Physical Intelligence翻译站点

公司概况

Physical Intelligence是一家2024年成立的美国机器人AI公司，总部位于旧金山，由Karol Hausman担任首席执行官。团队聚集机器人学习与机器学习研究人员，目标是构建可复用的机器人智能层，让不同硬件能够借助同类模型完成多种操作任务。公司入选福布斯2026年度AI 50榜单。

它的工作重心是模型、学习算法与真实环境数据，不以销售某一种人形机器人作为唯一产品形态。对机器人制造商和部署团队而言，这类技术有望降低为每项任务重新设计控制软件的负担。

发展历程

团队先后公开了π0、π0.5和π0.6等模型研究，持续探索如何把互联网中学到的知识、机器人演示以及实际执行经验结合起来。2026年2月公布的合作案例展示了模型在洗衣折叠和电商订单包装中的应用，合作方包括Weave与Ultra。

2026年公开的π0.7研究进一步强调通过语言、子目标图像和任务元数据引导机器人。论文展示了跨环境、跨机器人形态的任务泛化，但这些研究结果不代表机器人已能无条件完成任意现实任务。

产品与服务

• 机器人基础模型：π系列模型把视觉观察、文字指令和动作输出联系起来，为抓取、整理、折叠及包装等任务提供通用能力基础。
• 模型适配与部署合作：与机器人企业共同收集和利用场景数据，针对实际设备、工作站与操作流程调整模型，并检查执行效果。
• 公开研究成果：通过技术论文介绍模型结构、训练方法和实验，帮助研究者理解多任务机器人学习与跨硬件迁移。
• 真实任务验证：在合作方现有机器人和客户场景中测试模型，观察任务完成、人工介入和操作可靠性等维度。

核心技术

其核心路线是视觉—语言—动作模型，常简称VLA。模型既要理解“把衣服折好”这样的目标，也要处理相机画面中的位置、形状和接触变化，最后产生连续动作。早期π0研究结合预训练视觉语言能力与流匹配动作生成，使高层语义与细粒度控制衔接。

π0.7进一步使用丰富的上下文条件，除任务文本外，还引入子目标图像和任务表现信息，并结合机器人与非机器人数据。其意义在于让模型学习“如何执行”，而不只识别“要做什么”。真实部署仍需要硬件适配、故障处理和人工接管机制配合。

以折叠衣物为例，机器人不仅要识别衣服，还要处理柔软材料变形、抓取失败和不同尺寸；订单包装则涉及商品差异与工作站设备配合。官方合作案例保留了人工干预机制，说明当前应用仍需要把模型能力与完整运营流程结合。评价这类系统时，应同时观察吞吐、失败恢复和人员负担，不能只看单项动作是否看起来流畅。

发展前景

从已有研究和合作案例看，Physical Intelligence有望成为机器人企业可以重复利用的模型供应方，把能力升级逐步传递到不同设备上。仓储包装、商业洗衣等任务边界相对清晰的场景，可能更适合检验实际收益。

这一判断仍受数据采集成本、罕见失败、动作安全及部署维护条件影响。机器人面对的物理环境会持续变化，实验视频或单次成功率不足以替代长期运行验证。真正值得关注的是不同客户现场能否稳定工作，以及模型更新能否减少人工介入而不引入新的风险。