从餐厅后厨到物理世界：量化派为何押注“卖能力”而非卖硬件？
具身智能行业正在经历一场深刻的定位分化，这场分化不仅关乎技术路线的选择，更指向商业模式的底层逻辑重构。在传统的机器人产业中，玩家主要分为两类：一类专注于制造和销售机器人本体，另一种则提供包含硬件、软件及部署在内的全套解决方案。然而，量化派选择了第三条路径——出售物理世界基础模型。这一选择背后的商业逻辑极其清晰：硬件会迭代，场景会变化，真正能够跨越场景限制、实现持续收益的，是让机器人理解物理世界底层规律的AI能力。
眼下，产业变革的驱动力来自政策端的强力推动。工业和信息化部办公厅与国务院国资委办公厅联合发布的《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》，明确要求10个省市及全部央企进场，涵盖工业、服务、特种三大领域。政策设定的“最小干预、利旧复用”原则，禁止为适应机器人而改造环境，迫使行业从光鲜的展厅彻底走向充满不确定性的真实场景。在这场变革中，谁能掌握让机器人快速适应新场景的能力，谁就拿到了规模化的入场券。
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，其节奏在全行业尚将Demo视频作为主要成果发布时显得尤为突出。这些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以及奶茶跨设备协同。这些场景并非实验室环境下的理想化测试，而是真实的动态工况。量化派的商业定位因此明确为“跨场景、跨本体的开放生活场景世界模型提供商”。它不绑定特定硬件，不锁定单一场景，而是致力于提供让不同厂商机器人都能调用的通用AI能力层。
在量化派的技术框架中，推动机器人从“动作自动化”迈向“任务级自主作业”是一个核心区别。前者依赖于固定程序执行预设动作，后者则要求机器人理解任务目标后，自主完成感知、决策和执行的全流程。这两个概念之间的差距，决定了产业能跑多远。市场愿意为物理世界基础模型付费，资本相信这一赛道具有广阔前景，其核心指向同一件事：谁能降低新场景的边际成本至接近于零，谁就能实现规模化。
全球资本已经通过真金白银验证了这一逻辑。2024年11月，Physical Intelligence以24亿美元的估值完成4亿美元融资，投资方包括贝索斯、OpenAI、红杉资本等顶级机构。这家公司不制造机器人硬件，只做让机器人理解物理世界的通用AI模型。短短8个月，其估值翻了六倍。同样，Skild AI的估值曲线更为陡峭，从A轮的15亿美元飙升至C轮的140亿美元，尽管其年营收仅为3000万美元。这种巨大的估值溢价，并非基于当前的收入增长，而是基于对物理世界基础模型未来将被所有机器人调用的预期。
在太平洋彼岸，Anthropic在大语言模型领域的成功路径，为量化派提供了参照系。量化派在物理AI领域的定位，类似于Anthropic在LLM领域的地位，即提供不同硬件平台可调用的统一AI能力层。Physical Intelligence和Skild AI已证明这条路的估值天花板极高，量化派旨在中国市场建立同一类型的技术护城河。行业内的展示路线往往精心打造实验室Demo，如使用四轴相机和打磨好的发布节奏，但技术可行性不等于商业可行性。在真实后厨中应对动态工况，承担出品一致性和作业稳定性的责任，才是更高维度的验证。
量化派选择餐饮后厨作为首个核心验证场景，并非偶然。实验室里跑通的Demo可以拍摄视频，而后厨里跑通的Demo才能产生现金流。在三明治制作中，机器人需面对面包、生菜等无固定形状的软质食材，要求柔顺控制以应对夹重破损或夹轻脱落，同时保证酱料均匀。购物袋分拣则要求机器人实时判断任务进度，在无预设流程下自主决策。牛排撒盐测试更是考察机器人的理解力，需在无明确步骤指导下，通过搜索、定位、操作完成调味。奶茶制作则考验系统协同能力，需与多台设备实时配合。
这些验证跑通后的下一步，在于跨场景复用。量化派的技术路径采用软硬件分层，物理世界基础模型不绑定任何硬件。这意味着同一套基模能力可在不同硬件平台上运行，这是RaaS（Robotics as a Service）模式规模化的前提。餐饮后厨中打磨出的非结构化操作、开放环境适配及长链路自主作业能力，理论上可迁移至仓储物流、检测分析、医疗康养等充满动态变量的场景。
更深层的想象空间在于“智能物种”的概念。凡搭载感知模块、具备AI决策能力、可自主完成物理交互的实体终端，均可接入物理世界基础模型成为智能化载体。这一理念将复用路径从餐饮延伸至更广阔的硬件空间。
然而，量化派商业逻辑的成败取决于两件事：物理世界基础模型的技术能力是否支撑跨场景复用，以及公司能否在数据积累和系统整合上建立壁垒。量化派并非从零起步，其招股书显示，自动机器学习、NLP等技术底子早已具备，将数字世界的决策能力搬到物理世界是延伸而非另起炉灶。
数据积累的壁垒来自多路径采集体系。B端与机器人本体公司合作，在真实场景采集全流程运营数据；C端智能硬件布局沉淀多维度行为与环境数据；再加上用户置换式采集和场景共创数据共享。这四条路径并行，将数据采集从单点变成体系。物理世界的数据无法像网页点击那样自动沉淀，每一段有效操作数据背后，是机器人上百次真实试错的人工成本。这类数据无法通过砸钱快速买来，只能通过时间和真实运营慢慢积累。
一旦数据积累的正循环转起来，后来者要追赶的不仅是技术差距，更是时间差距。在政策逼行业从展厅走进真实场景的时间窗口里，谁先在真实场景积累了数据和验证记录，谁就占据了有利位置。RaaS模式获官方背书，加上量化派作为港交所上市主体的信用背书，使其在融资能力、合规透明度和长期投入持续性上具备优势。
物理世界基础模型的商业想象力最终要过两道坎。第一是跨场景复用的边际成本能否真正接近于零。虽然量化派在四个餐饮后厨场景中跑通了技术验证，但从餐饮到更多生活服务场景，每次迁移的适配成本有多高，目前缺乏公开数据。从业内案例看，跨场景适配成本直接决定了物理世界基础模型能否从有想象力变成有现金流。第二是物理世界的复杂度远高于数字世界，从仿真环境向真实场景迁移时，总存在现实落差。量化派能否用全栈自研的系统整合能力缩小这一落差，决定了其商业价值能否真正释放。
市场侧的信号已现。国家级专项行动要求11月底前交付验证报告，这意味着接下来几个月，一批企业将拿着真实场景中的运行数据去换取政策认可和下一轮订单。RaaS模式的官方背书叠加这一倒计时，让“卖能力”比“卖硬件”更符合产业方向，这一判断正从理念转变为正在发生的拐点。
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。这条路径的前提是物理世界基础模型的技术能力能够支撑跨场景复用，核心是累积优势能否持续强化。
目前，有一条尚未发生但意义重大的事件，它将真正开启这条赛道的计时。即量化派的物理世界基础模型能力层接入一个新的外部客户，在一个全新场景中，让机器人完成以前无法完成的动作。这一单不是内部验证或Demo，而是第三方客户用真金白银投票的结果。到那一天，物理世界基础模型将从一个“有想象力的故事”转变为一个“开始产生价值的平台”。在此之前，所有估值都还只是估值，唯有真实的商业闭环才能证明其生命力。