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。
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 Figure01，走的都是这条路：先搞硬件，再堆数据，慢慢磨。
Pim deWitte 说这全错了。
图源：TechCrunch
" 很多公司现在做大量专门的工作，专注于单个具身、单个环境、单个机器人。"
他在 TechCrunch 的 Equity 播客里说道：" 这些工作很快会变得多余。"
他的替代方案是什么？
让 AI 在人类玩游戏的几百万小时录像里，学习 " 物理直觉 "。
1、游戏数据里藏着什么？
答案：空间感、时间感、因果关系。
当你玩《塞尔达传说》时，你的大脑在做什么？判断距离、预测落点、规划路径、调整力度。这些不是抽象的数学计算，而是人类进化了几百万年的 " 物理直觉 "。
General Intuition 做的事，就是把这种直觉 " 蒸馏 " 成模型。
他们训练的数据包括：游戏画面、手柄按键记录、角色运动轨迹。模型学到的不是 " 怎么玩这个游戏 "，而是 " 物体在空间里怎么动 "。
结果是：这个模型既能连续玩几小时游戏，也能驱动真实的四足机器人。
公司声称，真实机器人数据只需要 8 分钟微调。
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。"
Khosla 为什么敢押 23 亿？
VinodKhosla 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。
KhoslaVentures 今年以来在机器人、物理 AI 领域至少投了 5 家公司，GeneralIntuition 是最大的一笔。
他看中的是什么？
GeneralIntuition 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。
deWitte 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。"
2008 年，Android 也不做手机，它做操作系统。
2023 年，OpenAI 也不做应用，它做 API。
问题在于：物理 AI 的基础模型，真的存在吗？
业内对 " 通用物理模型 " 的质疑从来没停过。
一个核心反对意见：游戏世界是确定性的，真实世界是随机的。
游戏里物体运动遵循固定物理引擎，而现实里有风、有摩擦、有不可预测的人类行为。从虚拟到现实的鸿沟，被称为 "Sim-to-Real Gap"，至今没有公司能完全跨过。
还有一个更尖锐的问题：如果游戏数据真的这么管用，为什么 NVIDIA、Google、Meta 没这么做？
这些公司有算力、有数据、有游戏部门（NVIDIA 的 Omniverse、Google 的 DeepMind、Meta 的 RealityLabs），他们为什么还在投仿真平台和真实数据采集？
可能的答案：游戏数据是起点，不是终点。
从投资角度，General Intuition 的估值逻辑有两个支点：
支点一：如果物理 AI 基础模型真的存在，先发者将享受网络效应。就像 GPT-3 之后 OpenAI 的统治地位。
支点二：如果物理 AI 基础模型不存在，这家公司可能一文不值。
这是一个典型的 "winner-take-all" 赌注。
KhoslaVentures 的风格就是赌这种：要么归零，要么翻十倍。
目前市场看到的积极信号——
3.2 亿美元融资，账上现金充裕
已有实际演示（四足机器人零样本导航）
团队背景未完全披露，但 Khosla 通常只投顶级技术团队
风险信号——
成立不到一年，没有公开客户
8 分钟微调只在办公室环境验证，泛化能力未知
没有开源模型或 API，生态建设为零
竞争者在逼近：NVIDIAHalos for Robotics 已有超过 40 家生态伙伴，Figure、1X 等也在探索通用模型
中国物理 AI 产业的站位：底座能做，但要认清现实
General Intuition 的路径揭示了一个关键事实：物理 AI 的底座层正在形成，而这场竞赛才刚刚开始。
对中国来说，问题不是 " 能不能做底座 "，而是 " 以什么方式、在什么时间点、投入多少资源做底座 "。
1、三条路径，三种选择
中国物理 AI 产业目前有三类玩家在探索：
第一类：场景驱动派。
第二类：仿真平台派。
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。
3、场景即底座
物理 AI 的底座，不一定是 " 一个模型打天下 "。更可能的路径是：在特定场景里，数据、模型、应用形成闭环，这个闭环本身就是底座。
所以，中国物理 AI 的出路，不是 " 要不要做底座 " 的二元选择，而是 " 在哪里做底座 " 的战略选择：
在制造业场景做底座：中国制造业占全球 30%，场景密度无人能比。
至于通用物理基础模型——那个 " 通用的、跨场景的、像 GPT 一样的大一统模型 " ——中国短期内大概率不是率先跑出来的。
但这不重要。
底座战争不是一场仗，而是多场仗。在海外巨头争夺 " 通用底座 " 的时候，中国公司可以在 " 垂直底座 " 上建立不可替代性。
底座战争在海外打，垂直底座在中国打。这才是符合比较优势的分工。
潮涌 AI 的观点
General Intuition 的价值不在于它今天做到了什么，而在于它提出了一个值得验证的命题：物理 AI 能不能像 NLP 一样，从 " 专用模型 " 走向 " 通用基础模型 "。
2023 年，没人相信一个模型能同时写代码、写诗、做法律分析。GPT-3 之后，这成了常识。2026 年，也没人相信一个模型能同时玩游戏、开机器人、也许有一天能开车。但历史告诉我们，通用化往往是技术革命的转折点。
对中国企业来说，与其担心 " 数据壁垒被颠覆 "，不如关注两个更实际的问题：
第一，游戏数据 + 物理直觉这个方向，国内有没有公司在做？腾讯、网易、米哈游，手里握着全球最大的游戏数据池，他们有没有技术团队在做类似的事？如果答案是没有，那这是一个空白。
最后，一个判断——物理 AI 的竞争，2026 年下半年将进入 " 基础模型卡位战 "。General Intuition、NVIDIA、Google、特斯拉，甚至中国的头部公司，都会在这个赛道上加码。23 亿美元估值是不是泡沫，12 个月后见分晓。
但有一点是确定的：谁能在 " 通用物理直觉 " 上先跑通，谁就能定义下一代机器人的操作系统。
而这个操作系统，可能比 Windows+Android 加起来还大。
本文编译自 TechCrunch《General Intuition 声称只需 8 分钟真实数据微调，但物理 AI" 通用基础模型 " 真的存在吗？》，并在此基础上改写，观点代表潮涌 AI 立场，不构成投资建议。
