（原标题：当物理AI成为下一个万亿赛道，量化派选择卖能力）
具身智能领域的“合纵连横”不停，热点之外，不同企业也在寻求不同定位。
日前，港股上市公司量化派旗下硅基（北京）智能科技，与A股东港股份全资子公司北京瑞宏具身智能机器人正式签署战略合作框架协议，推动家庭服务、商业场景和汽车展厅等领域的具身智能机器人研发与商业化落地，双方将共同发挥各自在人工智能、场景应用、机器人硬件、柔性控制及量产能力方面的优势。
此次合作并非从零开始，而是建立在前期技术验证基础之上。此前，量化派已围绕餐饮后厨场景完成四轮具身智能技术验证，覆盖三明治柔性制作、购物袋自主分拣、牛排跨抽屉寻找盐罐并完成调味、奶茶跨设备协同制作等任务。这些验证均落地于真实业务场景，而非停留在实验室演示。相比行业内仍普遍以Demo视频展示阶段性成果的做法，量化派的落地节奏已走在前列。
在具身智能行业，有人选择销售机器人本体，有人提供整套场景解决方案，而量化派切入的是物理世界基础模型。其核心价值不在于某一款硬件或某一个场景，而在于提供让机器人理解和适应物理世界的底层AI能力，真正具备跨场景复用价值，并能持续产生商业回报。
从场景到数据
实验室里跑通的Demo，更多用于展示技术可行性；后厨里跑通的Demo，则直接面对真实业务。量化派此前完成的四轮技术验证，均落地于餐饮后厨场景，而不是停留在实验室演示。
例如，三明治制作是个典型的软质食材处理场景：面包、生菜、酱料都没有固定形状，容错空间极小——面包夹重了会破，生菜夹轻了会掉；酱挤多了溢出，挤少了不均匀。机器人要在同一段流程里连续完成抓取、涂酱、摆放，靠的是一套能实时感知食材形态、随时调整力度的柔顺控制，全程既不挤压破损，成品又得保持标准化。
购物袋自主分拣场景下，分拣动作没有预设流程，袋里装的是什么、装了多少，机器人只能实时判断，对多品类物品逐一识别、抓取、分类摆放，边做边决定下一步，考验的是自主决策能力。
据量化派相关人士介绍，在完成多个场景验证后，量化派下一步押注的是跨场景复用。其技术路径强调软硬件分层：物理世界基础模型不绑定某一款机器人本体，而是作为独立能力层存在。与A厂商完成适配后，再与B厂商对接，同一套基础模型能力有望在不同硬件平台上运行。此前在餐饮后厨场景中打磨出的非结构化操作、开放环境适配和长链路自主作业能力，理论上也正是仓储物流、检测分析等动态场景所需要的底层能力。
全球来看，物理AI的头部格局尚未定型。海外已跑出的玩家，多从仓储、物流、家庭桌面任务等相对标准化场景切入；量化派选择的餐饮后厨，验证难度更大。国内也有公司押注工业和物流场景，与量化派形成差异化路径。哪条路径更接近通用物理世界基础模型，目前尚无定论，但资本已经在不同方向上同时下注。
从交付路径看估值分化
资本看重的，是物理AI模型公司的想象空间，其估值逻辑来自“调用量×使用时长”，不受制于项目交付能力，而更多取决于模型本身的泛化能力、复用能力和持续迭代能力。
2024年11月，Physical Intelligence以24亿美元估值完成4亿美元融资，投资方包括贝索斯、OpenAI、红杉资本和Khosla Ventures。这家公司只做让机器人理解物理世界的通用AI模型，短短8个月时间，估值从4亿美元跳到24亿美元，翻了六倍。
由前Meta AI研究员创立的Skild AI同样不做机器人本体，而是押注机器人“通用大脑”。2024年7月，其A轮融资后估值已达15亿美元；不到一年后，B轮估值升至47亿美元，再到软银、英伟达领投C轮时，估值已被推至140亿美元。形成反差的是，彼时Skild AI年营收仅约3000万美元。
量化派在物理AI领域扮演的角色，类似于Anthropic在大语言模型领域的位置：不直接绑定某一类终端形态，而是向不同硬件平台输出统一的AI能力层。
未来，凡是搭载感知模块、具备AI决策能力，并能够自主完成物理交互的实体终端，理论上都可以接入物理世界基础模型，成为新的智能化载体。这一理念将物理AI的复用边界，从餐饮后厨进一步延展到更广阔的硬件生态。
物理世界基础模型的商业想象力，最终要过两个坎。
第一，跨场景复用的边际成本能不能真正趋近于零。量化派在多个餐饮后厨场景里跑通了技术验证，但从餐饮场景拓展到更多生活服务场景，每次适配的成本有多高、背后压着多少次真机试错，目前没有公开数据可查。
从业内有限的案例看，跨场景适配成本降不降得下来，直接决定物理世界基础模型能不能从“有想象力”变成“有现金流”。
第二，物理世界的复杂度远高于数字世界，从仿真环境迁到真实场景，总有难以消弭的现实落差。量化派能否靠全栈自研的系统整合能力，把落差缩小到商业上可接受的范围，决定了它的商业价值能否真正释放出来。
瑞和网配资提示：文章来自网络，不代表本站观点。
