在全球清洁能源转型的汹涌浪潮中，太阳能电站的建设（Solar Build-out）无疑是规模最大、资金最密集的物理活动之一。世界各国的电力开发商正在沙漠、平原和山地铺设数以亿计的太阳能电池板。然而，在这场波澜壮阔的绿色基建浪潮背后，却横亘着一个难以逾越的障碍——劳动力供给极限。

太阳能电站的安装是一项极其单调、重体力且高重复性的野外工作。在偏远的荒漠地区，极端天气频发，工伤率居高不下，招募和留住安装工人成为了开发商（EPC）最大的痛点。用机器人代替人工进行太阳能电池板的搬运和定位似乎是一个理所当然的解决方案。

正是在这一背景下，一家名为Gritt的物理AI与机器人初创公司宣布正式“出海脱密”（Exit Stealth），并完成了2600万美元的A轮融资。本轮融资由硅谷著名风投Obvious Ventures领投，Union Square Ventures (USV)和Active Impact Investments参投。加上此前的种子轮（由First Round Capital、Climactic、Congruent Ventures和VSC Ventures支持），Gritt的累计融资额已达到3400万美元。

Gritt的联合创始人兼首席执行官普尼特·普里（Puneet Puri）与首席技术官维沙尔·杜加尔（Vishal Dugar）均是卡内基梅隆大学（CMU）培养的顶级机器人专家。他们提出了一套完全颠覆传统特种机器人开发路径的底层逻辑：拒绝从头制造昂贵的定制化硬件，而是将物理AI模型注入成熟的工业级现成工程机械中。

创始团队背景与物理AI前沿探索

要理解Gritt的核心竞争力，必须先审视其两位联合创始人的学术与工程背景。普尼特·普里（Puneet Puri）与维沙尔·杜加尔（Vishal Dugar）在卡内基梅隆大学（Carnegie Mellon University）机器人研究所（Robotics Institute）相识。作为全球机器人学术界的圣地，CMU不仅在自动驾驶、机器视觉领域底蕴深厚，更在“具身智能”（Embodied AI）的早期探索上处于前沿。

在创立Gritt之前，Puri曾深入参与多项户外移动机器人与野外自动驾驶项目，深知在 unstructured（非结构化）环境中，机器人面临的挑战与室内受控环境有着天壤之别。Dugar则专注于多传感器数据融合（Sensor Fusion）与灵巧操作算法（Dextrous Manipulation），其研究重点是如何让机械臂在动态变化、存在大量噪音干扰的物理空间中实现高精度控制。

他们注意到，随着近年来以Transformer为底座的物理大模型（Physical AI models）和视觉-电机策略（Visual-Motor Policies）的突破，机器人对于物理世界的理解能力发生了质的飞跃。过去，机器人的动作完全依赖于预先写死的轨迹规划（Trajectory Planning），一旦环境发生几厘米的偏差，系统就会崩溃。而现在，物理AI模型使机器人具备了泛化理解能力，能够像人类一样，根据实时视觉反馈动态调整自己的动作。

Puri表示：“我们当时意识到，真正的瓶颈不再是机器人手臂本身，而是机器人的大脑。如果能够构建一个足够强大的物理AI大脑，能够泛化地适应户外混乱的工地环境，我们就不需要花几年时间和数千万美元去自研精密的机器人硬件，而是可以直接用软件去武装现有的工业机械。”

精准定位：为什么Gritt拒绝重造硬件轮子？

在建筑和农业机器人领域，以往的初创公司往往倾向于全栈自研，即“重新发明轮子”，从底盘、动力系统到机械臂全部自己设计并制造。然而，Gritt的竞争对手们，如Luminous Robotics、Cosmic以及来自中国的Trinabot（天枢机器人），大多也在走这种硬核硬件自研的路线。

全栈自研虽然能带来极高的高度集成性，但其商业代价极其沉重：

  • 冗长的研发周期：硬件从图纸到量产需要经历数年的可靠性验证，容易错失市场窗口；
  • 高昂的资本支出：建厂、供应链管理和硬件库存会迅速烧光早期融到的资金；
  • 售后维护与供应链地狱：在荒僻的太阳能电站现场，一旦自研机器人的底盘或液压件损坏，配件的寄送和维修将极为困难。

Gritt采取了完全相反的“搭积木”路线。它不制造底盘，不制造机械臂，而是直接从市场上租赁或采购： 1. 现成的工程底盘：使用滑移装载机（Skid-steer loaders，即山猫装载机等工程卡车）； 2. 成熟的工业机械臂：使用川崎（Kawasaki）等工业机器人巨头制造的、久经工业生产线考验的多轴机械臂； 3. 软硬件解耦的AI大脑：Gritt的核心壁垒在于其自主研发的AI控制系统、机器视觉模块以及多模态控制算法。

机器人开发路线对比 硬件自研路线 (如Trinabot, Cosmic) 现成硬件+物理AI大脑路线 (Gritt)
核心壁垒 自研硬件专利 + 专用控制软件 通用物理AI软件算法 + 机器视觉
初期研发成本 极高 (通常需要数千万美元用于硬件打样) 较低 (资本主要流向算法和软件团队)
供应链风险 高 (依赖特定零部件供应链) 极低 (滑移底盘和Kawasaki机械臂全球充沛)
现场维护便利性 差 (工程队无法自行修理，需要原厂寄件) 极佳 (本地挖掘机机械师即可修理底盘)
场景拓展灵活性 局限于单一任务 (如只能拧螺丝或搬面板) 通用型 (通过更换末端工具和AI模型切换任务)

Obvious Ventures领投此轮融资的合伙人安德鲁·比比（Andrew Beebe）指出：“有些创业者曾经制造过送入太空的火箭，他们习惯了为极小的定制零件投入无限的预算；而另一类创业者，则深知如何深入脏乱、枯燥和危险的工地现场，并实现疯狂的规模化复制。Gritt的团队显然属于后者。他们拥有顶尖的AI和机器视觉技术，却选择用最接地气的川崎手臂和铲车去征服工地，这才是真正懂商业落地的人。”

户外移动底座的“机械臂抑震与校准”工程挑战

尽管使用现成底盘与工业机械臂大大缩短了开发周期，但这在工程实现上面临着独特的硬核挑战。

传统的川崎工业机械臂被设计用于汽车组装厂的平整混凝土地面上，通过地脚螺栓牢牢固定在基础里。在这样的环境下，机器人的运动学逆解（Inverse Kinematics）非常精确。但Gritt却将其架设在一辆行驶于碎石、沙地和倾斜坡度上的滑移装载机上。

当底盘移动时，车辆会产生剧烈的振动、倾斜和滑移。如果机械臂试图在这种动态颠簸中去抓取和定位易碎的玻璃太阳能板，底盘哪怕发生1度的倾角抖动，都会导致臂端产生数厘米的轨迹偏差，进而捏碎面板或砸坏支架。

为了解决这一“移动抑震与高频校准”难题，Gritt的技术团队开发了三项核心子系统： 1. 高频姿态动态补偿算法（Active Vibration Rejection）：在机械臂底座和机械臂末端（End-effector）分别布置高精度六轴IMU（惯性测量单元）。算法以每秒上千次的频率读取振动频率，并控制机械臂马达进行实时的反向运动学微调，如同“机载云台”一般抵消车辆移动带来的低频大幅晃动。 2. 多视角动态SLAM与视觉引导定位（Eye-in-Hand Vision Guidance）：在机械臂末端集成防尘防水的工业相机，配合置于滑移车身上的全局激光雷达。当车辆靠近金属支架时，近端的视觉传感器会实时识别支架的物理孔位，并通过AI神经网络进行实时图像匹配，校正由于沙尘、光照变化带来的视觉畸变。 3. 基于柔顺控制力学（Compliance Control）的亚毫米级装配策略：当机械臂把面板送入槽口时，系统不仅靠“看”，还靠“感觉”。通过末端多轴力/矩传感器，当发生轻微物理触碰时，机械臂会以柔顺的方式顺应误差滑入就位，防止刚性冲击。

这套软硬件的高度协同，才使得“川崎机械臂+山猫铲车”这套粗粝组合，在泥泞的荒野中发挥出不亚于晶圆厂防静电车间的亚毫米级装配精度。

商业与财务模型：四倍提效下的核心账本

在太阳能电站（光伏电站）的EPC（工程总承包）建设中，人工搬运和定位面板是耗费人力最多、工期弹性最大的环节。

以一个位于美国西南部荒漠的200MW（兆瓦）中型光伏项目为例，大约需要安装近40万块太阳能板。 在传统的纯人工模式下，每块面板的搬运、抬高、对齐和螺栓紧固都需要大量人力配合。

  • 劳动力配置：通常需要配备8至10个班组（每组8人，共80人左右）。
  • 人工工效：每个班组每天在高温高风沙环境下，极限日产量约为800块面板。
  • 综合成本：荒漠工地由于地理偏远，工人的平均每小时综合成本（含底薪、荒野津贴、通勤包车费、宿营地摊销和劳保）高企。

根据Gritt与美国三大头部EPC合作测算出的财务账本，引入Gritt系统的经济效益极其震撼：

运营与财务指标对比 传统纯人工安装模式 Gritt 机器人辅助安装模式
8人班组日均安装面板数 ~800 块 3000 至 4000 块
200MW项目所需总工期 约 50 个工作日 约 12 至 15 个工作日
工伤索赔率及安全事故频次 高 (由于反复高空托举100磅重物) 接近于零
单项目利息及管理费节省 0 (基准) 节省 40万 至 90万美元
每瓦安装人工成本下降 0 (基准) 下降 30% 至 45%

Gritt采取了设备租赁+软件服务费（RaaS/SaaS）的计费模式。EPC开发商无需承担数十万美元的设备折旧成本，而是以每月固定租金+按安装面板量计费的模式使用Gritt系统。对于开发商而言，首期支出的降低和工期缩短带来的利息减免，能够直接将项目的综合内部收益率（IRR）提升0.5%至1.2%。这对于极度看重回报率的清洁能源基础设施投资基金而言，是决定性的技术杠杆。

竞争格局与物理AI的横向延展

光伏安装机器人领域如今正成为群雄逐鹿的战场。

除了自研重型硬件的Trinabot和Cosmic外，Gritt面临着来自不同技术路径的挑战。例如，有些公司尝试设计一种“巨型桁架式”的龙门机器人，横跨在光伏支架上方进行整排安装。这种路线在大平原上有优势，但在存在起伏地形或山地光伏项目中会彻底失效。

Gritt的优势正是“敏捷与通用”。因为滑移装载机是所有工地上最常见的工程车辆，它的越野性能和对复杂坡度的适应能力是工业机械师花了数十年打磨出来的。通过将AI模型与现成越野底盘绑定，Gritt获得了比竞争对手更好的地形自适应能力。

Puri透露，完成本轮A轮融资后，Gritt正加速其AI大脑向其他基建场景的“横向延展”。

在具身智能的神经网络中，感知和灵巧操作是互通的。Gritt的技术团队在实验室里做过一个令人兴奋的测试：他们使用同一个AI底层软件管道（Pipeline）训练机器人，去完成码放水泥砖和在工地绑扎钢筋（Rebar tying）的任务。 “在过去，这需要重写两套截然不同的轨迹规则。但我们的物理AI系统通过视觉-电机端到端策略，训练机器人码砖花了三周；而在接入钢筋绑扎时，使用相同的感知控制逻辑，仅用了一天时间，机器人就学会了如何准确识别钢筋节点并进行金属线绑扎。”

基建行业是人类文明赖以生存的数据网络，也是最难实现数字化的顽固堡垒。Gritt的脱密出航，证明了物理AI的未来不在于重造昂贵而笨重的机器躯壳，而在于用聪明的AI大脑武装每一台奔跑在荒野工地上的铲车。