2026没过完，已有480亿美元投进了物理AI

全球资本涌向具身赛道的速度依然疯狂，今年才过了9个多月，机器人和物理AI企业已经拿到近 480亿美元（约3213亿元） 融资，超过去年全年。 什么概念呢？折合人民币约3400亿元，平均每天都有 超过1.6亿美元（约10.7亿元） 流入这个领域。 △AI生成 一笔笔十亿美元级融资接连出现，机器人初创企业的估值不断刷新，英伟达、软银、红杉等投资机构纷纷加码。 但热闹之余，也难免让人好奇：这么多钱究竟流向了哪里？百亿美元砸进去，不能就为听个响吧？ 顺着今年的融资名单看下去，会发现资本的布局已经覆盖机器人产业的多个环节。从制造机器人本体、研发通用智能系统，到建设训练设施、探索实际应用，越来越多企业参与其中。 一条围绕物理AI的产业链，正在加速成形。 全球机器人融资创纪录，钱都流向了哪些公司？ 把时间拉长，2022年至2024年，相关企业的年度融资额基本维持在100亿～150亿美元区间；2025年融资规模显著攀升，今年则进一步加速，年内融资额已经达到2025年全年的约 1.7倍 。 △图源：《金融时报》 从具体融资来看，头部企业正在拿走相当大一部分资金。 比如美国物理AI公司 Anduril ，今年5月完成了 50亿美元 融资，估值达到610亿美元，较上一轮翻了一倍。 Anduril是物理AI在国防领域的一家代表性企业。此次融资由Thrive Capital和Andreessen Horowitz领投，也是今年该赛道最受关注的大额融资之一。 与此同时，面向 工业、家庭 等场景的机器人企业，也在不断获得资本支持。 同时开发机器人和智能平台的德国机器人公司 NEURA Robotics ，今年6月宣布规模最高 14亿美元 的C轮融资，参与机构包括 高通、亚马逊、英伟达 等。 △图源：NEURA Robotics官网 如果说这类企业正在同时推进 机器人硬件和智能系统 ，那么另一批融资规模惊人的公司，则将重点放在 机器人的大脑 上。 例如，今年1月，美国机器人基础模型公司 Skild AI 完成 14亿美元 融资，由 软银 领投， 英伟达、贝索斯 旗下投资机构等参与，估值超过140亿美元。 另一家也在开发通用机器人基础模型的美国企业 Generalist ，今年6月也宣布获得 4亿美元 新融资，累计融资超过5亿美元。 英伟达、贝索斯 旗下投资机构等继续参与，AI科学家 李飞飞 也出现在新增个人投资者名单中。 还有 Physical Intelligence （π），今年二季度获得10亿美元融资，继续推进面向不同机器人本体的通用模型。 这些企业的技术路线各有侧重，但都在探索一个共同方向： 让机器人摆脱对预设程序和固定任务的高度依赖，能够通过学习适应更多真实场景。 △AI生成 资本对这一方向的热情，也在融资结构中有所体现。 根据PitchBook今年9月发布的报告，仅 2026年第二季度 ，机器人和物理AI企业就融资186亿美元， 环比增长25.3% 。然而，同期融资交易数量却下降了14.1%。 其中，Anduril、NEURA Robotics和Physical Intelligence三笔融资合计74亿美元， 占当季融资总额的39.8% 。 即使剔除这三笔大额融资，剩余融资额仍有112亿美元，环比增长9.9%。 所以，当下的融资走向说明了一个大致趋势： 资本仍在持续涌入机器人产业，但资金越来越集中于头部企业和具备平台潜力的技术方向。 而融资名单所呈现的产业分工，也已经越来越清晰。 有企业负责制造机器人、提升硬件性能，有企业试图开发能够适配不同本体的通用智能系统，还有企业将机器人带进工厂、仓库和家庭，探索规模化部署。 资本正在沿着机器人从研发、制造到实际应用的完整链路展开布局。 不过，这条链路要真正跑通，还面临一个基础问题。 机器人究竟该怎样学会干活？ 数百亿美元资本涌入，机器人正在花钱“上学”“健身” 这个问题听起来可能有些奇怪。 其中一个关键原因，就是 训练数据不够 。 对于大语言模型来说，互联网上积累了大量文本、图片和视频，开发者可以直接拿来做大规模训练。但机器人需要的数据要复杂得多。 机器人要拿起桌上的一个杯子，不仅要精准识别目标，还要判断位置、大小、形状，规划运动轨迹，控制抓取力度；换个环境、换个任务，可能就得重新调整。 这些涉及 空间、运动、接触和力度 的信息，难以直接从现有互联网数据中完整获得。 为了解决这一问题，机器人企业开始尝试各种办法。 其中最有意思的，大概莫过于美国人形机器人公司 Figure 今年8月公布的Index计划—— 付钱请世界各地的普通人帮机器人收集数据 。 用户通过Index应用记录自己的日常任务，比如折叠衣服、打扫卫生、收拾货架；Figure还会寄送专门的拍摄设备，参与者按规则记录并获得报酬。 这些视频经过筛选处理后，就能成为机器人学习人类动作的训练材料。 △图源：Figure官网 截至8月25日，Index应用累计下载量超过26.4万次，覆盖108个国家和地区，已收集到 1600多万段视频 ，累计向数据贡献者支付1500万美元。 以当时数据采集速度计，平台每秒会收到30分钟的视频，相当于每天新增约 4.9年 的人类活动记录。 Figure还计划在未来12个月内，为数据和算力投入 超过10亿美元 。是的，花10亿美元，学习人类怎么干活。 值得一提的是，Figure最初尝试过从第三方购买训练数据，但外部供应商在规模、丰富度和质量上都难以满足要求，这才转向 自建采集体系 。 类似的探索，已经在全球机器人企业中展开。 Physical Intelligence把机器人送进旧金山的多家Airbnb民宿，测试它们面对陌生环境的表现；Generalist、NEURA、Skild AI等企业则通过自建训练设施采集数据。 △AI生成 中国也在大规模建设类似设施。根据Interact Analysis统计，截至今年4月底，中国 至少有90个人形机器人数据采集和训练中心 在运营、建设或规划中，其中64个已正式投入使用。 随着数据需求不断增加，新的参与者也开始出现。 此前为OpenAI、Anthropic等大模型企业提供数据服务的 Scale AI、Encord 等公司，正在把业务扩展到机器人领域。 就在10月7日，专门提供真实世界训练数据的美国初创公司 Mecka 宣布，公司刚获得6000万美元B轮融资，由红杉资本领投，英伟达、微软旗下M12、高通创投、三星等参与。 机器人企业争相自建训练设施，原本服务大模型的数据公司开始转型，新企业也获得资本支持。 由此可见， 机器人训练数据正在形成一个独立的产业环节 。 但采集的数据越多，是否就意味着机器人越聪明？ 这恰恰是行业接下来需要验证的问题。 机器人能靠海量数据学会干活吗？ 机器人企业愿意为数据投入巨额资金，背后有一套在大语言模型领域已被验证的技术逻辑—— Scaling Laws 。 ChatGPT等语言模型的快速进步，已经证明了大规模训练的价值。如今机器人行业也希望找到类似规律：让模型通过丰富的真实世界数据掌握操作技能、适应新任务。 △AI生成 研究人员设置了 1000小时、1万小时、10万小时、100万小时 等不同训练规模做对比。 结果显示，在14项真实机器人操作任务中，随着预训练数据扩大，模型平均表现从20%提升到53%。 其中转动钥匙的任务尤为明显：10万小时以下数据训练的模型均未成功，而100万小时视频预训练的模型，成功率达到90%。仅用约10分钟机器人操作数据微调，预训练模型就具备了双手灵巧拧瓶盖的能力。 △图源：Dyna Robotics官网 这项研究初步证明，大规模人类视频数据确实能持续改善机器人操作能力，提高新任务学习效率。 虽然规律还需更多真实场景检验，但至少为行业重金采集数据提供了技术依据。 不过， 视频数量 只是因素之一， 数据质量、任务覆盖和跨机器人迁移能力 ，同样影响训练效果。 因此，除了扩大数据采集规模，行业还在探索另一条路径：让机器人进入真实工作环境，通过 实际部署 持续积累经验。 今年4月， Skild AI 宣布收购Zebra Technologies旗下机器人业务（包括此前的Fetch Robotics）。 这笔收购让Skild AI获得了已经应用于仓储物流场景的机器人产品和软件系统。 相比完全依靠实验室采集数据，Skild AI的目的是 借助现有商业部署 ，将通用智能系统带入真实仓库，并利用机器人实际工作过程中产生的数据持续改进模型。 从上个月Skild AI公布的经营数据来看，首次商业部署约10个月后，其机器人智能系统已拥有超过60家付费客户，年度经常性收入（ARR）突破1亿美元，覆盖物流、制造、安防、食品加工等领域。 △图源：Skild AI官网 公司还在与英伟达、富士康合作，将Skild Brain部署到双臂机器人上，探索高精度组装场景。 从专门建训练场，到让机器人在实际任务中积累数据， 行业正在尝试建立更具持续性的学习机制 。 而类似的变化在中国市场也能找到线索。 报告显示，2025年国内具身智能创业公司共发生 447起融资事件，总额554亿元 ，而2024年仅为173起、137亿元。（注：报告仅统计未上市公司公开融资，与PitchBook口径不同。） 比资金规模更值得关注的，是 钱的流向发生了变化 。 其中银河通用以20.31亿元单笔融资刷新纪录；合成数据公司光轮智能也完成数亿元融资，营收破亿。 与此同时，国内互联网大厂、车企、制造业企业和国资基金也在加大布局。 这些产业资本带来的不只是资金，还有供应链、生产线和实际应用场景。2025年战略投资日益活跃，资本通过投资帮助机器人企业获取落地机会。 这对拥有庞大制造业体系的中国市场尤其有意义。 工厂、仓库等真实生产环境，既能验证机器人能力，也能源源不断产生新的训练数据——机器人在不同任务中积累的经验，经过处理后可以反哺模型，支持更复杂的工作。 目前机器人企业还在重金采购设备、雇人、建训练场，专门为模型生产数据。 △AI生成 全球资本押注基础模型，中国资本完善产业链，背后是相似的方向： 机器人模型企业主动获取商业部署资源，产业资本则把机器人带进工厂和生产线。 真实应用场景的价值，正在从验证机器人能力，延伸到支持机器人学习和进化。 花钱请人拍视频、操作机械臂……终究是阶段性的。真正值得期待的，是机器人开始在真实工作里自己积累经验、自己变聪明。 这或许才是百亿美元砸下去之后，更令人兴奋的产业变化。 版权所有，未经授权不得以任何形式转载及使用，违者必究。 杰西卡 扫码分享至朋友圈 相关阅读 全球首次！机器人迎战网球运动员，极限救球，摔倒光速弹起 AstraTennis时刻背后的硬核技术 具身智能 物理AI 网球 银河通用 3万台无人车之后，这家公司盯上了城市级物理AI 九识智能 无人车 物理AI 具身数据底座开卖，首发5100元：机器人训练数据有了新解法 构建全栈物理AI基础设施 五一视界 具身智能 数据生产 物理AI SIGGRAPH时间检验奖揭晓：这项研究，提前十年押中了物理AI 开源项目GitHub狂揽8000+Star SIGGRAPH 时间检验奖 物理AI 香港大学 热门文章 超清双2亿，掌中电影机，荣耀Magic9 系列正式发布，售价4499元起 DeepSeek Bot来了！民间版，DSH装个插件就能用 特斯拉FSD，在欧洲被打回原形 智谱新模型，490 tokens/s！ TRAE终于把Code和Work合并了 加入我们 寻求报道 商务合作 追踪人工智能新趋势，报道科技行业新突破