大脑开始按 API 卖了：PI 的 beta 一上线，本体厂、大脑厂、全栈厂各算各的账
一个人的工作往往决定一家公司怎么卖：Physical Intelligence 把「上传数据—托管微调—云端推理—评测回流」打包成 API 之后，三类公司的反应完全不同。真正卡住这条路的，不是模型能力，是国内的三道关。
- 发生了什么：Physical Intelligence（PI）于 10 月 13 日宣布推出 Pi API beta 版，把「上传机器人数据—托管微调—云端推理、策略生成—评测回流」做成一条服务链。
- 为什么是它：π0、π0.5 长期被公开论文与仿真基准当作强基线；今年 4 月的 π0.7 在多项任务上追平 PI 此前的专用模型，在没专门训练过的任务上也有不错表现。
- 定价没给：PI 目前没有公布定价，beta 采用申请制，开发者需先说明想做什么；多数公开案例跑的是云端托管推理。
- 对手也在跑：同期，位于旧金山、核心成员多来自英伟达的 Dream-1 也发布其创业后的首个模型并提供 API 服务。
- 三道关卡：能否干完整的活、能否装进客户自己的环境（私有化/专有云/边缘，数据不出域）、出了问题谁负责（验收、回滚、赔付能否写进合同）。
- 判断：这条链真正危险的不是它能不能用，而是它会把「横向对照」变成常态——一旦任何一家本体厂都能拿同一批数据去比，模型好不好就不再由 demo 决定。
在此之前，具身智能领域的「开放」已经不少：模型权重、SDK、工具链、研究模型、平台插件都有。开发者可以下载模型、调接口、基于开源项目做二次开发，但拿到的多半还是一个能力毛坯——数据要自己准备，训练或微调要自己做，部署要自己完成，评估要自己扛，上线后的效果责任也在自己身上。
PI 这次的变化在于把链条补齐：客户上传自己的机器人数据 → 在 PI 管理的算力上完成微调 → 通过云端网关调用模型 → 客户在真机上测试 → 根据失败情况决定下一轮补采哪些数据。这条链上每一环过去都存在，但分散在不同人手里。
过去的开放：给的是权重与工具。
缺的环节：算力、托管微调长流程、评测回流闭环。
结果：能力可复现，但工程成本留在客户侧。
PI 的做法：给的是一条服务链。
补的环节：托管微调、云端网关、评测回流。
结果：客户不用建模型团队就能试出本体上限。
PI 的家底让它有资格做这件事：π0、π0.5 长期被公开论文与仿真基准当作强基线；今年 4 月的 π0.7 在多项任务上追平了 PI 此前最好的专用模型，且在未专门训练过的任务上仍能保持表现。创始班底包括 CEO Karol Hausman（原 Google DeepMind 资深研究科学家）、首席科学家 Sergey Levine（UC Berkeley 教授）、联合创始人 Chelsea Finn（Stanford）等，投资方里有 OpenAI、红杉、Thrive、Lux、CapitalG 与贝索斯。
| 它与 PI 的关系 | 访谈中表现出的态度 | 最担心的部分 | |
|---|---|---|---|
| 本体公司 | 潜在买家 | 愿意付费测试，长期部署未必 | 部署端持续 API 费用压垮 ROI |
| 只做大脑的公司 | 直接对手 | 不意外，更想拿同批数据做一次对比 | 横向对照一旦成为常态，差距藏不住 |
| 全栈公司 | 需重估护城河 | 短期不慌，长期压力更复杂 | 训练数据与失败样本是否被用于滋养通用大脑 |
本体厂的逻辑最直白：硬件与应用公司里很多并不想自己训 VLA、WAM 或世界模型，与其重投入建模型团队，不如先接 PI 的 API，看自家本体在更强的大脑驱动下能到什么水平。家斌把边界说得很清楚——测试会付费，卖给应用公司做长期部署时，企业会嫌持续的 API 费用贵，国内大量场景人工成本仍低，替代本来 ROI 就薄，再加一层持续费用，账就算不过来。
全栈公司的顾虑则落在数据上。Gashero 的判断相当不客气：这项服务更接近 AI Infra，托管微调、云端推理、评估闭环，意味着客户要上传自己的训练数据；一旦这些数据被拿去训练，等于用自己的护城河去滋养一个同时服务所有同行的通用大脑。
多位从业者判断，国内大概率会跟进，但不会照抄 PI。也有人推测最先被激发的可能不是某家大脑创业公司，而是阿里云这类通用大模型平台型公司——训模型、托管模型、开放 API、计费结算、服务开发者，本来就是它的强项。
与会各方共同关注的三个维度，实际上就是 API 在中国必须过的三关：
判断：第二关和第三关放在一起看，才是国内跟不上的真实原因。欧美的客户往往接受「按调用付费 + 效果自担」，国内客户更习惯项目制与验收制：钱按里程碑付，责任按条款分。这不是保守，而是 IP 与追责体系不同——数据不出域在很多工业与政企客户那里是硬约束，不是偏好。
陈翔宇把 PI 类比成 Momenta，看中的是商业模式：Momenta 不造车，把智能驾驶方案卖给多家车企，PI 想在机器人行业做同一件事。这个类比有解释力，也有它的上限——智能驾驶的数据形态高度统一（同样的传感器配置、同样的道路标准），人形机器人的本体构型、夹爪、自由度差异极大，「换一个本体还能工作」的难度比自动驾驶高一个量级。
他同时也点出了上游压力：GPT-6 这类通用大模型的能力边界还在外扩，如果它们未来也能把 VLA 做得很好，说明技术路线正在接近收敛，竞争就不只是模型，还有硬件、供应链、场景和本土交付。