Skild AI 融資 14 億美元：通用機器人基礎模型的野心與現實

一筆改寫機器人產業格局的融資

2026 年 2 月，Skild AI 宣布完成高達 14 億美元的 C 輪融資，公司估值一舉躍升至 140 億美元。這輪融資的投資陣容堪稱豪華：軟銀（SoftBank）領投，NVIDIA 跟投，亞馬遜創辦人 Jeff Bezos 亦以個人身份參與其中。這不僅是機器人 AI 領域有史以來規模最大的單筆融資之一，更標誌著資本市場對「Physical AI」——即賦予機器人通用智能的 AI 技術——的信心達到了前所未有的高度。

值得注意的是，Skild AI 成立僅三年多，便已累計融資超過 20 億美元。這種融資速度，即使放在 LLM 領域也屬頂尖。要知道，OpenAI 在成立後的前五年內，融資總額也不過數十億美元。Skild AI 的融資節奏，充分反映了市場對 Physical AI 的狂熱期待。

從 CMU 實驗室到矽谷寵兒：Skild AI 的緣起

Skild AI 由卡內基梅隆大學（CMU）的兩位教授——Deepak Pathak 和 Abhinav Gupta 共同創辦。CMU 的機器人研究所（Robotics Institute）長期以來被視為全球機器人學術研究的聖殿，培養了無數業界翹楚。Pathak 專精於自監督學習和機器人感知，Gupta 則在大規模視覺學習和機器人操作方面有深厚積累。兩人的學術背景完美互補，為 Skild AI 的技術路線奠定了堅實的理論基礎。

然而，學術聲望並不足以解釋這筆天文數字級別的融資。真正吸引投資者的，是 Skild AI 提出的一個極具野心的願景：打造一個能夠控制「任何環境中任何機器人」的通用基礎模型。

「Skild Brain」：一個模型統治所有機器人？

傳統機器人 AI 的開發模式是「一個任務、一個模型」。工廠裝配線上的機械臂需要專門訓練，倉庫中的搬運機器人需要另一套算法，家用服務機器人又是截然不同的控制系統。這種方式不僅開發成本高昂，更難以擴展——每進入一個新場景，幾乎就要從零開始。

Skild AI 的核心產品「Skild Brain」試圖徹底顛覆這一範式。其基本理念是：正如 GPT 系列模型能夠處理各種語言任務（翻譯、寫作、編程、問答），一個足夠強大的機器人基礎模型也應該能夠泛化到各種物理任務。無論是在廚房裡烹飪、在工地上搬運建材，還是在醫院裡協助護理，同一個基礎模型只需少量微調即可適應。

「我們的目標不是打造一個更好的機械臂控制器，而是打造機器人智能的基礎層——就像 GPT 是語言智能的基礎層一樣。」——Deepak Pathak，Skild AI 聯合創辦人

訓練數據：Physical AI 的核心挑戰

要實現這一願景，數據是關鍵。LLM 可以從互聯網上幾乎無限的文本數據中學習，但機器人基礎模型面臨一個根本性的數據瓶頸：物理世界的交互數據遠比文本數據稀缺且難以收集。你不可能讓一個機器人在真實世界中嘗試數十億次操作來學習——這既耗時又昂貴，而且可能造成損壞。

Skild AI 的解決方案是三管齊下：

• 大規模模擬環境訓練：利用 NVIDIA 的 GPU 集群，在高度逼真的物理模擬器中生成海量的機器人交互數據。模擬環境可以在幾秒內完成真實世界中需要數小時的實驗。
• 真實世界機器人數據收集：與多家機器人硬體製造商合作，從實際運行的機器人中持續收集操作數據，構建不斷增長的真實世界數據集。
• 互聯網視頻數據挖掘：從網上數以百萬計的視頻中提取人類和機器人的物理交互模式，作為補充訓練數據。

Physical AI 的投資熱潮：不只是 Skild

Skild AI 的鉅額融資並非孤例。2025 年下半年至 2026 年初，Physical AI 領域出現了一波前所未有的投資浪潮：

• Apptronik 融資 5.2 億美元，專注於人形機器人的量產製造。其旗艦產品 Apollo 已在多家汽車製造廠進行試點部署。
• Bedrock Robotics 融資 2.7 億美元，瞄準建築自動化市場，開發能夠自主執行砌磚、焊接等工序的施工機器人。
• X-Humanoid 從中國政府產業基金獲得 1 億美元投資，致力於開發面向服務業的人形機器人。

據不完全統計，2025 至 2026 年間，全球機器人 AI 領域的融資總額已超過 100 億美元。Physical AI 正在取代生成式 AI 成為風險投資界最炙手可熱的賽道。

為什麼是現在？

Physical AI 投資熱潮的爆發並非偶然，而是多重因素共振的結果：

首先，LLM 的成功證明了「基礎模型」範式的威力。投資者有理由相信，同樣的範式可以複製到物理世界。其次，NVIDIA 等公司在物理模擬領域的突破（如 Omniverse 平台）大幅降低了機器人 AI 的訓練成本。第三，全球勞動力短缺問題日益嚴峻——從製造業到護理業，對自動化的需求前所未有地迫切。

最後，也是最關鍵的一點：幾家大型科技公司——特別是 NVIDIA、Google（通過 DeepMind）和 Tesla（通過 Optimus 項目）——已經明確將 Physical AI 列為下一個十年的核心戰略方向。這種「大廠背書」效應極大地提振了投資者的信心。

冷靜思考：通用機器人模型的技術鴻溝

然而，在資本狂歡的背後，通用機器人基礎模型的實現仍然面臨巨大的技術挑戰。作為深耕 AI 研究的觀察者，我們有必要保持清醒。

Sim-to-Real 鴻溝依然深邃

模擬環境與真實世界之間的差距，是機器人 AI 領域最棘手的問題之一。即使在最先進的模擬器中表現完美的策略，到了真實世界往往會大打折扣。光線變化、材質差異、物體重量分布的微妙不同——這些在模擬中容易被忽略的細節，在現實中可能導致完全不同的結果。

雖然 Skild AI 聲稱其 Sim-to-Real 技術已取得重大突破，但從公開的演示來看，其機器人在複雜非結構化環境（如凌亂的家庭廚房）中的表現仍與人類有顯著差距。

安全認證的漫長征途

與純軟體的 AI 產品不同，機器人直接在物理世界中運作，與人類共享空間。一個語言模型偶爾「幻覺」或許只是令人尷尬，但一個在醫院中操作的機器人如果出現判斷錯誤，後果可能是致命的。

目前，全球範圍內尚無針對「通用 AI 機器人」的安全認證框架。現有的工業機器人安全標準（如 ISO 10218）是為功能固定的機器人設計的，完全無法適用於一個「能做任何事」的通用機器人。建立新的安全認證體系，可能需要數年時間。

硬體仍是瓶頸

再強大的 AI 模型，也需要配得上的硬體才能發揮作用。目前，人形機器人的硬體——特別是靈巧手、高性能致動器和長續航電池——仍然昂貴且不夠可靠。一台先進的人形機器人成本動輒數十萬美元，遠非一般企業所能負擔。

「機器人基礎模型的真正考驗，不在實驗室裡漂亮的演示視頻，而在嘈雜的工廠車間、擁擠的倉庫和不可預測的家庭環境中，它能否持續、穩定、安全地工作。」——一位不願具名的香港機器人學研究員

對香港的啟示

Physical AI 的崛起對香港有著深遠的意義，值得我們從多個維度審視。

製造業與物流業的轉型機遇

香港雖然不是傳統意義上的製造業重鎮，但其在珠三角供應鏈中的樞紐地位不可忽視。隨著通用機器人技術的成熟，香港企業在深圳和東莞的工廠將率先受益。更重要的是，香港作為全球第七大港口城市，其物流和倉儲行業對自動化的需求極為迫切。葵涌貨櫃碼頭若能率先引入通用機器人技術，將顯著提升其在全球港口競爭中的地位。

大學研究的新機遇

香港的大學在機器人研究方面有著不俗的積累。香港科技大學的自主系統研究中心、香港中文大學的多尺度醫療機器人實驗室、香港大學的機器人與自動化實驗室，都在各自領域有出色的學術產出。

然而，與 CMU、MIT 等美國頂尖院校相比，香港的大學在機器人基礎模型這一新興方向上的投入明顯不足。隨著 Skild AI 等公司推動「基礎模型 + 機器人」的範式轉變，香港的大學需要迅速調整研究方向，在 Sim-to-Real 遷移、多模態感知融合、安全可靠的機器人控制等前沿課題上加大投入。

政策與人才的雙重挑戰

香港特區政府近年積極推動「新型工業化」策略，撥出大量資源支持先進製造。但在 Physical AI 這一具體方向上，政策支持仍顯零散。建議政府考慮設立專項基金，支持本地機器人 AI 初創企業的發展；同時，與大灣區城市（特別是深圳和東莞）建立跨境合作機制，共同推進 Physical AI 技術的研發與應用。

在人才方面，香港擁有吸引全球頂尖人才的制度優勢（如「高才通」計劃），但目前的人才引進政策並未對機器人 AI 領域給予特別傾斜。考慮到 Skild AI 這樣的公司正在全球範圍內爭奪頂尖機器人研究人才，香港需要更具針對性的人才策略。