Physical AI 最该先拆成两层

W26 里跟机器人和具身智能相关的项目并不少，但如果不先分层，很容易把应用层和底层供给层混成一锅。GrazeMate、RoboDock、Remy AI 更接近部署型应用公司；Asimov、One Robot、Human Archive 更接近数据、仿真与训练供给层。两组项目的成败条件完全不同。

应用层的核心问题是 deployment：机器人到底能不能在真实场景里稳定工作，客户愿不愿意为省下来的成本付钱。供给层的核心问题则是 demand concentration：数据和仿真当然重要，但客户最后会不会把这层外包给别人，而不是自己做。

GrazeMate：典型的 problem-first 机器人项目

GrazeMate 做的是用 AI 无人机驱赶和转移牛群。这个方向听起来很非主流，但从商业逻辑上反而非常健康。公开页面直说，牧场在 cattle movement 上每年可能花掉十万美元以上，这意味着它不是在发明需求，而是在替代一个本来就很贵、又很麻烦的动作。

我喜欢 GrazeMate 的地方，是它没有上来就做“通用农业机器人”，而是选了一个足够痛、足够高成本、又足够容易衡量 ROI 的动作。问题在于，这个切口的 TAM 可能不够大，除非它后续能扩成更广的 ranch operations platform。

  • 成熟度： problem definition 非常扎实，比很多只讲愿景的机器人项目更接地。
  • 方向潜力：农业自动化长期存在，但单一动作的市场天花板通常有限。
  • 商业价值：如果它只做 cattle herding，会更像优质利基；如果能扩到更广的牧场自动化，平台价值才会放大。
  • 投资判断：谨慎乐观。ROI 清楚，但要持续看扩张路径。
  • 下一个验证点：真实牧场部署数、季节性使用强度、复购与扩单是否来自同一牧场客户，以及是否开始出现 ranch operations 平台化迹象。

RoboDock：赌的是 autonomous fleet 时代的地面基础设施

RoboDock 做的是 autonomous depot operations，帮自动驾驶和电动车车队自动完成充电和检查。创始团队来自 Zipline 和 Plus，这个背景说明她们理解的不只是硬件，也理解自动化系统如何真的进场。

RoboDock 的逻辑在产业上很好懂：真正的 autonomous fleet 不可能只把车端做自动，地面运维还全靠人工。问题在于，它高度绑定 autonomous fleet 的 adoption 节奏，而这个节奏未必像创业公司希望的那么快。

  • 成熟度：问题真实，但市场成熟度更依赖下游产业节奏，而不是单一产品本身。
  • 方向潜力：一旦 autonomous fleet 扩张，depot automation 会是不可回避的环节。
  • 商业价值：基础设施位置很关键，但 CAPEX、交付复杂度和长销售周期都会拉高执行难度。
  • 投资判断：高 beta 的产业链项目。适合押长期自动驾驶基础设施的人。
  • 下一个验证点：真实车队部署数量、每个 depot 的资本回收周期，以及它是不是开始进入标准化 rollout 而不只是试点。

Remy AI：比“通用机器人”更像真钱生意

Remy AI 选择的是电商 3PL 仓库里的高灵巧度任务。这个方向有一个明显优点：它不是在试图先证明“机器人什么都能做”，而是在拿一个大量仓库仍然高度手工、且对人工高度依赖的细分场景切入。

从投资角度看，仓储自动化的吸引力一直都不在故事，而在单位经济。只要 Remy AI 的机器人能稳定地替代某几个高频高成本动作，它就比很多 humanoid 愿景公司更容易走出一条可验证路线。

  • 成熟度：仍早，但客户场景选择非常务实。
  • 方向潜力：3PL 是很好的第一块市场，因为自动化率低、压力高、客户又足够多。
  • 商业价值：关键不在机器人本体，而在“学新任务”的速度和部署维护成本。
  • 投资判断：在机器人应用层里，这是我相对更看好的商业化方向之一。
  • 下一个验证点：仓库上线周期、每新增任务的训练与部署成本、现场稳定性，以及客户是否愿意从单点动作扩到更多仓内工位。

Asimov：机器人数据版的 pick-and-shovel 逻辑

Asimov 想做的是 humanoid 训练所需的人类动作数据。这个方向一眼就能让人想到“Scale AI for humanoids”，而创始团队来自 Scale AI、Amazon 和 defense robotics，本身也说明他们在供给层有较强的 team-market fit。

这类公司吸引人的地方是，不需要押注单一机器人赢家，只要整个 humanoid 市场扩张，数据层就都有机会受益。问题同样直接：越是重要的数据，越有可能被大客户视为核心资产而选择自建。

  • 成熟度：更像前置供给层，商业启动速度天然慢于应用层。
  • 方向潜力：如果 humanoid 训练真的长期缺高质量现实数据，它的潜力会很大。
  • 商业价值：必须证明自己的数据采集网络和交付效率不是轻易可复制的。
  • 投资判断：适合当作 pick-and-shovel 期权去看，但要警惕客户自建风险。
  • 下一个验证点：头部机器人客户是否持续复购、数据采集网络的独占性，以及客户是否愿意把核心训练数据长期外包。

One Robot：world model 很重要，但市场时点未必今天就成熟

One Robot 做的是用于机器人训练与评测的 world model based simulation。它抓住的痛点没有问题：现实世界采集太慢、太贵、太难复现，仿真一旦足够真，就能大幅降低训练成本。

但世界模型方向有个天然难点，是真实需求往往先集中在少数顶级机器人团队和研究团队手里。这意味着收入起步可能不是问题，规模扩张才是问题。

  • 成熟度：技术方向前置，离大规模市场仍有距离。
  • 方向潜力：如果模型和机器人训练逐步工业化，仿真层的价值只会越来越大。
  • 商业价值：最大的挑战不是 demo 真实性，而是让仿真环境足够可泛化、可复用、可持续采购。
  • 投资判断：高技术赔率项目，适合有耐心的 deep tech 资金。
  • 下一个验证点：仿真结果与真实世界 performance 的相关性、客户续费，以及 world model 是否开始形成任务级复用并从定制项目走向标准化平台。

Human Archive：多模态现实数据层，价值和 burn 都会很重

Human Archive 的定位是多模态现实世界数据提供者，服务 robotics 和 world modeling。相比很多同类，它更明显地在做组织扩张，公开页面里的招聘动作也更强。这说明它不是在“试试看有没有需求”，而是在赌一个大规模数据供给市场会形成。

这种公司一旦赌对，会非常值钱，因为它不仅卖数据，更有机会卖持续供给网络和结构化知识产权。可如果市场没有按预期放量，或者头部客户纷纷自建，它也会比轻资产软件更快感受到 burn pressure。

  • 成熟度：在这组供给层玩家里，扩张意图和组织化程度都更强。
  • 方向潜力：embodied AI 一旦进入数据军备竞赛，Human Archive 这类供给层会变得关键。
  • 商业价值：决定它上限的，不是数据量，而是独占性、可重复交付性和客户复购。
  • 投资判断：值得重点跟踪，但必须持续验证“供给网络是不是别人难复制的”。
  • 下一个验证点：供给网络是否形成独家性、数据产品的复购频率，以及 burn 上升是否真的换来了更强的数据供给网络与可持续客户需求。

这组六个项目应该怎么一起看

如果把这六家公司压成一句话，可以这样记：GrazeMate、RoboDock、Remy AI 在证明 physical AI 是否已经开始落地，Asimov、One Robot、Human Archive 在为更大规模的落地准备数据和训练底盘。

对投资人来说，应用层和供给层没有谁天然更好。应用层更快看到 deployment 和收入，供给层一旦成功更可能具备平台性。真正重要的是别把这两层混成一个故事，更不要因为“机器人很热”就自动给每家 supply-side 公司都套上高平台倍数。

谁更像产业软件，谁更像数据期权

如果从兑现速度看，GrazeMate、RoboDock、Remy AI 更接近产业软件或自动化设备公司。它们的共同点是：客户价值更容易被算清，部署成功与否也更容易在现场验证。这类项目的上限未必像通用机器人叙事那样夸张，但收入、毛利和 rollout 节奏往往能更早被看见。

Asimov、One Robot、Human Archive 则更像数据与训练底盘的长期期权。它们服务的是一个可能很大的未来市场，但今天的核心挑战不是“逻辑是否成立”，而是“客户是否已经准备好把预算持续交给外部供给商”。所以对这组三家公司，更应该看供给网络独占性、客户复购和是否开始形成事实标准，而不是只看 demo 吸引力。

这条投资逻辑什么时候会失效

第一种失效方式，是 deployment 学习曲线比想象中更慢。很多机器人公司不是死在技术不能演示，而是死在现场环境千差万别、维护成本太高、标准化 rollout 太慢。如果真实部署长期停留在试点阶段，再好的叙事也很难支撑持续高估值。

第二种失效方式，是底层供给被客户内建掉。数据、仿真和 world model 看起来都像平台层，但头部机器人公司很可能把这些能力视为核心资产自己掌握。只要大客户集中选择内建，外部供给层的市场空间就会明显收缩。

第三种失效方式，是我们把同一个浪潮里的不同商业模型用同一把尺子去量。机器人应用层更接近 deployment business，底层供给层更接近 deep tech infrastructure。前者看单位经济和复制效率，后者看独占性和长期标准化潜力。把这两层混在一起比较，最容易在投资上做出错误定价。