6.2
深览指数
科技量子位··AI 生成
从餐饮后厨到物理世界基础模型：量化派的物理AI，走的是卖能力的路
本文介绍了量化派在具身智能领域的商业定位：不卖硬件，不卖解决方案，而是做跨场景、跨本体的「物理世界基础模型」能力层。通过其在餐饮后厨完成的四轮技术验证（三明治制作、购物袋分拣、牛排撒盐、奶茶制作），展示了其技术路径。核心论点是与Physical Intelligence等公司类似，卖能力层的商业模式具有更高的估值天花板和规模化潜力，其壁垒在于真实场景下的多路径数据积累。文章适合关注具身智能商业模式、AI产业投资以及技术路线的读者。原文 ↗
核心观点
- ▍量化派的商业定位是成为「跨场景、跨本体的开放生活场景世界模型提供商」，即卖能力层。其核心逻辑是：一次训练，多场景复用，让机器人理解物理世界的底层AI能力能像API一样被调用，将新场景的边际成本压至近零。
- 01Physical Intelligence 在 2024 年以 24 亿美元估值完成 4 亿美元融资；Skild AI 在年营收仅 3000 万美元时，估值达到 140 亿美元（软银、英伟达领投 C 轮），验证了资本市场对物理世界基础模型的高估值预期。
- 02量化派在餐饮后厨完成了四轮真实动态工况的技术验证：三明治柔顺制作、购物袋自主分拣、牛排跨抽屉找盐调味、奶茶跨设备协同，所有验证均在真实后厨而非实验室环境完成。
- 032026 年 6 月，工信部与国资委联合发布「人形机器人与具身智能实景实训专项行动」，要求 10 省市及全部央企在真实场景下验证，并提出「最小干预、利旧复用」的要求，政策直接推动行业从展厅进入真实场景。
- 04量化派的数据壁垒来自四条路径：B端商业场景落地、C端智能硬件布局、用户置换式采集和场景共创数据共享。作者认为物理世界数据无法靠砸钱快速买到，只能通过时间和真实运营积累。
反方 / 局限
- — 从已验证的四个餐饮场景迁移到更多生活服务场景，每次迁移的适配成本有多高、背后涉及多少次真机试错，文章并无公开数据支撑。跨场景复用的边际成本能否真正接近于零，是商业模型成立与否的关键。
- — 仿真环境向真实世界迁移时存在「现实落差」，量化派能否用全栈自研的系统整合能力将落差缩小到商业可接受范围，决定了其物理世界基础模型的商业价值能否释放。
- — 文章由量化派提供，量子位获授权转载，本质是合作发布的 PR 内容，其叙述叙事和核心判断（如「技术验证跑在前列」「壁垒稳固」等）应优先视为公司立场，而非独立第三方分析。
11 分钟 · 4 卡片 · 10 资料
读原文 →