當人工智慧實驗室開始收購機器人公司時

Google、OpenAI、DeepMind 和 Anthropic 皆透過不同的機制致力於發展具身人工智慧。這種趨勢的匯聚顯示,僅靠推論無法彌合「模擬到現實」的鴻溝,而語言模型與實體機器人之間的轉換層,正是下一代平台的核心競爭力。

A
4分鐘閱讀Posted: 2026年8月3日
當人工智慧實驗室開始收購機器人公司時

Anthropic 曾試圖收購 Physical Intelligence。相關談判發生於 2026 年春季,最終未能達成交易。但這項由《The Information》和《彭博社》證實的收購嘗試,揭示了比任何單一交易都更重要的訊息。 這家開發了「Claude」——全球最優秀的語言模型之一——的公司得出結論:它必須擁有能將語言理解轉化為實體機器人控制的軟體。該公司認為,若自行開發這套軟體將耗時過久,而最快的途徑就是收購一家已經解決此問題的公司。

得出此結論的並非僅有 Anthropic 一家。每家主要的基礎模型公司,雖經由不同途徑,卻都達到了相同的結論。此趨勢如今已無可辯駁。語言模型產業正朝著具身人工智慧(embodied AI)進行垂直整合,因為單憑推論——無論其多麼精密——都無法讓機器人在從未見過的廚房裡,可靠地拿起一個杯子。

證據鏈

Google 率先行動。2021 年,該公司創立了 Intrinsic——一家專注於開發機器人軟體的內部子公司。其構想是將 Google 的 AI 能力直接應用於工業機器人領域。這家子公司運作長達三年。 該子公司聘用了數百名工程師,投入數億美元,卻在2024年尚未推出任何商用產品的情況下便宣告停運。這場失敗並非源於人才或資金不足,而是方法上的失誤。在一家核心競爭力在於搜尋與廣告的公司內部,從零開始打造機器人智能,其難度遠超領導層的預期。

DeepMind 則採取了不同的路徑。它沒有另設子公司,而是將機器人研究整合到現有的 AI 研究組織中。其成果——Gemini Robotics——已於 7 月 30 日正式公布。

2. 這是專為透過 DeepMind 所稱的「全身智慧」來控制實體機器人而設計的基礎模型。 它能同時處理視覺輸入、本體感覺回饋及語言指令,並輸出能協調整個機器人身體的運動指令。此模型並非與 Gemini 獨立的產品,而是 Gemini 延伸至實體世界的體現。DeepMind 的賭注在於:若能以適當的數據進行訓練,原本處理文字與圖像的相同架構,也能處理扭矩與力。

OpenAI 選擇投資而非整合。該公司對 Physical Intelligence 進行注資,卻未嘗試在內部建立機器人技術能力。 這筆投資讓 OpenAI 得以透過商業合作關係(而非僱傭關係)取得 PI 的技術。這是該集團中介入程度最低的方式。OpenAI 在不承擔營運負擔的情況下獲得了選擇權。若 PI 成功,OpenAI 將作為股東獲益;若 PI 失敗,OpenAI 亦未因此將工程資源從其核心語言模型工作上抽離。

Anthropic 選擇了除從頭開始建構之外最為深入的方式。該公司曾試圖直接收購 PI,此舉本可使其完全掌控語言模型與實體機器人間的翻譯層。但這項收購最終失敗了——至少目前是如此。 但這項嘗試告訴我們,Anthropic 的領導層認為翻譯層在戰略上至關重要,且無法在內部快速複製,因此收購的代價是值得支付的。

「模擬與現實的鴻溝」解析

這四家公司之所以紛紛投身具身人工智慧領域,原因在於一個單一的技術難題——而從它們目前的立場來看,沒有任何一家公司能解決這個問題。語言模型可以理解「拿起紅杯並將其放在架子上」這項指令。它能將該指令分解為子任務。它能

它能夠推論出哪個杯子是紅色的、層架位於何處,以及需要採取什麼樣的動作順序。但它無法產生精確的運動指令,讓夾爪在不壓碎陶瓷圓柱體的情況下將其夾住、在不灑出內容物的情況下將其抬起,並在不使其傾倒的情況下將其放置於表面上。

這種理解與執行之間的落差,被稱為「模擬到現實」的問題。在模擬環境中,這種落差並不存在。模擬中的機器人能夠以完美的精準度拿起模擬的杯子,因為物理引擎會提供關於每個表面、每股力以及每個接觸點的精確資訊。 在現實中,表面並不平整。光線會變化。摩擦力會波動。杯子可能濕了。層架並非水平。夾爪的橡膠墊片磨損不均。這些現實世界的變數都會引入誤差,並在動作序列中不斷累積。

Physical Intelligence 的整個業務核心,正是開發能彌合此差距的軟體。其模型不僅從模擬中學習,更從真實世界的互動數據中汲取經驗。它們無需重新訓練,便能適應全新環境,並處理模擬無法重現的不確定性與變異性。這正是 Anthropic 欲收購該公司的原因——並非因為 PI 擁有更優秀的語言模型。 Anthropic 自家的語言模型已躋身全球頂尖之列。而是因為 PI 擁有 Anthropic 所缺乏、且無法迅速建構的關鍵技術——翻譯層。

平台經濟學

若透過平台經濟學的視角來審視,這項戰略邏輯便更加清晰。在行動裝置時代,平台擁有者是蘋果和谷歌。它們掌控著介於硬體與應用程式之間的作業系統。每位應用程式開發者都必須向它們繳納「稅金」;每位硬體製造商都依賴它們的軟體。平台層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層層

在「具身人工智慧」時代,對應的平台層便是基礎模型與實體機器人間的轉換軟體。誰掌控了這個層級,就能同時向上游的模型供應商和下游的硬體製造商收取費用。 若機器製造商希望其機器能理解自然語言指令,就必須能存取這個翻譯層;若基礎模型公司希望其模型能控制實體機器人,同樣需要存取這個翻譯層。掌控該介面兩端的公司,便掌握了產業的瓶頸。

Physical Intelligence 正以獨立公司的身分建構這層架構。正是這份獨立性,賦予了它極高的價值。它能向任何模型供應商和任何硬體製造商銷售服務,且不受限於單一生態系統。 Anthropic 的收購企圖,正是為了終結這種獨立性,在該平台層變得過於昂貴或根深蒂固而難以收購之前,搶先掌握其控制權。PI 的拒絕表明,其領導層認為獨立平台的地位,比目前任何收購報價都更具價值。

反駁觀點

有一種可信的論點認為,垂直整合並非必要。基礎模型正在迅速進步。每一代模型都透過更佳的推理能力、更完善的世界模型以及更深入的物理理解,進一步縮小了「模擬到現實」的差距。 未來兩三代之內,語言模型或許就能在無需專用轉換層的情況下,生成可靠的運動指令。若此情境成真,整個具身人工智慧中介軟體類別將變得多餘。Physical Intelligence 的軟體將不再必要,而收購談判也將淪為歷史註腳。

DeepMind 的 Gemini Robotics 2 正是支持此反論的最有力證據。它試圖以端到端的方式解決這個問題

在單一模型架構內實現,而非透過獨立的轉換層。若 Gemini Robotics 2 能達到生產級品質,便證明中間件的方法僅是針對暫時性問題的臨時解決方案。一旦基礎模型規模足夠大,且經過充足的物理互動數據訓練,它便能自行處理所有任務。

但這句話中的「如果」承載著極大的變數。Gemini Robotics 2 雖於 7 月 30 日正式發表,但尚未在商業環境中進行大規模部署。其在受控演示中的表現,並不能保證在真實機器人運作的非受控環境中同樣能有出色表現。 這道「模擬到現實」的鴻溝,十來年來始終阻礙著端到端解決方案的實現,未來可能仍將如此。對於當今需要具身人工智慧能力的企業而言,最穩妥的策略是收購或與已展現可靠實境表現的企業合作。這正是 Anthropic 試圖採取的策略。

投資啟示

四家主要人工智慧企業透過四種不同機制聚焦於具身人工智慧,這向投資者傳達了一個明確訊號:市場認為,在語言、程式碼及影像生成之後,實體機器人控制將是下一個主要的能力前沿。能夠解決此課題的企業,將能開拓目前尚不存在的新營收來源。 未能解決此問題的公司將被排除在實體世界之外,而其競爭對手則能在其中運作。

方法論的多樣性也向投資者傳達了一個訊息:目前尚無人知曉哪種方法將勝出。Google 的內部開發計畫以失敗告終;DeepMind 的整合模型在規模化應用上尚未經實證;OpenAI 的投資策略則屬被動型。 Anthropic 的收購嘗試遭到拒絕。每一次失敗或部分成功,都會縮小解決方案的範圍。但解決方案的範圍依然廣闊。最終掌握這項技術的公司將

具身人工智慧平台層級或許尚未存在。又或者,它可能是「物理智慧」(Physical Intelligence),能夠獨立運作並向所有人銷售。再者,它也可能是 DeepMind,證明端到端模型已使中間件變得過時。這種不確定性正是契機。

可以確定的是,各研究機構已認定這個問題至關重要。十八個月前,具身人工智慧還只是一項研究奇觀,雖吸引學術界的關注,卻未能獲得企業資本的青睞。 如今,它已吸引到價值數十億美元的收購要約,全球最大的 AI 公司紛紛推出專門產品,且競爭的激烈程度顯示,參與者都相信這其中的回報將是巨大的。他們或許都錯了。但他們極少會在同一件事上同時全都錯了。


免責聲明:本文僅供參考,不構成對文中提及之任何公司、產品或技術的投資建議、背書或推薦。