唯一的护城河就是部署

有人花费数年时间研发出的那些崭新机器人，在实验室里运行得十分完美，但一旦被带到施工现场，立刻就倒下了。这并非模型本身的缺陷，而是与现实条件的冲突——混凝土会膨胀，无线网络在钢筋后面信号不佳，再加上施工时的噪音也会干扰设备的校准。

尽管机器人技术并非易事，但事实上这一领域的进展远比人们想象的要快。如今，机器人已经出现在建筑工地、工厂和仓库中，为真正的客户从事有偿工作。FieldAI 的营收与客户合同总额刚刚突破 1 亿美元——这些资金都来自在矿山和建筑工地上工作的机器人，该公司还筹集了 4.05 亿美元用于持续进行部署工作。虽然“掉落的机器人”这一形象仍存在于公众的想象中，但该行业早已超越了那个阶段。

正是这种概念与现实之间的差距蕴藏着机遇。既然现在到处都在谈论物理人工智能，我们始终强调的一点是：传统的软件应用方法并不适用。这些才是关键所在。

讲述资本故事

仅在 2026 年第一季度，就有 27 笔投资流入物理人工智能初创企业，总金额高达 64 亿美元。资本持续涌入是有充分理由的：这项技术确实取得了显著进步。视觉定位系统已能稳定运行，机械臂的价格也更低了，而激光雷达的成本则仅为五年前的十分之一。

硬件产品的开发周期与软件有着本质上的不同。要部署一台机器人，需要数周的时间来进行现场集成，绝非像创建虚拟机那样能够迅速完成。这便是这项工作的固有特点。

在软件领域，出色的产品理念往往就已足够，但物理人工智能则需要明确的资金规划：要筹集多少资金、何时筹集，以及每一个部署阶段能够带来什么成果。我们曾遇到过一位极为出色的创始人，他向我们详细阐述过了这些内容。正是这种自信，比任何演示都更能打动我们。

真正的优势在于成功实现部署。

让机器人真正投入运行并从中学习，其效果远胜于任何模拟数据。那些擅长产品商业化与部署的团队，每天都在以比其他任何人更快的速度取得进步。身处工厂现场，亲身体会工作流程，逐个赢得工厂管理者的信任——这些都是能够不断积累的优势，而且对于任何愿意付出努力的人而言，这些优势如今都是触手可及的。

无论是 Synphony 团队实现草莓采摘的自动化，还是 Generalist 与 Eka Robotics 将相关模型投入实际应用，最终获胜的总是那些将产品快速推向市场置于追求卓越研究成果之前的团队。每一次部署都会产生竞争对手无法获取的数据。

人们一直在探讨数据收集的各种方式——比如以操作者为中心的采集、远程操控式采集以及触觉式采集——以及在定制硬件与现成硬件之间的选择。由于数据收集工作往往十分耗费人力，因此具体的技术选择相比整体方法而言重要性要低得多。我们希望看到一套清晰的数据策略，能够证明企业的优势会随着时间推移而不断增强。

与行业关键企业合作

西门子、霍尼韦尔和 ABB 都是拥有成熟企业级机器人业务布局的龙头企业。随着全栈式初创企业以及“机器人即服务”模式的不断发展，这些传统行业巨头的地位正在发生变化。最可行的胜出策略必定会涉及这些传统企业的参与——现在就开始建立与它们的合作关系为时未晚。

试点项目与资金储备

在某个领域里，软件的作用仅能起到半途之效。这类行业十分依赖充裕的资金支持。由于硬件产品的研发周期很长，一旦迎来机器人技术发展的低谷期，资金便是帮助企业渡过难关的关键。开展试点项目固然不错，但目前我们还处于发展初期，除非已有客户准备订购数千台机器人，否则很难据此预测未来的营收情况。

不过，过度投入的问题确实也存在。在尚未充分了解所要部署的环境之前就投入过多资金，会导致人员配备和设备配置过剩。其迹象便是员工数量的增长速度快于实际营收，这一现象会在资金耗尽之前出现。我们认为最健康的做法是：为提升应对能力而筹集资金，但要让各项里程碑来掌控节奏。毕竟成本效益终究至关重要，没有它我们就无法改变世界——虽然充裕的资金可以为我们提供补贴使用的时间，但它绝不能成为依靠。

虽然初创企业可能筹集过多资金从而导致运营负担过重，但实体人工智能领域的成功标准并不仅仅是拥有出色的 SaaS 指标以及三倍的年度经常性收入。

究竟是什么实现了音阶式的成长

这一领域并不缺乏优秀的工程师。所欠缺的，是那些能够走进工厂、说服那些已经看过十次机器人演示的工厂经理，并制定出能够顺利通过采购流程的合作方案的创始人。

具备在现实中的种种挫折面前依然坚持下去的坚韧意志，同时又有能力吸引那些愿意早上 6 点就赶到工作现场的工程师，这样的人在业内实属罕见。一旦遇到这样的优秀人才，就值得全力以赴去争取。在做事态度上，这意味着要与商业领域的创始人投入同等多的时间进行沟通，并询问是誰促成了最近的三笔交易。

胜出者正在显现之处

在劳动力成本高昂且客户具备强大购买力的领域，成功的应用案例正在不断涌现。从仓库管理到制造业、化工行业再到物流领域，这些结构化的工业应用环境能够推动数据的大量积累，并实现大规模的作业处理。

另一个不太容易被注意到的机遇存在于技术架构的中间环节：模拟基础设施、传感器以及操作工具。云计算领域也是同样的情况：人们关注的都是各类应用，但真正获胜的却是 Datadog 和 Snowflake 这类处于中间环节的企业。物理人工智能领域也会出现类似的、默默无闻却能胜出的平台厂商。

至于那些核心产品本身：那些能够实现垂直整合、让客户可以对其训练新任务的机器人公司，代表着未来十年的发展方向；而那些针对特定领域的应用则属于三年内的发展重点。这两种情况可以同时存在，但风险特征不同，对应的公司也可能不一样。某种功能最终会成为单一特性还是成为一个完整平台，取决于垂直整合的推进速度——现在下结论确实为时过早。

长期战略

硬件终于准备就绪，模型也具备了足以产生实际价值的性能。如今的实地应用已经带来了真实收益，这充分证明了过去那种“不断坠落的机器人”的刻板印象早已过时。

该行业的主要评估指标将从“总运行时长”转变为“每位客户拥有的机器人数量”。

在这样一种一切都需要经过考验、没有任何事物能够得到保证的环境中实现规模化应用，才是真正的挑战。这需要数年的时间，而非几个季度，但正因如此，那些如今开始部署技术的公司才能打造出真正经得起考验的解决方案。今天那些愿意付出辛勤努力的人，正在为自己赢得立足之地。那些关于机器人失败的笑话，只属于另一个时代罢了。