文|潮涌AI

2026年7月，美国纽约又诞生了一家独角兽。

不是做ChatGPT的，不是做自动驾驶的，是做机器人大脑的。

General Intuition（中译：通用直觉），一家成立未满一年、总部位于纽约的公司，6月，其刚完成3.2亿A轮美元融资，估值23亿美元。领投方是Vinod Khosla就是那个早年投了OpenAI、如今押注物理AI的硅谷老炮。

这轮融资本身并不稀奇。稀奇的是它的核心主张：

训练机器人，不需要百万小时真实数据。几百万小时游戏录像，就够了。

01 从采集数据到生成直觉

传统机器人训练的套路，特斯拉走得很典型：

车队上街跑，摄像头录，人工标，回炉训。

据electrek报道，特斯拉更新的安全数据页面显示，其监督版全自动驾驶（FSD）车队累计行驶总里程已突破100亿英里。花了多少钱？没人知道，但肯定是个天文数字。

波士顿动力的Atlas、Figure的Figure 01，走的都是这条路：先搞硬件，再堆数据，慢慢磨。

Pim de Witte说这全错了。

用来训练的游戏录像 图源：General Intuition

但这个数字需要打几个问号：

第一，8分钟只在特定场景验证。办公室环境相对结构化，如果换成建筑工地、野外救援、家庭厨房，模型还能不能奏效？公司没有公布更多测试数据。

第二，8分钟是微调不是从零训练。基础模型本身是用几百万小时游戏数据训出来的，这个成本没有披露。

第三，这是公司单方面声称，没有第三方独立验证。在物理AI这个演示容易、量产难的领域，谨慎对待所有突破式数据是必要的。

2、游戏数据的边界在哪里？

这个数字如果属实，意味着两件事：

第一，机器人训练成本可能断崖式下降。

第二，数据壁垒这个护城河，可能不存在了。

de Witte的演示是：仅用8分钟真实机器人数据微调，模型就能让四足机器人在办公室环境里导航。

没有激光雷达，没有深度摄像头，只有一个前视摄像头。

零样本，动态障碍物，人来来往往。

这让我们非常惊讶，de Witte说，我认为这是即将到来的迹象。

02 Khosla为什么敢押23亿？

Vinod Khosla不是第一次赌大的。

1982年他联合创立了Sun Microsystems，2019年他作为首位机构投资者押了OpenAI。

现在他押物理AI。

Khosla Ventures今年以来在机器人、物理AI领域至少投了5家公司，General Intuition是最大的一笔。

他看中的是什么？

General Intuition的终局不是造机器人，而是造机器人大脑一个通用基础模型，供所有机器人公司调用。

de Witte的原话：我们不会去造自动驾驶汽车公司。我们要让下一个人造自动驾驶汽车公司时，容易10倍。

优必选的人形机器人

第二类：仿真平台派。

五一视界（Real2Sim2Real）、群核科技（家居场景建模）、达闼科技（云端机器人大脑）这些公司在数字孪生基础设施上积累多年。General Intuition验证了虚拟数据有用，而中国在游戏、仿真、数字孪生领域的工程能力不弱。如果通用物理模型需要海量虚拟训练环境，中国公司可能成为重要的基础设施提供者。

第三类：基础模型派。

智元机器人、星动纪元、逐际动力等初创公司，以及百度、华为、字节等大厂这些玩家在做的事情最接近General Intuition：试图构建通用的物理AI能力。但面临的现实是：算力受限、资本密度不足、技术代差存在。

2、做底座的现实条件

中国做物理AI底座，不是不可能，但要认清三个现实：

第一，算力是硬约束。

训练一个跨场景泛化的物理基础模型，算力需求可能接近大语言模型级别。国内芯片（H20性能约为H100的15%）意味着同样的训练任务，成本是海外的5-10倍。这个差距短期内无法消除，所以中国公司需要更聪明地训练用更少的算力做更多的事，或者避开从头训练，专注微调+适配。

第二，资本密度不够。

General Intuition一轮拿3.2亿美元，估值23亿美元。这种级别的融资在国内一级市场越来越困难。但换个角度看，中国不需要复制硅谷的烧钱路线。华为昇腾、寒武纪的芯片已经在部分场景可用，DeepSeek证明了低成本训练的可能性。中国路径可能是用工程效率弥补算力差距。

第三，技术代差存在，但不是不可逾越。

NVIDIA Halos已有超过40家生态伙伴，Google Gemini Robotics在推进，OpenAI有机器人团队海外确实领先。但物理AI是2024-2025年才热起来的赛道，所有人都在起跑线附近。NVIDIA的优势是GPU生态，不是物理模型本身。如果中国能在特定场景（如工业制造、物流仓储）先跑通，形成数据-模型-应用的飞轮，完全有机会在垂直领域建立底座能力。