制造业增加值占全球约30%），这是物理AI最理想的数据采集和早期部署环境。（来源：World Bank，Manufacturing Value Added Database，2024年）中国的机器人零部件供应链——减速器、伺服电机、传感器——在过去10年已经建立了相当的本土化能力。据中国机器人产业联盟数据，国产谐波减速器的市场份额已从2018年的不足20%上升至2025年的约45%。（来源：中国机器人产业联盟年度报告，2025年）KEPLER、Unitree 等中国人形机器人公司，正是在这个供应链基础上快速迭代。
美国的优势，则集中在软件层——LLM基础模型、仿真平台（英伟达 Isaac）、以及顶尖的机器学习研究人才。这使得美国的物理AI公司，在”大脑”的质量上有先发优势，但在”身体”的成本控制和量产能力上面临挑战。
这个分工格局，在未来几年内不太可能完全反转。据笔者推测，更可能的结果是：美国公司在高端、高复杂度场景（手术机器人、精密制造）保持优势；中国公司在规模化、成本敏感场景（仓储物流、基础制造）快速扩张。（注：此为基于当前竞争格局的推测性判断，实际演变将受政策、技术突破、贸易摩擦等多重变量影响，目前无法独立验证这一预测的准确性。）
但有一个变量可能打破这个预测：数据。如果某一方率先建立了足够大规模的真实世界操作数据集，并用它训练出显著更好的通用操作策略，这个优势可能会向全赛道蔓延。
3.3 软件公司转型 vs 纯硬件公司：谁的胜算更高？
这是2026年物理AI赛道里争议最大的问题之一。
一方观点认为：软件AI公司（尤其是有LLM能力的公司）转型物理AI，拥有天然优势——它们已经有了最好的”大脑”，只需要给它配上身体。这个逻辑在表面上非常有说服力。
另一方观点认为：机器人是一个极其重视系统集成能力的领域。硬件设计、固件、控制系统、传感器融合——每一层都有大量的隐性知识（tacit knowledge），这些知识无法通过招聘几个机器人工程师快速获取。纯软件公司转型物理AI，往往低估了这个学习曲线的陡峭程度。
我的判断是：两者都对，但时间尺度不同。
在未来3年内，拥有硬件基因的公司（Apptronik、1X Technologies、Figure AI 等）会在实际部署和产品可靠性上领先。但在5年以上的时间尺度上，如果基础操作模型（类似LLM的通用操作策略模型）真的成立，那么拥有最好模型的公司将获得最强的竞争优势——而这个优势，可能会向硬件层渗透，正如英伟达的芯片优势最终渗透到了整个AI基础设施层。
（注：以上判断为笔者基于当前技术趋势的推测性分析，不构成投资建议。硬件创业的高失败率意味着上述任何一家公司的前景都存在重大不确定性。）
四、大多数人没看到的：物理AI的真正壁垒不在机器人本身
这是这篇文章最想说的一个观点，也是当前大多数关于物理AI的分析所忽视的核心问题。
当人们谈论物理AI的竞争壁垒时，讨论通常集中在3个地方：机器人本体的硬件设计、基础模型的质量、以及融资规模。这3个维度都重要，但它们都不是最深的护城河。
最深的护城河，是部署场景的独占性与由此产生的数据垄断。
让我们用一个具体的类比来理解这个逻辑。
在互联网时代，Google 的搜索护城河不是它的算法（算法可以被复制），而是它的用户规模产生的点击数据——这些数据让它的算法持续比任何竞争者都好，形成了一个自我强化的循环。在物理AI时代，同样的逻辑适用，但数据的采集成本和排他性更高。
一家机器人公司，如果能够率先进入某个大型制造商的生产线，它采集到的是这条生产线上所有操作任务的真实数据——零件的真实尺寸误差、工人的操作习惯、异常情况的分布。这些数据，竞争对手无法通过仿真复制，也无法通过购买获得。当它用这些数据训练出更好的操作策略，部署更多机器人，采集更多数据，壁垒就在这个循环中被不断加固。
Generalist AI 的”数据飞轮”论题，正是对这个逻辑的直接表达。（来源：TechCrunch，2026年6月5日）但真正理解这个逻辑的投资者，会进一步追问：数据飞轮的起点在哪里？谁能率先获得足够多的真实部署场景？
这就解释了为什么物理AI的融资规模如此之大——这不只是在支付硬件研发成本，而是在支付”占领部署场景”的战略成本。每一个早期客户，每一条早期部署的生产线，都是一个数据采集节点，也是一个竞争壁垒的构建块。
这个逻辑还有一个推论，同样被大多数分析忽视：物理AI的竞争，最终会演变成一场”场景争夺战”，而不是”技术比拼”。 技术会趋同（就像LLM的能力在各大公司之间逐渐趋同），但场景数据不会趋同。谁先进入谁的工厂，谁先部署在谁的仓库，这些早期的商业决策，将在5-10年的时间尺度上产生深远的竞争影响。
当然，这个类比也有其局限性——需要指出的是，物理AI的数据飞轮与互联网数据飞轮存在一个关键差异：物理操作数据的跨场景迁移性可能低于互联网用户行为数据的通用性。一条汽车装配线的数据，对食品加工场景的直接价值可能有限。这意味着数据壁垒的”宽度”（跨场景泛化）和”深度”（单场景专精）之间存在张力，最终的赢家需要在两者之间找到平衡。
五、英伟达的战略意图：不只是卖芯片给机器人公司
理解物理AI的资本逻辑，不能绕开英伟达。
英伟达的 GR00T 基础模型和 Isaac 机器人开发平台，表面上是英伟达在”支持”机器人行业——提供工具，让机器人公司更容易开发和训练机器人。（来源：英伟达 Isaac 官方文档；英伟达 GTC 2024-2026 主题演讲）但这个叙事框架本身，就是一种战略遮蔽。
英伟达的真实战略意图，是成为物理AI时代的基础设施层——就像它在深度学习时代成为了GPU计算的基础设施层一样。
Isaac 仿真平台意味着：机器人公司在真实部署之前，需要在虚拟环境中训练大量策略——这个过程需要大量算力，而这些算力将由英伟达的数据中心GPU提供。GR00T 基础模型意味着：如果机器人行业的通用基础模型最终由英伟达主导，那么每一家机器人公司都将在英伟达的模型生态上构建自己的产品——就像移动应用开发者在iOS或Android上构建应用一样。
这个战略的精妙之处在于：英伟达不需要赢得机器人本体的竞争，它只需要确保无论谁赢，赢家都需要英伟达的芯片和平台。这是一个典型的”卖铲子”逻辑——不是自己淘金，而是卖工具给所有淘金者，让所有人都离不开你。
但这个战略并非没有挑战者。据 Reuters 2025年12月报道，Google DeepMind 的 RT-X 系列模型正在构建开放的机器人操作数据集和基础模型，试图在操作模型层与英伟达形成竞争。（来源：Reuters，2025年12月）此外，Meta 的开源策略也可能在物理AI领域复制其在LLM领域（LLaMA系列）的搅局者角色。这意味着物理AI的平台层竞争远未尘埃落定。
对于物理AI赛道的创业公司，这意味着一个需要认真思考的战略问题：当你在英伟达的 Isaac 平台上训练你的机器人策略时，你是在建立自己的护城河，还是在加固英伟达的护城河？
六、两个对立视角的正面交锋
任何关于物理AI爆发的分析，如果不认真对待反对意见，都是不诚实的。
视角一：这是真实的技术拐点，资本是对的
支持这个视角的论据：LLM 带来的语义理解能力突破是真实的，不是炒作；英伟达等基础设施公司的投入是真实的战略押注；Generalist AI 等公司获得的大额融资背后，有具体的技术路线图和早期部署数据。（来源：TechCrunch，2026年6月5日；英伟达 Isaac 官方文档）物理AI的商业化场景（制造业自动化、物流）有清晰的ROI逻辑，不依赖于消费者行为的改变。
更重要的是：这一次，资本的进入不是在押注一个遥远的未来，而是在押注一个已经可以看到早期商业部署的现实。 这与此前几轮机器人热潮的本质区别，在于技术就绪度的不同——之前是”相信它会成立”，现在是”它已经在某些场景下成立，问题是能否扩展”。
据 McKinsey Global Institute 2025年发布的自动化潜力报告，全球制造业中约50%的工作活动在技术上具备自动化潜力，其中物理操作类任务（搬运、组装、分拣）的自动化经济可行性正在因AI能力提升而快速改善。（来源：McKinsey Global Institute，”The State of AI-Driven Automation”，2025年）
视角二：这是另一轮炒作周期，硬件创业的死亡谷依然存在
支持这个视角的论据同样有力。
硬件创业的”死亡谷”——从原型机到量产、从量产到规模化部署的巨大资金和时间消耗——并没有因为LLM的出现而消失。一个机器人在实验室里完成复杂任务的演示，与在真实工厂里7×24小时可靠运行，之间的距离，比任何软件产品的演示到生产的距离都要远得多。
历史教训不容忽视：2014-2016年的上一轮机器人融资热潮中，Rethink Robotics（累计融资超1.5亿美元）于2018年倒闭，Jibo（消费级社交机器人，融资超7000万美元）于2019年关停。（来源：TechCrunch 历史报道）硬件创业的失败率，在历史上显著高于软件创业。
此外，物理AI的”数据飞轮”逻辑，在实践中面临一个根本性挑战：真实世界的数据采集速度，远远慢于语言数据的采集速度。 互联网上的文本数据以指数级增长，但机器人的操作数据，每一条都需要真实的机器人在真实的环境中执行真实的任务才能产生。这个速度的天花板，是物理定律决定的，不是工程问题。
还有一个常被忽略的风险：监管与安全。当机器人在人类密集的环境中操作，任何一次严重的安全事故都可能引发监管收紧，从而大幅延缓整个行业的部署速度。这个风险在人形机器人赛道尤为突出——因为人形机器人的设计目标正是与人类共处同一空间。
我的判断：这不是非此即彼的问题。
物理AI的技术拐点是真实的，但商业化的时间线被系统性低估了。据推测，最可能的情景是：在未来3年内，少数垂直场景（汽车制造、半导体工厂、标准化仓储）会看到真实的规模化部署；但”通用人形机器人进入家庭”的叙事，在5年内大概率仍然是愿景而非现实。
资本在这个赛道上的配置逻辑是正确的，但估值倍数可能已经定价了过于