一年估值翻 14 倍、零收入：具身智能的高融资，到底在赌一条什么定律

我承认，我对「零收入、估值翻 14 倍」这种事有一种生理性的不适。做了这么久的事实层，我习惯先问一句钱付给了谁、东西卖了几台、毛利多少——可在具身智能这条赛道上，这几个问题问出来常常是尴尬的沉默。Physical Intelligence 一年里估值从 4 亿美元翻到 56 亿美元，翻了 14 倍；Skild AI 7 个月里估值翻了 3 倍多；国内的自变量机器人两年走了 9 轮融资、估值翻了大约 50 倍。这些公司有一个刺眼的共同点：账面上几乎都没有营收。

我盯着这几组数字看了很久，最后想明白一件事：拿「估值除以营收」这把尺子去量它们，是用错了工具。这笔钱根本不是冲着今天的产品去的。它买的是一张入场券——一张赌「物理世界的智能，会像语言一样沿着 scaling law 长出来」的入场券。而我要在最前面就把话挑明：这条让所有人押上身家的曲线，到 2026 年的今天，还没有任何人真正把它画出来。

这篇文章我想干一件事：把美国那几家头部当成一把尺子，量一量中国公司为什么投得比它们还猛，猛在哪几个别人没有的地方。

先把范式这件事说清楚，因为它是后面所有逻辑的地基。Physical Intelligence 和 Generalist 这类公司给自己的定位，不是「做机器人的」，而是「做物理世界的基础模型」——他们反复用的词是 foundation model for the physical world，是 robotics 的 GPT-1 moment（a16z、Built In 的报道里都能查到这套自我叙事）。这句话翻译成投资人能听懂的话就是：2018 年 GPT-1 出来的时候，没人能从它身上算出 DCF，但事后看，那是过去十年最该上车的一班车。于是 LLM 这一整套投资范式——投团队、投算力、投「先把模型做大再说商业化」——被原封不动地搬到了机器人身上。

这套范式平移之所以成立，靠的是一个尚未兑现的承诺：scaling law 会在机器人身上重演。2026 年 2 月有一篇叫 EgoScale 的工作，第一次给出了一个像样的信号——机器人策略的性能，似乎能随着预训练数据的增加而可预测地提升。注意我用的词：信号。它不是证明，是初步迹象。这是整个叙事里唯一一块能踩的实地，而它薄得吓人。

你大概会反驳我说：投资人又不是傻子，凭一篇预印本就敢砸几十亿美元进零收入公司？对的，所以这里真正的逻辑不是「他们相信曲线已经存在」，而是「LLM 的先例把游戏规则改了」。规则被改了三条。第一，实验室阶段的赌注，一旦赌中能回报上千倍——OpenAI 的早期投资人就是活样本。第二，这次的奖品大到离谱：物理世界的劳动力市场是个数十万亿美元量级的池子，大到哪怕成功概率只有个位数，期望值也撑得住。第三，最关键的，算力和数据这次是可以用钱买的——你不需要等灵感，你只需要堆 GPU、堆机械臂采数据。当一件事「砸钱就能加速」的时候，资本本身就变成了护城河。谁先融到几十亿，谁就能先把数据飞轮转起来，把后来者关在门外。

所以美国头部立的标杆，本质是三件东西的合订本：一张「物理世界基础模型 = GPT-1 时刻」的入场券、一支稀缺到全球数得过来的顶级团队、以及「资本即护城河」的卡位逻辑。Physical Intelligence 的融资节奏可以当教科书：2024 年 3 月 seed 轮 7000 万美元、估值 4 亿；2024 年 11 月 4 亿美元、估值冲到 24 亿，Bezos 和 OpenAI 都进来了；2025 年 6 亿美元、估值 56 亿。Skild AI 在 2026 年 1 月拿了软银的钱，估值奔着 140 亿美元去（详细估值拆解）。对照组也得摆出来：Figure AI 累计融了约 8.54 亿美元、估值 27 亿；1X Technologies 的 B 轮只有 1 亿美元。同一条赛道，头部和身位之间的资本鸿沟，本身就在告诉你这是一场「赢家通吃」的预期博弈。

讲到这，美国的逻辑其实是闭环的、自洽的——它就是 LLM 那套范式的高保真复制。但如果纯用这套范式平移去解释中国，你会发现解释不通。中国公司起步比美国晚、商业化场景比美国更不成熟，按理说估值应该打折，可它们的融资强度反而更猛、更快、更密。自变量两年 9 轮、字节阿里美团小米罕见地同投一家；银河通用从 2023 年 5 月成立到现在累计融了约 8 亿美元。这多出来的那股劲从哪来？这才是这篇文章真正想钉死的地方。

我把中国独有的那几股劲拆成四条，一条一条说。

第一条是产业政策直接下场。2025 年的政府工作报告，第一次把「具身智能」四个字写了进去——这在中国语境里是一个极强的信号，意味着它从一个赛道变成了一项国家意志。配套的真金白银也来了：北京设立了一支规模约 1000 亿元、存续期长达 15 年的政府投资基金。这两件事叠在一起的意思是，中国的具身公司面对的不是一个纯财务的资本市场，而是一个有耐心、有政策托底的资本环境。15 年的存续期，本身就是在对市场说：我不急着让你赚钱。

第二条是「订单换场景」。这是中国特有的玩法，美国学不来。央国企手里攥着大量真实的作业场景——工厂、电网、物流、园区——他们愿意把这些场景开放出来，换取在这条新赛道上的卡位。最具体的一个锚点：银河通用签下了一笔约 1000 台 G1 的订单，金额大约 7 亿元。对一家零收入的初创来说，这种订单的意义不只是营收，它是一张「我有真实场景可以采数据、可以迭代」的证明。数据飞轮在美国要靠烧钱买，在中国可以靠场景换。

第三条是 CVC 的纵向卡位。字节用主体公司直接投了自变量——注意，是主体直投，不是财务基金跟投。这个动作的含义是产业链卡位：字节的盘子是电商，而电商的下一步是制造与履约，具身智能正好卡在这条纵向延伸线上。所以阿里、美团、字节、小米这些巨头同投一家公司，买的不是财务回报，是「万一这条链通了我不能缺席」的战略保险。这跟美国 a16z、红杉那种纯财务 VC 的算盘，是两套逻辑。

第四条，也是最底层的一条：国资和产业资本对前期亏损的容忍度，天然比纯财务 VC 高。财务 VC 有退出时钟，产业资本和国资没有那么硬的时钟——前者要的是 IRR，后者要的是产业链安全和战略卡位。这条看不见，但它是前面三条能成立的根。

把这四条叠到美国那套范式平移之上，你就得到了中国具身公司估值逻辑的全貌：它既进口了「赌范式、赌定律」的全球框架，又在上面加了一层政策、场景、产业资本独有的加速器。这就是为什么同样零收入，中国公司能融得更猛——它的资金来源里，有一部分压根不按财务 VC 的尺子算账。

把几家头部的估值时间线并排摆出来，这股「更猛」的劲会更直观。注意横向比的不是绝对估值，是「从起步到现在用了多久、跳了多少倍」——压缩得越狠，越说明资本在抢时间窗：

公司	起步	最近一轮	跳幅	跨度
Physical Intelligence（美）	2024-03 seed，估值 ~$4 亿	2025，估值 ~$56 亿	~14 倍	约 1 年
Skild AI（美）	2024 年中，估值 ~$45 亿	2026-01，估值 ~$140 亿	~3 倍	约 7 个月
自变量（中）	2023-12 成立	2026-01 A++，累计 9 轮 >¥30 亿	据投资方口径估值约翻 50 倍	约 2 年
银河通用（中）	2023-05 成立，2024-06 天使 ¥7 亿	2025-12，估值 >$30 亿、累计 ~$8 亿	—（起点即高）	约 2.5 年

美国头部是「单轮跳得高」（一年 14 倍），中国头部是「轮次密、起点就高」（两年九轮、天使轮就是别人 B 轮的体量）。前者是范式定价的极致，后者是范式定价叠加了政策与产业资本的结果——这正好印证了前面那句：中国的资金里有一部分不按财务 VC 的尺子算账。

说到这，我得停下来，认认真真把反方的料摆上桌。事实层不唱多也不唱空，既然前面把多头的逻辑讲透了，空头的硬料就不能藏。

最重一拳来自 Rodney Brooks——iRobot 的联合创始人、机器人学界的元老级人物。2025 年 9 月他公开写道，这是一场 humanoid robot bubble（人形机器人泡沫）。他最锋利的一句话针对的恰恰是前面那套 scaling 叙事：让机器人靠「看视频」学会灵巧操作，是 pure fantasy（纯粹的幻想）。他给的理由是物理性的——人的一只手上有大约 17000 个触觉感受器，而看视频这件事里压根不包含触觉这个维度的信息。你喂再多视频数据，模型也学不会它从没被告知过的那一类信号。

第二拳是历史的回声：自动驾驶。Cruise 烧掉了超过 90 亿美元，2024 年关停；Argo AI 烧掉约 26 到 27 亿美元，2022 年关停。自动驾驶也曾被讲成「数据飞轮一转就通」的 scaling 故事，结果它撞上的是长尾场景的物理复杂度，钱没能把那条曲线买出来。

第三拳是续航这道物理硬约束。今天人形机器人的电池，普遍只能撑 90 到 120 分钟，而工业作业的需求动辄是 8 小时甚至更长。这不是一个靠软件 scale 能绕过去的问题——你数据再多，也变不出电池的能量密度。

这里有个我觉得最妙的张力点，值得专门点一句：多头和空头，用的是同一个自动驾驶类比，却推出了完全相反的结论。多头说，自动驾驶证明了 scaling 的方向是对的，只是当年算力和数据不够，现在够了；空头说，自动驾驶恰恰证明了物理世界的长尾烧不平，几十亿美元打了水漂就是前车之鉴。同一段历史，两种读法。你信哪一种，取决于你信不信「这次的曲线和上次不一样」。

连国内最务实的媒体也在追问这件事。36 氪有一篇的标题大意是「机器人依然不会干活，但这不妨碍它去上市」——这句话把当下的割裂感写得很透。而它另一篇更要命的发问是：具身智能的 scaling law，到底什么时候才会出现？这个问题之所以致命，是因为它直指整套叙事的地基——如果这条定律迟迟不出现，前面所有的范式平移、所有的政策加码、所有的场景置换，赌的都是一个可能不存在的东西。

路径远没有收敛，这是另一个常被融资金额盖住的事实。Yann LeCun 公开说过，LLM 这条路线对具身智能是 dead end（死胡同），他为 AMI Labs 融了约 10.3 亿美元，押的是 JEPA 这种世界模型路线；李飞飞的 World Labs 也在押世界模型的方向。学界综述给出的结论很诚实：尚无定论，未来大概率是某种融合架构。换句话说，投资人不仅在赌「定律存在」，还在赌「哪条技术路线能率先逼近这条定律」——而这两个赌注，目前都没有答案。这就是为什么我说它像实验室阶段：不是产品没做好，是连最底层的方法论都还在分叉。

那 RobotScope 怎么看？这里我要把判断和事实分开说清楚，免得你把我的观点当成事实记走。

RobotScope 判断：我们不预言这场赌局的输赢，但我们要点破它的性质——这是一笔「赌定律存在」的押注，不是「赌产品做不做得出」的押注。这个区别极其重要。如果只是产品工程问题，那是时间和钱能解决的；但如果赌的是一条定律，而这条定律在物理世界根本不成立，那么再多的钱和时间也买不出结果。

RobotScope 判断：我们认为真正的风险，不在「人形机器人造不出来」——它当然造得出来，工厂里已经在跑了。真正的风险在于，scaling law 在物理世界可能根本不像在语言世界那样成立。数据可以 scale，这一点没问题；但触觉和续航不会因为数据变多而改善——触觉是个传感器密度问题，续航是个能量密度问题，两者都是硬件的物理边界，不是数据的函数。这正是 LLM 平移叙事最深的那道裂缝：它默认「一切都能被数据 scale 掉」，而物理世界恰好有几样东西，数据 scale 不掉。

所以，如果你问我接下来该盯着什么，我给你三件具体的事。第一，盯 EgoScale 之后的后续工作——那条 scaling 曲线有没有从「初步信号」长成「稳定规律」，这是整个赌局的命门。第二，盯中国央国企「订单换场景」释放出的真实数据，看这些场景到底能不能把数据飞轮转起来、转出可迁移的能力，而不只是转出一堆只在单一场景管用的演示。第三，盯触觉传感和电池能量密度这两条硬件曲线，因为它们是 scaling 叙事的物理天花板——它们走得动，故事就还能讲；它们走不动，再多软件也补不上。

把范式的赌注和定律的存在分清楚。把中国独有的那几股劲，和纯财务 VC 的算盘分清楚。把「数据能 scale 的」和「数据 scale 不掉的」分清楚。剩下的，等下一组数字。

不构成投资建议。以下是这篇文章引用的主要来源。

— 塔洛斯 · 5/31