9月23日，成立仅两个多月的息壤开物，拿到了一张颇为亮眼的融资成绩单。

据财联社报道，物理基础模型公司息壤开物连续完成数亿元人民币种子轮及天使轮融资，由敦鸿资产领投，华控基金、三花控股、银杏谷资本等机构跟投，公司估值达到5亿美元，约合35亿元人民币。

一家公司刚刚成立，资本就愿意为它开出如此高的价格，背后自然少不了明星创业者的光环。

息壤开物创始人兼CEO李寅，曾任华为云大模型CTO，参与华为大模型从0到1的建设，拥有大规模模型训练、算力集群管理及行业交付经验。另一位核心人物张含望，则是南洋理工大学AI领域校长讲席教授，融资报道显示，其即将出任息壤开物联合创始人、首席科学家。

不过，今天的大模型创业早已不是仅凭一份漂亮履历，就能让资本心甘情愿掏钱的生意。

息壤开物的特别之处，在于它选择了一条与多数具身智能公司不同的路线：不造机器人本体，也不专注某个具体应用，而是尝试用一套通用物理基础模型，为机器人、自动驾驶等不同产业提供对物理世界的理解、预测与决策能力。

换句话说，息壤开物想做的，是一门不必亲自造机器人的生意。

这并非资本对Physical AI概念的一次简单追捧。随着大模型逐渐进入产业应用阶段，当硬件不断迭代、应用场景持续增加，机器人产业确实需要一家独立的基础模型公司，为不同设备提供能够反复使用的智能能力。

息壤开物所争取的，不只是一款模型的市场份额，而是机器人产业未来可能出现的一层公共基础设施。

一、机器人越热，息壤开物越不想造机器人

过去几年，具身智能行业最容易被公众感知的进步，几乎都发生在机器人本体上。从双足行走、灵巧手抓取，到搬运分拣、工厂巡检，机器人逐渐摆脱实验室，开始进入更加具体的生产和生活场景。

但机器人会动，与机器人能够独立完成复杂工作，是两回事。

以工厂里一项看似简单的抓取任务为例，传统自动化设备可以按照预先设定的程序，在固定位置抓取物体、沿固定路线移动，再将其放到指定位置，只要生产环境足够稳定，这套程序就能连续运行。

可真实的生产环境并不总是按照程序运行。零件的位置可能发生偏移，不同批次的材料可能存在差异，抓取过程中也可能出现滑落、碰撞等意外。如果机器人只能识别事先规定的情况，每增加一种异常，就可能需要重新编写程序、调整参数甚至改造生产线。

因此，物理AI的产业价值，不只是让机器人学会更多动作，而是让它具备一定程度的环境理解、结果预测和自主调整能力，以应对预设程序之外的变化。

而息壤开物所研发的LPM，试图将物理世界中的状态变化、动作规划和结果预测放进统一的模型架构，让模型在不同任务之间积累可以迁移的能力。

如果这条路线能够走通，一家机器人厂商在开发新产品时，就不必为每个任务重新训练一套完整模型，而可以利用已有的基础能力，再针对具体本体和应用环境进行适配。

这样的需求其实也是应运而生。

例如，一条生产线经常更换产品，需要机器人快速学习新的操作流程；一台服务机器人面对不同的房间和物品，需要在陌生环境中完成任务；又或者，一家制造企业希望减少设备重新编程和人工调试的频率。

在这些场景里，智能能力能否复用，才开始具有明确的经济价值。

机器人已经证明了机器可以替代一部分重复劳动，物理AI则要证明，机器学习新工作的成本，能否低于人们教会它的成本。

所以，息壤开物选择放弃本体竞争。机器人本体需要面对电机、减速器、传感器、供应链和生产制造等一系列问题，还要承担产品定型、交付和售后成本。不同场景又可能催生不同形态的机器人，硬件厂商很难在所有市场同时占据优势。

独立模型公司则可以尝试与不同本体厂商合作，将同一套智能能力应用到多个设备平台。相比于押注某一款机器人，息壤开物显然更在乎整个机器人产业智能化升级所创造的价值。

二、息壤开物想做的，是机器人产业的公共生意

息壤开物并没有将全部筹码押在单一模型上。

除LPM之外，公司还对外展示了XR数据平台和XR评测平台。前者覆盖多模态数据接入、清洗、标注、质量检查及版本管理，后者则提供仿真场景构建、策略执行、结果分析和失败样本回流等功能。

将模型、数据和评测放在一起，息壤开物的商业意图也就更加清晰。它希望通过一套完整的研发体系，将不同机器人厂商各自重复建设的能力沉淀下来，向更多客户提供可复用的模型与工具。

这种思路并不新鲜，但放在Physical AI领域，市场仍处于探索阶段。目前，机器人产业缺少像互联网文本之于语言模型那样丰富、现成且相对统一的训练资源，智元觅蜂科技 CEO 姚卯青给过一组对比：GPT-5 训练语料折合约 100 亿小时，全行业汇聚的高质量具身数据约 50 万小时。

不同厂商使用的机器人结构、传感器配置和控制方式存在差异，即使完成同一个抓取动作，产生的数据也未必能够直接用于训练另一台机器人。

模型评测同样如此。

一家机器人公司展示了十次成功抓取，另一家公司展示了连续工作两小时，两者究竟谁的模型更适合工业生产，不能只凭演示画面判断。但一套模型在仿真环境里能够完成动作，也不意味着它进入真实工厂后，可以保持相同的成功率和稳定性。

如果这些环节始终由各家企业独立完成，不仅研发成本居高不下，技术成果的跨平台迁移也会受到限制。

息壤开物试图解决的，正是这种重复建设。

更重要的是，数据、模型和评测并不是三门彼此独立的生意。通过数据平台整理不同场景的交互信息，基础模型可以获得更多训练材料；评测平台负责发现模型在不同任务中的能力短板；失败样本重新进入数据体系，又可以服务下一轮模型训练。

一旦这套流程在多个客户之间实现复用，息壤开物就有机会将分散的行业经验，逐步转化为自身持续积累的产品能力。

英伟达就是先例。英伟达的Isaac GR00T平台已经覆盖基础模型、数据管线、仿真框架、软件工具和边缘端推理部署，其Cosmos世界基础模型平台也提供模型、数据处理及训练工具。早在2025年云栖大会期间，阿里云就宣布将英伟达Physical AI软件栈整合进PAI平台，帮助开发者在云端完成数据处理、模型训练、仿真和验证等工作。

只不过，英伟达可以通过芯片、算力平台和软件工具，与机器人厂商建立长期合作关系，基础模型即使不是其唯一的直接收费产品，也能够顺带着服务于更广泛的软硬件生态。

息壤开物则不同，作为一家独立模型公司，它最终需要让模型和配套工具本身产生足够的商业价值。

如果客户只愿意购买数据处理工具，不愿意使用它的基础模型；或者仅在模型测试阶段使用评测平台，正式部署时又转向其他技术方案，那么三者未必能自然形成一个相互促进的商业闭环。

因此，息壤开物面临的并不只是与其他世界模型竞争，还包括与已有云平台、仿真工具和机器人厂商内部研发体系之间的竞争，后续以更低的成本、更快的训练速度或更稳定的实际效果，让客户选择第三方方案，才是方向。

今年9月，息壤开物披露，其LPM在WorldArena 2.0的Track 1视频质量赛道中，取得轨迹精度全球第一、物理遵循性全球前三的分项成绩。这是公司现阶段一个值得关注的技术进展，但也需要明确成绩的适用范围。

WorldArena 2.0官方将评测分为视频质量、世界模型作为强化学习环境的能力，以及真实机器人操作等不同赛道。Track 1主要考察生成视频的视觉质量、运动表现、物理遵循性及可控性，并不直接等同于模型在真实机器人上的综合操作表现。

对于息壤开物来说，分项成绩能够为其技术路线提供阶段性支持，但距离产业化仍然存在更多需要验证的环节。

毕竟，机器人客户最终购买的不是一段符合物理规律的视频，而是一套能够帮助设备完成实际任务、减少训练成本或提高生产效率的能力。

一套模型即使能够准确预测物体的运动，也未必能够据此让机械臂稳定完成抓取；能够在某种机器人上完成任务，也不代表迁移到另一种本体时，不需要额外付出大量适配成本。

这是物理基础模型从研发走向产品时，必须跨越的距离。模型的能力可以在榜单上比较，模型的价值却要到客户的设备上计算。

息壤开物已经展示出构建完整技术体系的意图。

接下来，这套体系关键在于，能否帮助客户实现减少重复研发、缩短开发周期，并在多个项目中持续产生价值。这也将决定它最终到底是一家基础设施公司，还是又一家拥有先进模型的技术供应商。

写在最后

Physical AI带来的产业机会，并不局限于让机器人变得更加聪明。

随着越来越多的智能设备进入真实生产环境，围绕数据、模型、仿真、训练和部署形成的产业体系，同样可能孕育新的商业机会。

息壤开物选择在这一阶段进入市场，试图通过独立模型与配套工具，为不同机器人厂商提供可以复用的基础能力，这样的商业逻辑很对资本胃口。

但机器人产业与互联网产业毕竟不同。

物理世界中的设备形态、作业环境和安全要求高度复杂，许多看似可以通过模型统一解决的问题，最终仍要回到具体的生产现场。

一家基础模型公司即使能够参与多个行业，也不意味着它天然拥有了这些行业的市场。

李寅靠着“华为光环”，进入市场的门票已然到手，后面的路只会越来越难走。

*题图及文中配图来源于网络。

本文来自微信公众号 “深渡Cross”（ID：DeepCross02），作者：方块三