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

背景

具身智能行业正经历一场定位分化，各方玩家选择不同的商业化路径：有人卖机器人本体，有人卖整套解决方案，而量化派选择卖的是物理世界基础模型。这一选择的商业逻辑在于：硬件会迭代，场景会变化，真正能跨场景复用、持续产生收益的，是让机器人理解物理世界的底层AI能力。与此同时，政策层面的推动正在加速这一变革——2026年6月，工业和信息化部办公厅与国务院国资委办公厅联合发布《关于联合开展2026年度人形机器人与具身智能实景实训专项行动的通知》，10个省市及全部央企进场，要求场景横跨工业、服务、特种三大领域，涵盖生产制造、检测分析、仓储物流、餐饮零售、医疗康养、安全生产、应急救援等真实场景，且每个省市需报送不少于20个重点场景，每家央企不少于10个，2026年11月底前提交验证报告。政策明确要求“最小干预、利旧复用”，拒绝改造环境来迁就机器人，迫使机器人必须在现有条件下证明作业能力。这一“展厅逼进真实场景”的产业变革，让“谁掌握了让机器人快速适应新场景的能力，谁就拿到规模化入场券”的判断浮出水面。

核心内容

量化派近期在餐饮后厨场景中完成了四轮具身智能技术验证，包括三明治柔性制作、购物袋自主分拣、牛排跨抽屉找盐调味、奶茶跨设备协同，全部落地于真实动态工况而非实验室环境。其商业定位是：跨场景、跨本体的开放生活场景世界模型提供商。量化派不绑定硬件，不锁定场景，致力于打造让不同厂商机器人均能调用的通用AI能力层。

量化派在技术文件中对核心能力有简洁区分：推动机器人从“动作自动化”迈向“任务级自主作业”。前者是执行固定程序的动作，后者是理解任务目标后自主完成感知、决策、执行的完整流程。这一区分直接关系到产业规模化能力——市场愿意为物理世界基础模型付费，资本相信其路径可行，最终都指向同一件事：让机器人跨场景复用，把每个新场景的边际成本压到接近于零。

全球资本已验证这一路径。Physical Intelligence在2024年11月以24亿美元估值完成4亿美元融资，投资方包括贝索斯、OpenAI、红杉资本和Khosla Ventures，不造硬件，只做通用AI模型，8个月估值从4亿美元翻至24亿美元。Skild AI曲线更陡，由前Meta AI研究员创立，不碰硬件，只做机器人通用大脑，2024年7月A轮估值15亿美元，不到一年B轮估值47亿美元，随后软银和英伟达以140亿美元估值领投C轮，而公司年营收仅3000万美元。这一估值差并非赌收入增长，而是赌物理世界基础模型未来会被所有机器人调用。

量化派在物理AI领域的定位类似Anthropic在大语言模型中的位置——让不同硬件平台调用同一个AI能力层。Physical Intelligence和Skild AI已证明这条路的估值天花板，量化派需要在中国市场建立类似技术护城河。

量化派的四轮技术验证均落地于真实餐饮后厨：三明治面对软质食材，机器人需实时感知形态、调整力度，完成抓取、涂酱、摆放，产出标准化成品；购物袋分拣无预设流程，机器人需实时判断任务进度，自主识别、抓取、分类摆放；牛排撒盐考验推理能力，机器人需在多个抽屉中翻找盐的位置，自行判断抓取姿势，完成毫米级调味；奶茶制作涉及多设备协同，机器人需与奶茶机、搅拌机、封口机配合，控制液体晃动和位置偏移。四轮验证跑通后，下一步赌注在跨场景复用——量化派的物理世界基础模型不绑定硬件，可在不同厂商机器人上运行，这是RaaS（机器人即服务）模式规模化的前提。

数据积累是核心壁垒。量化派通过多路径采集体系积累数据：B端商业场景落地（与机器人本体公司合作，在餐饮等真实场景采集全流程运营数据）、C端智能硬件布局（多品类硬件在日常使用中自然沉淀多元行为与环境数据）、用户置换式采集、场景共创数据共享。物理世界数据无法通过砸钱快速获取，只能通过时间和真实运营积累。谁先积累足够操作数据，谁就能更快迭代基模、压低成本曲线，形成正循环。

量化派选择以餐饮作为首个核心验证场景，因为其变量密度远高于标准化仓储、物流、家庭桌面任务，泛化价值理论上更大，但验证难度也更高。在国内，其他创业公司切入工业与物流场景，与量化派的餐饮场景形成差异化路径。

从商业想象力到现金流，需要跨过两道坎：第一，跨场景复用的边际成本能否真正接近于零——从餐饮到更多生活服务场景，每次迁移的适配成本有多高，目前无公开数据可查；第二，物理世界复杂度远高于数字世界，从仿真环境向真实场景迁移总存在现实落差，量化派需用全栈自研系统整合能力将落差缩小到商业可接受范围。

市场侧信号确定：国家级专项行动要求10个省市加全部央企，每省市不少于20个场景、每央企不少于10个，11月底前交报告。这意味着接下来几个月，一批企业将拿着真实场景运行数据去换政策认可和下一轮订单。RaaS模式的官方背书叠加倒计时，让“卖能力”比“卖硬件”更符合产业方向成为正在发生的拐点。

量化派的长期路径清晰：从场景落地和数据售卖完成原始积累，到向智能硬件厂商输出模型调用和增值服务，再切入算力赛道，形成基模加算力的收入结构，匹配资本市场估值逻辑。前提是物理世界基础模型的技术能力能支撑跨场景复用，核心是累积优势能否持续强化。

关键要点

• 定位分化：具身智能行业出现三类路径——卖硬件（一次性交付）、卖解决方案（按项目打包）、卖能力（按效用付费，RaaS模式）。量化派选择卖物理世界基础模型能力层。
• 核心能力：推动机器人从“动作自动化”（按固定程序执行）迈向“任务级自主作业”（理解目标后自主完成感知、决策、执行全流程），实现跨场景复用。
• 政策驱动：2026年6月工信部与国资委联合发布通知，10个省市加全部央企进场，要求“最小干预、利旧复用”，11月底前提交验证报告，倒逼机器人适应真实场景。
• 技术验证：量化派在餐饮后厨完成四轮验证（三明治制作、购物袋分拣、牛排找盐调味、奶茶跨设备协同），全部落地真实动态工况，而非实验室环境。
• 全球资本验证：Physical Intelligence（8个月估值从4亿到24亿美元）、Skild AI（年营收3000万美元，估值140亿美元）证明资本对物理世界基础模型的高估值逻辑。
• 数据壁垒：物理世界数据需通过真实运营积累，无法快速购买。量化派通过B端商业场景、C端智能硬件、置换式采集、场景共创四条路径构建数据体系。
• 商业模型：RaaS模式按效用付费，边际成本随场景增加趋近于零；长期路径从场景落地、数据售卖，到模型调用增值服务，再到算力收入。
• 关键挑战：跨场景复用的边际成本是否真正降低；从仿真到真实的现实落差能否被缩小到商业可接受范围。
• 差异化场景：量化派选择餐饮后厨（高变量密度），与工业/物流场景形成差异化路径。
• 上市平台优势：量化派作为港交所上市公司，在融资能力、合规透明度、长期投入持续性上有信用背书。

意义与影响

量化派选择“卖能力”而非“卖硬件”或“卖解决方案”，代表具身智能行业一种新的商业范式：物理世界基础