Reference · Company dossier
旧金山机器人基础模型公司，不造硬件，试图做机器人的"智能层"，以 π 系列 VLA 模型加 Pi API 向第三方机器人厂商收费。[确认]
2024 年成立，总部旧金山；七位联合创始人：Karol Hausman（CEO，前 Google DeepMind）、Sergey Levine（UC Berkeley）、Chelsea Finn（Stanford）、Brian Ichter、Quan Vuong、Adnan Esmail、Lachy Groom。[确认] 团队约 200 人（2026 年初第三方统计），研究型组织，公司未披露正式员工数。[推测]
2024 年 3 月约 7,000 万美元种子轮（Thrive 领投）；2024 年 11 月 4 亿美元 A 轮、估值约 24 亿美元（Bezos、OpenAI、Thrive、Lux 等）；2025 年 11 月 6 亿美元 B 轮、估值约 56 亿美元（CapitalG 领投）。[确认] 据 Bloomberg 报道与企业文件，2026 年 5 月完成约 10.5 亿美元 C 轮、估值约 110 亿美元，Founders Fund 领投、Lightspeed 参与，公司未官宣；累计融资约 21 亿美元。[确认] 二级市场 2026 年 9 月估值约 118 亿美元。[推测]
模型线：π0（2024-10，首个通用策略，2025-02 开源权重与代码，Apache-2.0）、π0.5（2025-04，开放世界泛化）、π*0.6（2025-11，用强化学习从经验中提升）、π0.7（2026-04，可 steer、出现组合泛化）。[确认] 2026 年 3 月另发多尺度具身记忆 MEM 与 RL Token 在线强化学习。[确认] 2026 年 10 月 13 日开放 Pi API beta：客户上传数据、在托管算力上微调、通过网关做云端推理。[确认] 不自建机器人，合作方包括 Weave（洗衣折叠）、Ultra（电商打包）、Actor（装载机）、Almond、CloudChef、AgRobotics 等。[确认]
公司的技术栈是一套模型加一层服务，硬件由合作方提供。模型侧以视觉语言模型为骨干，接一个动作专家，用流匹配生成连续动作块。π0 的骨干取自 PaliGemma，参数量约三十亿，动作专家约三亿，两者通过共享注意力连接；图像、语言与本体状态被编码成 token，动作专家在噪声上迭代去噪，输出一段未来动作[确认]。这段动作以关节或末端位姿表示，频率可达数十赫兹，由机器人自身的控制器跟踪。
π0.5 在预训练数据里加入网络图文与跨本体操作数据，推理时先预测子任务，再生成低层动作，形成两级结构[确认]。π*0.6 引入强化学习后训练，用自主运行的成功与失败、以及人工纠正来训练价值函数，再以优势值为条件调整策略[确认]。π0.7 把提示扩展到多模态：语言指令、视觉子目标、期望回合长度都可以进入条件，模型据此选择策略与节奏[确认]。记忆模块与在线强化学习组件在 2026 年 3 月加入[推测]，用来处理长程任务与部署后的持续改进。
服务层是 Pi API。客户上传演示数据，平台在托管算力上做微调，再通过网关提供云端推理；开发者用评估数据判断下一轮采集方向。[确认] 这套接口把训练基础设施、数据管线与模型版本管理封装在服务端，客户只需要准备数据与机器人。设备运维由客户或集成商承担，安全监控同样落在采用方。
感知依赖相机与视觉语言模型的语义特征。模型从多路图像中提取物体、材质与空间关系的表征，结合语言指令判断目标与操作方式，不显式构建三维地图，也不单独输出物体位姿。跨本体迁移靠数据增强与相机参数归一化实现：不同机器人的相机安装位置、视野与分辨率在训练时被映射到统一表示，模型学会忽略具体的安装差异。[推测]
这种路线在语义泛化上有优势，面对新的厨房与包装线、未见过的物体时能调用预训练知识；代价是空间精度依赖像素与标定。相机外参偏差几度，抓取点就会偏移几厘米；工作距离变化后，同一物体的尺度表征失效。透明物体、反光金属与强逆光会让视觉编码器丢失边界，模型给出的末端位姿落在物体之外。合作方的现场报告提到漏抓与干预，感知误差是主要故障源之一。[确认]
替代方案各有取舍。传统方案用深度相机加点云配准估计六自由度位姿，精度高，需要物体模型与现场标注；专用抓取模型在已知物体上成功率高，换物体要重新采集。VLA 模型把识别、规划与动作放进一个网络，减少工程环节，把误差集中到端到端策略上。路线选择取决于任务的可变性：SKU 固定的产线适合专用方案，SKU 长尾的场景适合通用模型。
规划分成两层。高层把语言指令拆成子任务，例如先打开抽屉再放入物品，输出给低层；低层动作专家以当前图像与本体状态为条件，生成一段动作块，执行若干步后重新规划。[确认] 动作块的长度与执行频率是调参结果：块太长，环境变化后无法及时纠正；块太短，推理开销上升，动作出现停顿。π0.7 用视觉子目标约束空间布局，用回合长度约束节奏，让同一个模型在不同策略间切换。[确认]
控制层由机器人厂商提供。模型输出的是期望位姿或关节序列，伺服环、力矩限制、碰撞检测与急停都在厂商控制器里。公司没有提供取得安全认证的运行时，也不对动作做形式化验证，安全边界由客户根据 ISO 10218 与现场风险评估设定。[推测] 这意味着模型能力的上限受制于本体的控制质量，下限受制于客户的工程能力。
失败模式与任务类型相关。长程任务的误差会累积，前十步的小偏差在第二十步放大为抓空；双臂协调要求两只手的时间同步，模型对延迟差异敏感；接触丰富的任务如插拔、拧紧、折叠，力控信息缺失时容易打滑或过冲。公司用记忆模块缓解长程遗忘，用强化学习提升成功率，根本问题仍在数据覆盖与纠正频率。
数据来源包括：多本体遥操作演示、人类视频、自主运行的 rollout、合作方现场数据。遥操作提供动作标签，人类视频提供场景与任务语义，自主 rollout 提供成功与失败的分布，现场数据提供特定应用的边缘案例。训练把这些数据混合，用流匹配拟合动作分布，再用强化学习做后训练。[确认] 数据配比、采样权重与本体平衡是核心工艺，公司未公开细节。
训练基础设施是竞争的一部分。大规模 GPU 集群、数据管线、分布式训练与评估系统构成固定成本，模型越大，单位实验成本越高。公司通过开源 π0 的权重与代码换取社区贡献与招聘便利，同时保留最新模型与训练配方。[确认] 开源的部分让学术界能复现与微调，闭源的部分维持商业差异。
验证边界在实验室与客户现场之间。内部评估用固定任务套件，指标是成功率与执行时间；客户现场用整班次自主率、人工干预次数与漏抓率衡量。合作方公布的改善幅度来自各自场景，缺少统一口径，跨客户比较意义有限。[确认] 真正的泛化能力需要在未见过的场景里验证，这类数据公司掌握得比外界多，外界难以独立复核。
公司不设计机器人，硬件来自合作方。Weave 用双臂机器人做洗衣折叠，Ultra 用固定工位做电商打包，Actor 把模型装到装载机上，Almond 的 Axol 是双臂研究平台。[确认] 这种分工让公司把资本集中在模型与算力，避免整机研发、制造与认证的重资产。代价是模型必须适配不同相机、不同自由度与不同控制器，工程复杂度转移到集成环节。
推理主要跑在云端。多数早期部署通过 Pi API 的托管推理执行，机器人端只负责采集图像、上传与执行动作。[确认] 云端推理的好处是模型可以快速迭代，客户不用维护 GPU；坏处是延迟与网络可用性成为生产约束，工厂网络抖动会直接表现为动作停顿。对节拍要求高的场景，边缘部署是必然选择，公司需要提供可下沉的运行时。
供应链风险由客户承担。机器人本体、相机、夹爪与算力平台的交期决定部署节奏，公司只保证模型可用。算力采购是另一条隐性供应链，GPU 供应紧张时，微调与推理成本上升，API 的毛利受压。[推测] 这种轻资产结构在扩张期灵活，客户要求端到端保证时会暴露短板。
Pi API 是主要的商业接口。工作流是上传数据、启动微调、部署模型、调用推理、用评估结果决定下一轮采集；平台提供模型版本管理与托管网关，客户在自己的机器人上实现动作执行与安全逻辑。[确认] 定价、SLA 与最低采购量未公开，beta 阶段以项目合作方式推进。[未获取] 除 API 外，公司提供开源权重、论文与仿真环境，供研究者复现。
生态策略是开放模型加封闭服务。开源 π0 让高校与初创公司以低成本进入，形成开发者基础与论文引用；最新模型、训练配方与托管服务留在公司内部，形成付费理由。[推测] 与硬件厂商的合作扩大到洗衣、包装、装载、餐饮等场景，合作方提供场地、数据与本体，公司提供模型与工程支持。
迁移成本中等偏低。客户的数据与微调产物留在平台内，换供应商需要重新采集与训练；但模型层可以替换，Skild、Gemini Robotics 与自研团队都在提供同类能力。客户在多供应商之间做对比测试的成本不高，这限制了定价权。真正的锁定来自数据格式与评估流程的惯性，深度不足以阻止更换。
当前优势来自流程能力与反定位两项，网络经济处于形成期。流程能力指把数据采集、训练、评估、部署串成可重复的迭代循环，合作方能在数天内完成一次任务适配，这种速度来自团队的研究积累与工程化管线。[推测] 反定位指开源 π0 对抗闭源巨头：开放权重让公司获得开发者与学术界的支持，把竞争引向数据与迭代速度，避开与云厂商在算力上的正面比较。
网络经济的雏形在跨本体数据。接入的本体越多，模型见过的相机配置、自由度与任务分布越广，新客户的冷启动成本越低；客户越多，现场边缘案例越丰富，下一版模型的鲁棒性越好。这个循环目前规模小，合作方数量有限，数据回流依赖合同安排，尚未形成自增强的市场地位。[推测] 规模经济在推理成本上部分成立，GPU 利用率与批处理能摊薄单位成本，幅度取决于客户分布。
品牌与人才构成辅助优势。创始团队的学术声望带来招聘便利与合作伙伴信任，论文与演示带来媒体曝光。这些优势难以量化，也不构成排他性资源。综合看，壁垒的基础是数据与迭代速度，尚未形成可防御的结构；用七种力量衡量，流程能力最强，反定位与网络经济次之，规模经济、转换成本、品牌与独占资源都弱。
第一条可证伪条件在商业化。观察窗口 12 个月，指标是付费客户数、续约率、单客户收入与 API 收入占比；若付费客户数量增长低于两成，或早期客户在合同到期后转向自研与竞品，说明模型层没有形成持续付费的理由，结论应改为"项目制服务商"。
第二条在开源与商品化。观察窗口 12 个月，指标是开源衍生模型的任务成功率、微调所需数据量与推理成本；若社区基于开源 π0 微调出的模型在常见任务上与最新闭源版本的差距缩小到 5 个百分点以内，模型授权的溢价被压缩，公司只能靠服务与算力收费，结论应改为"开源模型加托管服务"。
第三条在数据效率。观察窗口 18 个月，指标是客户现场达到可用自主率所需的演示数据量；若该数据量与单本体从头训练相当，跨本体迁移的主张失效，结论应改为"单场景模型供应商"。
技术层面还有一条边界。模型不提供安全保证，进入汽车、医疗与重载场景需要外部安全层与认证，项目周期与成本会显著上升；客户要求端到端交付时，公司需要补齐集成与运维能力，轻资产结构随之变得难以维持。观察窗口 24 个月，指标是认证项目中客户要求端到端交付的比例；若该比例超过三成，公司需要自建集成团队，结论应改为"模型加集成服务商"。
以 API 与授权向机器人厂商收费，尚无公开价目、SLA 与最低采购量；现有部署多由合作方现场兜底，Weave 称 π0.6 显著提升自主率、接入其预训练数据后漏抓减少 42%、人工干预减少 50%，Ultra 称整班次打包自主率 96.4%。[确认] 收入未披露，2026 年 3 月有韩国媒体称其"无商业产品、无收入"。[确认]
最直接对手是 Skild AI（2026 年 1 月 14 亿美元 C 轮、估值约 140 亿美元，累计融资约 22 亿美元）；此外 Google DeepMind Gemini Robotics、Figure Helix、Tesla 自研栈、Generalist AI，以及智元、宇树的自研模型构成多线竞争。[确认] Pi 的差异化是开放生态与学术声望，劣势是商业化进度最慢、估值较 Skild 明显折价。[推测]
技术风险是长程任务可靠性与跨本体数据效率仍未解决；商业风险是 API 刚起步、无定价、无收入、客户集中且规模小；资本风险是估值 18 个月内从 24 亿升至 110 亿美元，若融资环境转冷将承压。[推测] 结论：Pi 是机器人基础模型赛道学术声望最高的公司，2026–2027 年 Pi API 的付费客户数与单位经济性，是判断其能否成为行业智能层标准的关键。[推测]
Philosophy sword
融合主轴尚未定义。这里将放：一句话定性、三线状态、三项判定与反证条件。
预留位 · 不参与当前分析