40亿估值的通用物理智能，到底智能在哪？

当你还在惊讶大模型能写代码、编文案时，AI已经悄悄把触手伸向了真实的物理世界——这就是通用物理智能，让AI跳出数字屏幕，用「身体」感知环境、操作物体、解决现实问题。2026年4月，清华大学助理教授丁宁创立的「自然意志」公司拿到了IDG、峰瑞、真格等机构的天使轮投资，估值直接冲到40亿人民币。这位2025年才入职清华的85后学者，凭什么刚创业就被资本如此看好？答案藏在他团队啃下的那些硬骨头里。

从「数字空想家」到「物理实干家」

过去的AI更像个「数字空想家」——能理解语言、生成图像，但一旦要动手开个空气炸锅、叠件衣服，就变得手足无措。通用物理智能要解决的，就是把AI的「认知能力」落地成「动手能力」。

丁宁团队的核心突破，是用数据驱动的Ultra系列对齐方案，把大模型的语言理解能力和机器人的物理操作能力焊在了一起。你可以把这个过程想象成教小孩做家务：先告诉他「把衣服叠好放进衣柜」（语言指令），再通过一次次示范纠正他的动作（密集奖励强化学习），最后让他学会自己判断「这件衬衫该怎么叠」（自主泛化）。

其中的PRIME算法是关键——它不用人工给每一步动作打分数，而是让AI自己从任务结果倒推「哪一步做对了，哪一步错了」。比如机器人叠衣服时把领口弄皱了，PRIME会自动分析是抓取力度太大，还是折叠角度不对，然后在下一次尝试中调整。这种「隐式过程奖励」让机器人的学习效率提升了数倍，谷歌学术上相关论文的引用量已经超过7000次。

打破机器人的「技能牢笼」

传统机器人都是「专项选手」——工业机械臂只会焊汽车，分拣机器人只会拿快递，换个任务就得重新编程。丁宁团队要做的，是打造能跨场景、跨平台的「通用机器人基础模型」，就像大语言模型能写小说也能写代码一样。

他们开发的π₀系列模型，在超过1万小时的机器人操作数据上预训练，学会了抓取、放置、折叠等几十种基础技能。更厉害的是「组合泛化能力」：它能把「打开盖子」和「放入物品」两个基础动作组合起来，完成「用空气炸锅烤红薯」这种从没训练过的新任务。就像你学会了切菜和炒菜，就能自己琢磨出一道新菜谱。

这种能力的背后，是多模态融合技术——机器人的视觉摄像头、触觉传感器、语言指令系统不再各自为政，而是像人的眼、手、脑一样协同工作。比如抓取鸡蛋时，视觉系统定位位置，触觉传感器感知蛋壳的硬度，语言系统理解「轻拿轻放」的要求，三者配合让机器人既能抓住鸡蛋，又不会把它捏碎。

资本押注的不只是技术，更是未来

40亿的估值，本质上是资本对通用物理智能赛道的押注。中国的具身智能市场2024年已经达到4186亿元，预计2027年将突破6300亿元，年复合增长率超过50%。这个赛道的吸引力在于，它能真正解决制造业升级、物流效率提升、养老护理短缺等现实问题。

丁宁团队的技术已经开始落地：和Weave公司合作的洗衣机器人，自动化率提升了42%；和Ultra公司合作的仓库包装机器人，自主运行率达到96.4%。这些数据不是实验室里的漂亮数字，而是能直接转化为企业利润的生产力。

当然，这条赛道也布满荆棘。最核心的难题是「数据稀缺」——机器人在真实世界的操作数据不像文本图像那样容易获取，每小时高质量数据的采集成本可能高达数万元。此外，AI安全也是悬在头顶的达摩克利斯之剑：如果机器人在工厂里失控，后果不堪设想。丁宁团队的开源项目「openpi」，就是想通过社区协作，共同破解这些难题。

当AI终于学会了「动手」，我们离真正的通用智能又近了一步。这不再是实验室里的科幻概念，而是正在改变工厂流水线、仓库货架、甚至家庭客厅的现实。

智能的终极形态，从来都不是在数字世界里空想，而是在物理世界里实干——让机器像人一样，既能思考，也能行动。未来的某一天，当机器人熟练地帮你叠好衣服、做好早餐时，你或许会想起，这一切的起点，是一群学者在实验室里，教会了AI如何理解「真实世界的规则」。