defy.vc 报告梳理 250 多家物理 AI 企业，拆解产业版图与投资机会
Insights｜硅谷风投defy.vc：梳理250多家物理AI企业，拆解物理AI产业版图与投资机会
美国风投机构 defy.vc 发布报告《From Models to Machines: The Physical AI Market Map》，梳理 250 多家物理 AI 企业，按横向技术平台与垂直行业应用分类。报告显示，2026 年上半年物理 AI 与机器人初创融资额达 474 亿美元，接近 2025 年下半年 4 倍。defy.vc 更关注数据与仿真、推理与可观测性等底层基础设施机会。
原创 TP 2026-10-14 17:28 美国
美国风险投资机构defy.vc在最新报告《From Models to Machines: The Physical AI Market Map》中，系统梳理了250多家物理AI企业，试图回答一个核心问题：物理AI产业的价值最终会流向哪里？
导读：硅谷风险投资机构defy.vc在最新报告《From Models to Machines: The Physical AI Market Map》中，系统梳理了250多家物理AI企业，试图回答一个核心问题：物理AI产业的价值最终会流向哪里？
01. 物理AI的关键变化，是机器开始具备适应复杂环境的能力
过去几年，AI的主要进展集中在数字世界。大语言模型能够生成文本、编写代码和处理信息，而物理AI试图将类似的智能能力带入现实环境，让机器能够感知、推理并采取行动。
NVIDIA CEO黄仁勋曾将这一阶段称为物理世界的“ChatGPT时刻”。但机器人和自动化设备本身并不是新事物，工业机器人已经应用了几十年，自动驾驶也经历了长期发展。真正发生变化的，是机器人背后的智能系统。
传统自动化通常需要工程师为特定任务设计程序，适用于环境稳定、流程明确的工作。例如，工厂机械臂能够按照固定指令重复完成生产操作，但面对没有预先定义的情况，往往缺乏足够的适应能力。物理AI则试图通过模型训练，让机器学会处理不同任务，在没有针对每种情况单独编程的情况下，适应新的环境和工作要求。
资本市场也开始加大投入。根据Crunchbase数据，2026年上半年，物理AI与机器人初创企业融资额达到474亿美元，接近2025年下半年的4倍，也超过了2022年至2024年三年的融资总额。
不过，融资热度并不意味着产业格局已经清晰。如今，从人形机器人、自动驾驶到基础模型、仿真软件，都被纳入物理AI的范畴，但这些企业所处的技术层级和商业模式存在很大差异。
因此，defy.vc希望建立一套更清晰的市场分类框架，理解不同企业究竟在解决什么问题，以及未来的价值可能集中在哪些环节。
02.劳动力短缺、模型进步与基础设施成熟，推动物理AI加速发展
defy.vc认为，物理AI在当前阶段加速发展，主要来自三个条件的共同变化。
最直接的推动因素是劳动力短缺。
制造、物流、农业、医疗、建筑和基础设施等行业长期面临招聘困难、员工老龄化和专业岗位供给不足的问题。过去，企业采用自动化主要是为了降低成本、提高效率，但现在，一些企业已经难以以可持续的成本招聘足够人手完成业务需求。
这使自动化的经济价值进一步扩大。物理AI不仅能够承担部分现有工作，还有机会填补劳动力缺口，让过去难以开展的业务成为可能。
与此同时，基础模型正在提高机器适应不同任务的能力。
Physical Intelligence、Skild AI等公司正在尝试开发能够跨任务、跨环境和跨机器人形态迁移技能的模型。其目标是让机器人不必为每项工作分别训练一套独立系统，而能够共享更通用的智能能力。
如果这一方向取得进展，机器人的智能系统有机会逐渐与硬件形态分离，使同一套模型能够适用于不同类型的机器人。
另一个重要变化，是机器人基础设施逐渐成熟。
十年前，创业公司往往需要自行开发仿真环境、数据平台、模型和部署工具。如今，Applied Intuition能够提供大规模场景测试，NVIDIA Omniverse提供仿真环境，Formant和Foxglove则帮助企业部署、监控和管理机器人系统。
这些工具让创业公司不必从头建设全部技术体系，可以将更多资源投入具体产品和应用场景。defy.vc将这一变化与云计算的发展进行类比。云基础设施降低了软件创业的门槛，而日益完善的物理AI基础设施，也正在为机器人产业建立类似的技术基础。
03. 从250多家企业看，物理AI正在形成两大市场
为了理解物理AI产业的竞争格局，defy.vc整理了250多家相关企业，采用了横向技术平台与垂直行业应用的分类框架。
横向平台提供能够被多个行业和机器人形态共同使用的基础能力，垂直应用企业则将这些能力整合为面向特定客户的解决方案。
defy.vc将横向技术平台分为四类。
第一类是基础模型
这类企业负责构建机器人的智能层，让系统能够感知环境、进行推理并执行动作。World Labs、General Intuition和Dyna等公司正在探索通用物理AI模型，NVIDIA、OpenAI和Google DeepMind也在持续投入这一方向。
第二类是数据与仿真
这是物理AI与大语言模型存在明显差异的领域。大语言模型可以利用互联网上积累的大量文本数据进行训练，但物理AI需要的是机器与真实世界交互所产生的经验。
机器人不仅需要识别物体，还要理解空间关系、运动变化和动作结果。这类数据通常需要在真实环境中获取，采集成本高、耗时长，也很难快速扩大规模。Waymo就是一个典型案例，自2009年开始，Waymo花费十多年时间，投入数十亿美元积累真实道路驾驶数据。
真实世界的数据难以快速、低成本地获取，使仿真、合成数据和数字孪生成为重要的基础设施方向。Scale AI、Mecka和micro1等企业都在探索如何利用相关技术，为物理AI提供更多训练和测试数据。
第三类是推理、可观测性与运营工具
随着机器人从单机测试走向规模化部署，企业需要持续监控设备状态、排查故障并管理整个机器人群体。Reflex、Openmind、Viam和Intrinsic等公司正在提供相关工具，帮助开发者管理日益复杂的自主系统。
第四类是全栈机器人
Figure、Apptronik、1X、Tesla和Boston Dynamics等公司同时开发机器人硬件和智能系统，希望通过软硬件协同优化整体性能。
这种模式与横向技术平台存在明显区别，但defy.vc仍将其纳入横向市场框架，因为这类企业试图建立的不只是面向单一行业的软件工具，而是更完整的机器人技术平台。未来市场究竟更倾向于软硬件一体化，还是由不同技术供应商组成的模块化生态，仍是行业重要问题。
04. 垂直市场的商业化机会，取决于客户需求与实际回报
与横向平台不同，垂直应用企业需要直接解决具体行业中的问题。defy.vc尤其关注那些劳动力约束明显、经济价值较高，同时又长期难以实现自动化的行业。
工业、制造与仓储是目前相对成熟的方向之一。这些场景通常具有较稳定的工作流程，而且劳动力短缺问题突出，因此更容易找到能够明确衡量投资回报的自动化任务。Symbotic和Dexterity等公司的部分应用，投资回报周期可以按月而非按年计算。
工厂和仓库还能够通过改造设施，为机器人创造更适合的工作环境。Dexterity的机器人已经能够处理不同尺寸的包裹，参与货车装卸、码垛和分拣等任务。
自动驾驶同样已经出现规模化商业应用。Waymo展示了自动驾驶商业化运营的可行性。Aurora、Waabi、Kodiak Robotics和Zoox等公司，也在货运、物流和出行服务中探索不同的商业模式。尽管行业经历过市场预期的反复调整，但交通运输仍然是物理AI潜在规模较大的市场。
相比工业和自动驾驶，其他行业的应用条件与发展阶段存在明显差异。
国防正在成为物理AI应用较为活跃的领域。在当前全球地缘政治环境下，自主系统越来越被视为重要的战略能力，不仅涉及任务执行速度，也关系到人员安全。Anduril通过整合自主技术、软件和硬件建立了国防技术平台，Shield AI、Saronic和Skydio则在自主系统、海上设备和无人机等领域推进相关技术。
医疗自动化仍处于相对早期阶段。Intuitive Surgical早已证明，当机器人能够改善临床结果与工作流程时，医疗机构愿意采用相关系统。如今，Akara等公司正在进一步探索AI在手术室中的应用。
农业、建筑和能源同样具有发展潜力，这些行业普遍面临劳动力短缺，工作环境复杂，还包含大量重复但难以自动化的任务。例如，Carbon Robotics利用AI系统进行精准除草，帮助农户减少化学品使用并提高效率；Built和Bedrock则将自主技术应用于重型设备，改善施工现场部分重复性和危险性任务的执行方式。
这些案例说明，物理AI的商业化不一定要等待完全通用的机器人出现。只要能够在具体场景中可靠地完成任务，并带来明确的经济收益，专用机器人同样具备商业价值。
05. defy.vc更关注的，是机器人背后的基础设施
人形机器人是物理AI最受公众关注的方向之一，但在研究250多家企业之后，defy.vc对底层基础设施产生了更大兴趣，其中包括数据与仿真平台、推理和可观测性工具，以及用于大规模部署、调度和管理自主系统的软件。
这些技术的共同特点是能够服务不同类型的机器人，其市场机会不完全依赖某一家机器人制造商或某一种硬件形态取得成功。未来无论是人形机器人、工业机械臂还是其他专用设备获得更广泛应用，它们都可能需要训练数据、仿真测试、运行监控和设备管理能力。
因此，defy.vc将这类企业视为物理AI领域的“卖铲子”机会。
不过，defy.vc并没有将当前的产业结构视为定局。不少企业同时覆盖多个技术环节，市场分类仍在变化。新的创业公司不断出现，当前看似领先的企业，五年后也未必能够维持同样的地位。
因此，这张覆盖250多家企业的市场地图，反映的是物理AI当前的产业结构与技术分工，并非对未来赢家的预测。随着行业发展，不同技术环节之间的边界和竞争关系仍可能发生变化。
结语
物理AI仍处于发展早期，产业分工和竞争格局尚未定型。随着更多机器人进入实际应用，市场对数据、仿真和部署管理等基础能力的需求也将逐渐清晰。未来的竞争不仅涉及机器人产品本身，也涉及支撑其规模化应用的整个技术生态。哪些企业能够在这一过程中建立长期价值，仍需要持续观察。
对话｜红杉资本 x Google AI基础设施负责人Amin Vahdat：AI算力竞争，拼的不只是芯片
Insights｜前Khosla Ventures合伙人Nikunj Kothari：机器人行业最大的挑战，是从试点走向规模化落地
来源：The Prospect · 微信公众号 · mp.weixin.qq.com