告别纯软件与泡沫估值：老牌硅谷人如何用“物理世界 AI（Physical AI）”重塑万亿工业

这份材料非常值得深挖，因为 UP.Partners 真正代表的并不是“一个不喜欢软件、专门投硬件的 VC”，而是硅谷资本正在发生的一次更深层迁移：

过去十五年，AI 主要在数字世界理解文字、图片和代码；下一阶段，AI 开始进入飞机、卡车、工厂、能源系统、机器人和国防设备，开始真正改变原子的运动。

UP.Partners 官网现在甚至直接把自己的定位写成：

Intelligence Meets Infrastructure

并明确说：

AI is moving from bits to atoms.

所以更准确的理解不是：

“UP.Partners 逆势反 AI。”

而是：

它押注 AI 从 Software Intelligence 进入 Physical Intelligence。

一、标题先改：现在不能写“三大硬核独角兽”

这是第一处重要纠偏。

你视频里的三家公司实际上是：

Skydio

自主无人机。

Range Energy

电动智能挂车。

UnitX

制造业 AI 机器视觉质检。

其中截至目前可以明确确认达到独角兽级估值的，是：

Skydio。

2026 年 4 月 Skydio 完成 1.10 亿美元 Series F，估值 44 亿美元。而且公司自己披露，现在已经拥有数亿美元级年收入、强劲 unit economics，并声称随着核心业务扩张，对外部资本的依赖正在下降。

Range Energy 和 UnitX 没有可靠公开资料证明已经达到 10 亿美元估值。

所以：

“三大硬核独角兽”

要删掉。

二、我最推荐的标题

精准干货型

管理超5亿美元押注实体世界：UP.Partners 如何用 Physical AI 重构无人机、货运与制造业

趋势深度型

AI 从比特走向原子：UP.Partners 为什么押注无人机、智能挂车与下一代工厂

投资型

软件 AI 之后，下一个万亿战场在哪里？拆解 UP.Partners 的 Physical AI 投资逻辑

创业型

苹果老兵 Adam Grosser 的硬科技投资法：为什么下一轮 AI 巨头可能来自工厂、卡车和天空

我最推荐第二个。

因为真正主题就是：

Bits → Atoms。

三、“5亿美元基金”也建议改成“管理超5亿美元”

UP.Partners 2021 年正式完成的首期 venture fund 是：

2.30 亿美元。

当时主要投资“people and goods movement”，包括 transportation、logistics、aviation 等。

而近期 INSIDE Startups / UP.Partners 对公司的描述是：

超过 5 亿美元 under management。

因此：

“5亿美元物理AI基金”

容易让人理解为某一期基金规模就是5亿美元。

更加准确：

管理超5亿美元的 Physical-World VC。

而且 2026 年 UP.Partners 又与 TWG Global 建立战略资本合作，将投资范围进一步扩张到：

physical AI、

robotics、

mobility、

advanced manufacturing、

engineering、

logistics、

supply chain。

所以它已经比2021年的“mobility fund”宽很多了。

四、Adam Grosser 的“苹果第80号员工”目前不要写

这是第二个需要删掉的传播性细节。

能够确认的是：

Adam Grosser 确实是 Apple 非常早期的工程/管理人员，后来还做过 Lucasfilm、Sony，自己创办过 Catapult Entertainment，随后在 Foundation Capital 做了约十年 GP，又进入 Silver Lake。SEC 历史资料能够确认其早期 Apple/Lucasfilm/Sony 工程与管理经历。

但：

“Apple 第80号员工”

我没有找到可靠的一手资料确认。

因此建议写：

苹果早期工程师 / 工程管理者。

已经足够厉害，不需要硬塞一个未经核验的编号。

五、Silver Lake 那段也要稍微纠正

Adam Grosser 确实大约从 2011 年开始领导：

Silver Lake Kraftwerk

这是 Silver Lake 面向：

能源、

资源效率、

自动化、

基础设施技术

的一套 growth-equity 战略。

公开资料把 Kraftwerk 描述为大约：

7.5 亿美元级 growth-equity fund。

而不是“Adam 在 Silver Lake 管理5亿美元”。

所以你材料里的“5亿美元”实际上更适合描述：

今天 UP.Partners 的管理资产量级。

六、Adam Grosser 为什么特别适合投 Physical AI？

因为他的人生本身横跨了四个世界：

Engineering

真的造过东西。

Entrepreneurship

自己开过公司。

Venture Capital

Foundation Capital。

Growth / Private Equity

Silver Lake。

这非常罕见。

他不是：

一个只会看 SaaS dashboard 的 VC。

他本人是 ATP 级飞行员，还长期自己制造和修复飞机、船、车等机械系统。公开资料称他曾造过多架飞机、船和车辆。

这会改变一个投资人的“技术直觉”。

七、因为 Physical AI 最危险的问题往往不存在于 PowerPoint 里

软件产品：

Bug。

发 patch。

可能几个小时解决。

机器人：

机械臂撞坏。

无人机：

坠毁。

卡车：

刹车失效。

电池：

起火。

工业质检：

漏掉一个关键缺陷。

这些不是：

“用户体验稍微差一点”。

而可能是：

Physical Failure。

因此真正懂物理产品的人会天然问：

材料怎么样？

振动呢？

温度呢？

可靠性呢？

容错呢？

维修呢？

供应链呢？

单位成本呢？

这是完全不同的投资纪律。

八、这也是 PE 经历为什么反而对 Physical AI 很有帮助

早期软件 VC 很容易讲：

TAM。

Narrative。

用户增长。

下一轮融资。

Physical AI 最后必须面对：

Economics。

例如一台机器：

卖多少钱？

BOM 多少？

安装多少？

一年维护多少？

客户多久回本？

生产规模扩大以后毛利率怎么样？

Working Capital 要多少？

工厂要投入多少？

这些问题和 PE 的思维反而非常接近。

九、所以 Adam 的 VC + PE 混合思维其实非常适合现在这个时代

VC 问：

“如果成功，它能有多大？”

PE 问：

“经济模型到底成立吗？”

Physical AI 两题都必须回答。

只回答第一题：

会烧死。

只回答第二题：

又可能错过 Tesla、SpaceX、Anduril 这种真正创造新产业的公司。

真正优秀的 Physical AI 投资是：

Venture Upside + Industrial Discipline。

十、“VC机构从几百家暴增到上万家”这个数据不能写

Adam 的：

“现在 companies 比 ideas 多。”

确实是他的公开原话，是非常好的观点。

但：

“美国VC已经有上万家”

不是准确数据。

NVCA 2026 Yearbook 显示，2025 年美国存在的 VC firms 约：

2,984家。

甚至首次出现同比下降。

2024年还大约有3,111家。

所以最好的写法是：

美国VC机构数量过去数十年确实大幅增长，资本和创业公司数量爆炸，而Adam认为今天最稀缺的已经不是项目数量，而是真正足够原创、足够大的好点子。

这样既保留思想，又没有伪数据。

十一、而且今天硅谷确实出现了极强的“AI资本集中”

这个背景你写得是对的。

2025 年美国 VC 总投资约：

3200亿美元。

其中：

65.4% 的 deal value 与 AI 有关。

这是非常惊人的资本集中。

所以 Adam 所处的环境确实是：

大量资金涌向：

foundation model、

coding agent、

enterprise AI、

AI application。

十二、但是不能写成“UP.Partners 对抗 AI 狂潮”

因为它自己现在就是 AI 投资人。

只不过它问的是：

AI除了帮助你写邮件和代码，还能不能让一架飞机自己飞、让工厂不再生产废品、让挂车降低40%油耗、让机器人理解现实环境？

这是不同的 AI。

UP.Partners 自己目前明确投资：

sensing、

perception、

automation、

manufacturing、

energy systems、

logistics、

space infrastructure

等领域。

所以真正区别不是：

AI vs 非AI。

而是：

Digital AI vs Physical AI。

十三、Physical AI 到底是什么？

我会把它定义成：

能够感知现实世界、理解现实世界、作出决策，并最终通过机器改变现实世界状态的智能系统。

它通常需要四层：

Sense

Camera、Radar、LiDAR、Sensors。

Understand

Computer Vision、World Model、AI。

Decide

Planning、Optimization、Control。

Act

Motor、Drone、Robot、Vehicle、Machine。

这和 Chatbot 完全不同。

十四、ChatGPT 的错误通常发生在“信息世界”

一句话答错。

你可能：

重新问。

Physical AI 的错误发生在：

Reality。

所以 Physical AI 的核心指标不会只是：

benchmark score。

还包括：

Reliability。

Latency。

Safety。

Cost。

Uptime。

MTBF。

False Positive。

False Negative。

Unit Economics。

十五、为什么 Physical AI 偏偏是现在开始爆发？

不是因为2026年大家突然喜欢机器人。

而是几个成本曲线同时跨过临界点。

第一：

Compute。

算力越来越强。

第二：

Sensors。

camera、radar、IMU等成本下降。

第三：

Batteries。

能量密度和电驱成熟。

第四：

AI perception。

机器第一次可以比较可靠理解复杂视觉环境。

第五：

Connectivity。

5G、edge compute、cloud。

第六：

Manufacturing software。

simulation、digital twin、generative engineering。

这几条曲线叠加以后：

原来不经济的机器，开始经济了。

十六、这其实很像 iPhone 出现之前

iPhone 不是突然发明：

屏幕。

电池。

ARM。

无线通信。

GPS。

Camera。

这些东西都存在。

真正发生的是：

Cost / Performance Convergence。

所有技术同时成熟到：

可以组合成一个优秀产品。

Physical AI 今天也很像这一阶段。

十七、这也是为什么 UP.Partners 的官网现在写得非常准确：

“AI is moving from bits to atoms.”

这句话背后的资本意义非常大。

过去 AI 主要争夺：

广告预算。

软件预算。

员工知识劳动。

未来 AI 开始争夺：

全球工业资本开支。

工厂。

交通。

国防。

能源。

仓储。

建筑。

供应链。

这比 SaaS 预算大得多。

十八、现在看第一个案例：Skydio

这里先纠正名字：

创始人叫：

Adam Bry

不是 Adam Brie。

Skydio 由三位 MIT 背景工程师：

Adam Bry、

Abe Bachrach、

Matt Donahoe

于 2014 年创建。

Bry 和 Bachrach 此前还参与过 Google Project Wing。

十九、“最开始只是想做滑雪自拍无人机”这个故事也过度简化了

Skydio 的确从 consumer 开始。

但它不是：

“某个人只是想滑雪拍自己，于是随便造了一个无人机。”

它真正的长期技术 thesis 从一开始就是：

Autonomous Flight。

消费级 follow-camera drone 只是第一块市场验证。

Skydio 自己后来明确解释：

之所以先做 consumer，是因为消费电子供应链迭代快，而且 autonomous follow-and-film 可以帮助他们建立更广泛自主飞行所需要的技术基础。

这是非常重要的区别。

二十、Skydio R1 也不是“只卖了几台”

2018 年推出的 R1 确实属于：

高端 autonomous selfie/follow drone。

但早期报道甚至称其很快卖光。

所以：

“产品很好但只卖几台”

这个叙事不准确。

真正发生的是：

Consumer Market 最终没有变成 Skydio 最好的商业机会。

二十一、这才是它真正厉害的 Pivot

Skydio 没有因为：

Consumer 产品能卖

就永远做 Consumer。

它后来发现同样一套：

computer vision、

3D mapping、

autonomous navigation、

obstacle avoidance

在：

公共安全、

国防、

基础设施检查

中的经济价值高得多。

于是：

同一核心技术，换 TAM。

二十二、2023 年 Skydio 正式退出消费级无人机市场

这才是关键历史节点。

公司明确停止 consumer drone business，把精力集中到：

Enterprise。

Public Safety。

Government。

Defense。

这是一个极其经典的创业案例：

不要把第一个产品误认为你的最终市场。

二十三、真正的 PMF 有时候不是技术变化，而是“谁愿意为它付最多钱”

一个滑雪者：

愿意付：

$1,000。

一个警察局：

如果无人机可以：

提前30秒到达枪击现场，

减少无效派警，

降低执法人员危险，

整套 DFR network 的价值可能：

几十万、

几百万、

甚至更高。

同一种技术：

Customer Value 完全不同。

二十四、这叫：

Value Migration。

技术没有换。

价值池换了。

这也是创业最值得学习的一件事情：

不要只问“谁喜欢我的产品？”

要问：

“谁因为没有我的产品损失最大？”

后一类客户通常支付能力更高。

二十五、Skydio 2026 年已经不是“小无人机公司”

4月完成：

$110M Series F。

估值：

$4.4B。

公司称：

核心业务已经达到数亿美元年收入，

而且现在约有4000个客户，包括军事、公共安全和基础设施用户。

因此：

“数亿美元公共安全帝国”

作为传播说法已经不算特别夸张。

但它不仅是 Public Safety。

二十六、Skydio 真正的产品，其实不是 Drone

如果只是卖飞机：

容易被比较：

飞多久？

多少钱？

摄像头像素？

DJI 可以打得很厉害。

Skydio 真正想卖的是：

Autonomous Drone Infrastructure。

Drone

Dock

Autonomy

Connectivity

DFR Command

Data

Software。

这是从：

hardware company

向：

Physical Intelligence Platform

演化。

二十七、Las Vegas 的案例很强，但要准确

截至 2026 年 5 月 Skydio 与 LVMPD 的公开活动里，Las Vegas 已经有：

12 个 dock locations。

38 架 dock drones。

另外此前还有16架 mobile DFR drones。

覆盖约130平方英里。

所以：

“近40个自动机舱”

方向接近。

但更准确：

12处站点、38架 dock-based drones。

二十八、而且这些无人机目前不是完全“无人监管自主警察”

这个边界很重要。

Las Vegas 项目确实支持：

自动 launch、

自动航路计算、

dock 自动管理。

但是 LVMPD 自己明确说：

每次飞行仍然由经过训练的操作员负责。

Pathfinder 也仍然是辅助自主导航能力，而不是“AI自己决定去哪抓人”。

所以：

Autonomous

需要拆成：

navigation autonomy

和：

decision authority。

不能混在一起。

二十九、“只响应911、不做随机巡逻监视”目前也是 LVMPD 的明确口径

负责飞行的警员公开表示：

不会 random surveillance，

飞行用于：

calls for service。

LVMPD 也表示每次飞行有记录、审计，并和 active incident 绑定。

这非常重要。

因为：

Physical AI 一旦进入公共空间，Social License 与技术能力同样重要。

三十、未来无人机最大瓶颈可能不是飞行能力，而是公众信任

技术上：

可以飞。

问题是：

社会允许你飞到什么程度？

谁能看数据？

保存多久？

能不能人脸识别？

谁可以调取？

能不能连续跟踪？

这会决定：

public-safety Physical AI

是否从：

工具

升级为：

基础设施。

三十一、128倍变焦这个数据基本是真的，但也要解释

X10 某个 VT300-Z sensor package 支持：

约128x system zoom。

但真正 lossless resolution 约到：

16x（1080p模式）。

128x 包含后续数字放大。

所以不能让读者误以为：

它拥有128倍纯光学变焦。

专业表达：

最高约128x系统变焦。

三十二、Skydio 案例最值得 VC 学的不是“无人机很好”

而是：

Technology Reuse。

Consumer：

训练 autonomy。

Enterprise：

验证 inspection。

Public Safety：

验证 DFR。

Defense：

扩展 national security。

同一技术栈不断进入：

更高价值、

更高壁垒、

更强付款能力

的市场。

这是最漂亮的 deep-tech scaling 路径之一。

三十三、第二家公司 Range Energy 更有意思，因为它发现了一个100年没人认真改的东西：

Trailer。

卡车产业所有人都盯：

Tractor。

柴油发动机。

电动卡车。

充电站。

氢能。

但是挂车一直只是：

Passive Asset。

Range 的问题是：

为什么拖车永远必须是死重量？

三十四、这里先纠正美国货运的72%

准确数据是：

2024 年美国卡车运输承担：

72.7% 的国内货运吨位。

同时获取约：

76.9% 的运输收入。

2024 年美国 trucking revenue 约：

9060亿美元。

所以：

“美国72%的货物靠卡车”

大方向正确。

但专业说法：

72.7%的国内货运吨位。

三十五、Range 的技术真正聪明的地方不是“把拖车变电动车”

而是：

把原本完全被动的拖车变成主动机器。

它加入：

Battery。

Electric Axle。

Sensors。

Control Software。

Regenerative Braking。

Refrigeration power。

于是挂车可以帮助 tractor：

加速。

巡航。

刹车。

三十六、“6000磅挂车像没重量”是非常好的 Demo，但不要按物理字面解释

它当然没有：

真的失去质量。

它真正做的是：

电机根据牵引力和运动状态主动补偿滚动、加速等负载。

于是 driver / tractor 感受到的：

Effective Load

下降。

所以视频中：

人可以推一个数千磅 trailer，

展示的是：

motor assistance。

不是：

重力消失。

三十七、“降低40%油耗”也应该加两个字：

最高。

Range 当前官网说的是：

reduce fuel consumption by up to ~40%。

不是：

所有车队、所有路况都固定下降40%。

真实结果会受：

路线、

坡度、

载重、

柴油价格、

电价、

速度、

制冷需求

影响。

三十八、而且 Range 还有一个经常被忽略的价值：冷链

挂车自己有：

最高约300kWh onboard energy。

不仅可以：

辅助 propulsion，

还可以给 refrigerated trailer 的 refrigeration unit 供电。

这非常重要。

因为传统冷藏挂车还可能单独运行：

柴油制冷机。

Range 可以同时打：

Tractor Fuel + Refrigeration Fuel

两个成本池。

三十九、这就是优秀工业创业的典型特征：

ROI 不靠碳信用讲故事。

客户可以因为：

减排

喜欢它。

但真正决定大规模采购的是：

Payback。

一年能省多少钱？

维修少多少？

车速表现呢？

安全怎么样？

不用改变路线吗？

Range 甚至已经提供 fleet savings calculator，直接把 fuel、maintenance、TRU fuel 等拆成经济账。

这才是工业产品真正应该卖的东西。

四十、Physical AI 最好的项目通常具有一个共同特征：

Customer saves money on Day 1。

不是：

十年以后世界更美好。

而是：

今天装上，

这个月 P&L 就变好。

这样的产品 adoption friction 会低很多。

四十一、Range 还有一层很高级的战略：Backward Compatibility

它不是要求美国300万辆重卡：

全部换成一种全新 tractor。

而是：

Hook to existing equipment。

现有拖头。

现有运营路线。

现有车队。

只是：

Trailer 升级。

这就是一种非常高级的工业产品战略：

Don't replace the system. Upgrade the bottleneck.

四十二、这跟当年的 PC 扩展卡、本地企业 SaaS、甚至早期互联网很像

最容易普及的新技术通常不是：

要求客户把所有旧资产扔掉。

而是：

Layer on top。

Range 把电动化能力放到：

trailer。

这就绕过了：

大量 fleet replacement cycle。

四十三、而且现在 Range 已经在向供应链规模化推进

Range 2024 年完成过 2350万美元融资，后续又和全球大型汽车零部件供应商 ZF 深化合作，利用 ZF AxTrax 2 e-axle 等成熟部件向量产推进。

这也是 Physical AI 从 Demo 到公司最难的一步：

Industrialization。

不是 prototype 工作。

是：

一万台也工作。

四十四、很多硬科技公司最后不是死在技术，而是死在“量产”

Prototype：

10台。

漂亮。

Series A。

Production：

10,000台。

突然发现：

供应商不稳定。

公差不一致。

良率差。

维修贵。

Warranty爆炸。

Working Capital不足。

这就是：

Valley of Death。

所以硬科技 VC 一定不能只问：

“能不能做出来？”

而要问：

“能不能连续做十万次？”

四十五、第三家公司其实不是“工业机器人底层大脑”

视频里第三家公司是：

UnitX。

它做的是：

AI-powered machine vision for manufacturing quality inspection。

不是通用机器人 foundation model。

不是人形机器人“大脑”。

UP.Partners 视频对它的描述也是：

用 AI 检测制造缺陷。

四十六、UnitX 真正解决的是工业制造里最隐形、但极其昂贵的问题：

Defect。

生产100万个零件。

只要：

0.5% 错误。

就是：

5,000个。

如果这些错误在生产线最后才发现：

浪费已经发生。

更糟：

卖给客户以后才发现。

就可能：

Recall。

Warranty。

Brand Damage。

Safety issue。

四十七、所以工业 AI 的价值不是“AI 看起来聪明”

真正价值是：

Yield。

如果一座工厂：

一年生产几十亿美元产品，

良率提高：

1个百分点，

经济价值可能巨大。

这就是为什么 manufacturing AI 可能比很多 Consumer AI 更容易收费。

它的 ROI：

非常清晰。

四十八、UnitX 的系统其实有三层

它不只是：

上传照片给一个视觉模型。

它有：

OptiX

成像与视觉采集。

CorteX

AI defect detection / classification。

DeteX

智能视觉 inspection system。

还要连接：

PLC、

MES、

生产线。

这就是：

Physical AI Stack。

四十九、为什么“成像”反而可能比AI模型更重要？

一个工程师会告诉你：

Garbage In，

Garbage Out。

如果：

光线不稳定。

反射严重。

角度不对。

motion blur。

摄像机校准差。

再好的 foundation model：

也没有用。

所以 Physical AI 的护城河往往不是单一模型。

而是：

Sensor + Optics + Data + Model + Integration。

五十、这也解释为什么“模型商品化”反而不一定杀死 Physical AI 公司

假设：

OpenAI、

Google、

Meta

明天把 vision model 做得强10倍。

UnitX 仍然需要：

把 camera 放进生产线。

控制 lighting。

标定设备。

连接 PLC。

设计 rejection mechanism。

对每个制造 defect 做可靠验证。

提供 uptime。

这就是：

Last-Mile Industrialization。

模型公司不一定愿意做。

五十一、UnitX 当前自己披露的数据已经不算很早

公司称：

系统累计运行超过：

570万小时。

部署：

100+ 条生产线。

服务：

190+ 客户。

每年检测产品价值超过：

61亿美元。

这些属于公司自报，不是独立审计数据。

但至少说明：

它已经明显走过纯实验室阶段。

五十二、所以 Skydio、Range、UnitX 其实正好代表 Physical AI 的三个层次

Skydio

Machine autonomy。

机器自己移动。

Range

Machine augmentation。

让一个原来愚蠢的机械资产变聪明。

UnitX

Machine perception。

让工厂真正“看见”。

这三家公司放在一起，比“三个硬件公司”这个分类高级得多。

五十三、真正的 Physical AI 可以用一个闭环理解

Sense → Think → Act → Learn

UnitX：

更偏 Sense + Think。

Range：

Think + Act。

Skydio：

四层全部覆盖。

未来机器人：

四层全部整合。

这就是所谓：

Embodied / Physical Intelligence。

五十四、这也是为什么下一批真正巨大的 AI 公司可能不长得像 OpenAI

它们可能长得像：

无人机公司。

机器人公司。

能源公司。

工业自动化公司。

物流公司。

国防公司。

但是底层实际上都是：

AI Companies。

因为真正决定产品能力的是：

software + intelligence。

五十五、从历史角度看，这其实不是硅谷第一次回到硬件

硅谷最早本来就是：

Hardware Valley。

Fairchild。

Intel。

HP。

Apple。

Semiconductor。

后来互联网时代：

资本越来越轻。

2000年代：

Web。

2010年代：

Cloud + SaaS。

软件最大优势是：

零边际复制成本。

因此资本自然越来越喜欢：

bits。

五十六、但是 SaaS 成功到极致以后反而产生了另一个问题：

Software Abundance。

每一个 CRM：

几十家公司。

每一个 Marketing Tool：

几十家公司。

每一个 AI wrapper：

几百家公司。

Coding：

大量公司。

企业 AI：

大量公司。

所以 Adam 那句：

“More companies than ideas.”

真正表达的是：

Originality Scarcity。

而不是 startup 数量问题。

五十七、Physical AI 为什么可能拥有更深的护城河？

因为它难。

需要：

Mechanical Engineering。

Electrical。

Firmware。

AI。

Manufacturing。

Regulatory。

Supply Chain。

Customer Deployment。

Capital。

一个新竞争对手不能：

两个月 copy。

这就是：

Complexity Moat。

五十八、但是千万不要得出“硬件天然比软件好”的错误结论

Atoms harder

同时意味着：

Atoms more expensive。

硬件失败非常惨。

软件 startup：

$5M

可能验证 PMF。

某些机器人公司：

$100M以后

仍然不知道能不能规模化。

所以 Physical AI 最大风险也是：

Capital Intensity。

五十九、Physical AI 的投资公式和 SaaS 完全不同

SaaS 投资人常看：

ARR。

NRR。

CAC。

Gross Margin。

Burn Multiple。

Physical AI 还必须增加：

BOM。

Manufacturing Yield。

Warranty Rate。

Deployment Time。

Utilization。

Hardware Gross Margin。

Service Margin。

Inventory Turns。

Working Capital。

CapEx。

Payback Period。

这是另一套金融语言。

六十、尤其必须看 Payback Period

假设一台机器人：

$200K。

一年省：

$20K。

客户不会特别兴奋。

回本：

10年。

如果一台机器：

$200K。

一年省：

$150K。

那就是：

不到两年。

采购逻辑完全不同。

所以 Physical AI 一个非常漂亮的 benchmark 是：

Can the machine pay for itself?

六十一、第二个指标是 Utilization

机器人一天工作：

22小时。

很好。

一天工作：

2小时。

资产回报可能非常差。

所以 Physical AI 最大问题不是：

“能不能做这个动作？”

而是：

“能不能每天可靠做一万次？”

六十二、第三个指标是 Human Replacement 还是 Human Leverage

这是 AI 投资里非常关键的区别。

替代一个：

$50K worker

的机器。

价格上限有限。

让一个：

1个人原来管理10台设备，

变成管理100台，

价值可能更高。

Skydio DFR 正在做的就有一点这个性质：

未来少数操作员可以管理更大的 distributed drone fleet。

这就是：

Labor Leverage。

六十三、第四个指标：Revenue Mix

最漂亮的 Physical AI 公司往往不是：

一次性卖机器。

而是：

Hardware

Software Subscription

Service

Data

Maintenance。

为什么？

硬件收入：

一次。

软件：

持续。

所以最漂亮的模型可能是：

Hardware acquires the customer; software compounds the margin.

六十四、Skydio 特别有机会做这件事

卖 X10：

一次收入。

但是：

DFR Command。

Cloud。

Dock management。

Connectivity。

Fleet operations。

Software。

理论上都可以产生更持续的 recurring economics。

这会直接影响公司未来：

valuation multiple。

六十五、第五个指标：Regulatory Moat

很多创业者讨厌监管。

Physical AI 里：

监管甚至可能成为护城河。

无人机 BVLOS。

航空 FAA。

医疗 FDA。

自动驾驶许可。

国防采购资格。

如果你花五年把监管道路打通：

后进者不能一天复制。

这叫：

Regulatory Capital。

六十六、第六个指标：Installed Base

一旦工厂装了：

200套 UnitX。

流程、

数据、

员工、

MES

全部依赖它。

替换成本越来越高。

一旦 Las Vegas 建几十个 Skydio dock：

它就不再只是：

买无人机。

而是在建立：

Infrastructure。

Installed Base 会形成：

Switching Cost。

六十七、这才是 Physical AI 最漂亮的商业模型

软件拥有：

Network Effects。

Physical AI 可以拥有：

Installed-Base Effects。

更多机器部署：

↓

更多真实世界数据。

↓

模型更好。

↓

可靠性更高。

↓

更多客户部署。

↓

更多数据。

于是：

Physical Data Flywheel。

六十八、这类数据非常难复制

网页数据：

很多人能获得。

真实无人机：

几百万次 flight missions。

工厂：

几百万小时 defect data。

卡车：

不同路线、重量、坡度、电池、制动数据。

这些属于：

Proprietary Reality Data。

AI 越往后走，

这种数据可能越来越值钱。

六十九、这也解释为什么下一轮 AI 护城河可能从“互联网数据”转向“现实世界数据”

第一代 foundation models：

训练互联网。

下一代 robotics / physical models：

需要：

机器怎么抓。

怎么走。

怎么飞。

怎么失败。

怎么恢复。

真实世界的数据比网页难获得太多。

因此：

Deployment becomes a data advantage。

七十、这正是 UP.Partners 很有意思的地方：它不仅提供钱，还试图控制产业入口

UP.Partners 有：

UP.Ventures

投资。

UP.Labs

直接和大企业共同创建 startup。

UP.Summit

把产业、资本、创始人聚集。

而 UP.Labs 已和 Porsche、Alaska Airlines、J.B. Hunt 等企业合作建设 vertical AI startups。

这比普通 VC 多了一层非常重要的能力：

Distribution。

七十一、为什么这对 Physical AI 极其重要？

一个 SaaS：

直接网上卖。

一个工业 startup：

最大问题往往不是融资。

而是：

谁让我进工厂？

谁让我在车队测试？

谁让我接生产线？

谁给我真实数据？

谁愿意承担第一次部署风险？

这就是大型 corporate partner 的价值。

七十二、所以 UP.Partners 真正可能建立的 VC 护城河不是“我们更懂机器人”

而是：

Capital + Customer Access + Industrial Network。

如果你是一个工业 founder：

一个普通 VC：

给500万美元。

UP.Partners：

给钱。

然后：

帮你见 J.B. Hunt、

Porsche、

航空公司、

工业企业。

后一种价值完全不同。

七十三、这就是 Physical AI 时代 VC 自己也需要改变

Software VC 可以提供：

招聘。

融资。

GTM。

Physical VC 还需要：

Manufacturing。

Supply Chain。

Certification。

Government。

Corporate Pilots。

Factory Deployment。

Engineering Network。

它越来越像：

Industrial Company-Building Platform。

七十四、而 Adam Grosser 的工程背景在这里就形成了真正的 Edge

Founder 拿一个复杂机器给普通 VC：

VC：

“市场多大？”

Adam 可能先问：

“为什么这个 actuator 要这样设计？”

这种 founder conversation 完全不同。

真正顶级 hard-tech founder 很容易判断：

这个 investor：

真的懂不懂。

这决定 deal flow。

七十五、你写的三项创始人标准——真实性、坚韧、反共识——方向都非常对

但是还应该增加第四项：

Engineering Honesty。

真正硬科技创始人非常危险的一种状态是：

Vision 太强，

但不尊重 physics。

七十六、世界不在乎你的 Pitch

电池：

就是有能量密度。

材料：

就是会疲劳。

飞机：

就是受到空气动力学约束。

工厂：

就是有公差。

所以 Physical founder 必须同时拥有：

Extreme Vision + Extreme Respect for Reality。

缺一不可。

七十七、第五项应该是：

Capital Discipline。

因为硬科技创业可以无止境烧钱。

非常容易说：

“只要再给我5亿美元，我们就能解决。”

真正好的 founder 会不断问：

最便宜的实验是什么？

如何证明最关键的技术风险？

如何让客户提前付款？

如何利用现有供应链？

这决定公司能不能活下来。

七十八、第六项：

Wedge Market。

Range 没有说：

“先重做整个美国重卡。”

它从：

Trailer

切。

Skydio：

Consumer autonomy

切入，

再进 public safety。

UnitX：

Defect inspection

切。

伟大宏大愿景都需要：

Small Commercial Wedge。

否则只是研究项目。

七十九、这就是 Deep Tech 创业最重要的一条法则

Vision can be huge; first invoice must be specific.

你可以想：

改变全球制造业。

但第一个客户必须愿意：

为这一条电池生产线的缺陷检测付钱。

这才开始成为公司。

八十、站在资本配置角度，我也不会简单相信“Physical AI估值更便宜”

这个判断现在已经开始过时。

机器人、

国防科技、

无人机、

fusion、

AI infrastructure

今天同样非常火。

Skydio：

44亿美元。

Anduril：

610亿美元。

很多 humanoid robotics 公司也已经获得极高估值。

所以：

Physical ≠ Cheap。

价格仍然重要。

八十一、正确投资判断不是：

“软件泡沫，所以买硬件。”

而是：

Where does technology create measurable economic value before valuation prices it all in?

如果一家机器人公司：

$20B valuation，

收入：

$10M，

一样可以很贵。

所以永远记住：

Great Technology ≠ Great Investment。

八十二、真正的 Physical AI 投资可能有一个非常漂亮的“估值迁移机会”

初期：

市场把公司看成：

Hardware Company。

给：

低 multiple。

后来：

发现它同时拥有：

software、

data、

recurring revenue、

network effects。

估值体系就可能从：

Industrial Multiple

逐渐向：

Technology Platform Multiple

迁移。

这才是非常漂亮的资本机会。

八十三、Skydio 就有这种潜力

如果最终只是：

卖无人机。

它像：

hardware OEM。

如果变成：

公共安全的 autonomous aerial infrastructure，

它就更加接近：

Platform。

两种企业：

即使收入一样，

资本市场给的 multiple 都可能不同。

八十四、Range 也一样

如果只是：

卖一个电动 trailer。

工业设备。

如果未来：

每一个 trailer 都联网、

软件定义、

产生 telematics、

电池优化、

energy management、

fleet intelligence，

它可能逐渐变成：

Software-Defined Freight Asset。

估值逻辑也可能升级。

八十五、UnitX 也是

如果只是：

卖摄像头。

Machine Vision Vendor。

如果控制：

工厂视觉数据、

defect intelligence、

quality analytics、

process optimization，

它就可能成为：

Manufacturing Intelligence Layer。

这就是投资人真正寻找的：

Platform Expansion。

八十六、所以研究 Physical AI 时，我会特别看一句话：

Does intelligence grow faster than hardware?

如果以后公司每卖一台机器：

软件价值越来越大，

数据越来越多，

margin越来越高，

那是好公司。

如果永远只是：

多卖一台硬件，

多赚一次硬件 margin，

天花板低很多。

八十七、从美国历史角度，这轮浪潮还有一个不能忽视的力量：

Reindustrialization。

过去三十年美国科技资本越来越软件化。

制造：

大量全球化。

现在：

中美竞争、

供应链安全、

国防、

半导体、

能源安全、

AI数据中心

都在推动美国重新关注：

Industrial Capacity。

这给 UP.Partners 这种基金带来了非常强的时代 Beta。

八十八、Physical AI 因此不只是科技趋势，也是地缘政治趋势

Skydio 是非常典型的案例。

美国正在高度关注：

非中国无人机供应链。

Skydio 强调美国本土设计制造以及供应链安全，并在公共安全和美国国防领域高速扩张。

所以它的增长同时受：

技术、

商业、

国家安全

三股力量推动。

这叫：

Geopolitical Tailwind。

八十九、未来十年最强公司很可能处在几个趋势交叉点上

AI

×

Robotics

×

Energy

×

Defense

×

Manufacturing

×

Supply Chain Resilience。

这就是为什么 Physical AI 这么值得看。

不是因为：

机器人很酷。

而是因为：

多个巨大资本周期同时汇合。

九十、但最危险的也正是这里

当资本发现：

Physical AI 很性感，

马上会出现：

Physical AI washing。

以前：

每家公司都叫 AI。

未来：

每个电机公司都说：

Physical AI。

每个传感器公司都说：

Embodied Intelligence。

每个机械臂都说：

Foundation Robotics。

所以 VC 重新回到 Adam 那个问题：

Signal vs Noise。

九十一、怎样判断一家 Physical AI 公司到底是真的？

我会问五个问题。

第一：

如果把 AI 两个字从 Pitch Deck 删除，

客户还愿意买吗？

如果答案 No：

危险。

第二：

客户一年到底省多少钱？

必须能算。

第三：

机器在真实环境运行了多少小时？

Demo 没意义。

第四：

失败的时候发生什么？

Physical system 一定会失败。

第五：

10,000台 economics 和10台 prototype economics 一样吗？

这是生死题。

九十二、而且 Physical AI 最大的投资机会很可能不是“人形机器人”

媒体最喜欢：

Humanoid。

但真正赚钱的东西可能更无聊：

工厂视觉。

电网。

仓库。

矿山。

拖车。

农业机器。

Inspection。

Maintenance。

这些没有：

炫酷 Demo。

但：

ROI 巨大。

历史上最赚钱的基础设施往往都很无聊。

九十三、所以我特别喜欢 Range 和 UnitX 这两个案例

Skydio 很 sexy。

无人机大家看得懂。

Range：

改 trailer。

UnitX：

查 defect。

听起来无聊。

但真正资本配置者应该问：

“这个无聊问题一年浪费了多少亿美元？”

而不是：

“这个 Demo 在 Twitter 上好不好看？”

九十四、这可能就是未来十年 VC 最大的认知套利之一

AI 消费端：

注意力很高。

竞争极高。

估值极高。

工业端：

问题极大。

产品很丑。

销售很慢。

但是：

一旦解决，

客户非常难换。

这可能产生：

Low Hype / High Economic Value。

这才是投资人最喜欢的组合。

九十五、如果站在亿万富翁和资本配置者视角，我认为 UP.Partners 最值得学习的不是“投硬件”

而是：

去资本密度低于经济价值密度的地方。

如果：

一个市场价值巨大，

但因为：

太难、

太慢、

太复杂，

资本不愿意去，

那么里面可能存在：

Mispricing。

这是投资永恒的逻辑。

九十六、它和 Warren Buffett 的思维其实并不冲突

Buffett 寻找：

别人因为短期问题低估的长期现金流。

Hard-Tech VC 寻找：

别人因为：

技术难、

周期长、

看不懂

而低估的未来产业。

两者都是：

Non-consensus + Correct。

只有 Non-consensus：

没用。

必须最终：

Correct。

九十七、从创业者角度，这三个公司也共同证明了一件事情

Skydio：

没有死守 Consumer。

Range：

没有去正面重造整个 tractor。

UnitX：

没有试图一开始制造通用机器人。

它们都做了：

Constraint Selection。

找到：

最小切入口，

然后扩大。

这是创业真正的战略。

九十八、这也是创业者最容易学错 Physical AI 的地方

看完视频以后说：

“我要做机器人。”

没有意义。

真正应该问：

今天现实世界里哪一个非常昂贵的动作，仍然因为机器不够聪明而必须由人完成？

然后再问：

AI、

sensor、

robotics

是否刚刚让这个动作：

Economically Automatable？

这才是机会。

九十九、从投资角度，我会把 UP.Partners 的 thesis 压缩成一个非常简单的公式：

Huge Physical Spend × New Intelligence × Measurable ROI × Hard-to-Copy Deployment

第一：

市场原本就巨大。

第二：

AI现在能解决过去解决不了的问题。

第三：

客户能直接算经济账。

第四：

现实世界部署形成护城河。

四者一起，

才可能产生真正巨大的 Physical AI 公司。

一百、最后，把整个 UP.Partners 案例压缩成一句话

上一代软件公司最大的机会，是把现实世界的信息数字化；下一代 Physical AI 公司最大的机会，是把数字世界的智能重新注入现实世界。

Skydio：

让天空里的机器拥有眼睛和自主导航。

Range：

让一个100年来几乎完全被动的挂车拥有动力、传感和软件。

UnitX：

让工厂第一次能够在机器速度下自动识别过去只有人眼才能判断的缺陷。

所以 UP.Partners 真正投资的并不是：

Hardware。

它投资的是：

Intelligence becoming physical.

而这也是我认为未来十年 AI 最重要的一次迁移之一：

2022—2025：AI 学会说。

2025—2028：AI 学会看、推理、使用工具。

接下来：AI 开始学会移动、制造、运输、检查、驾驶和操作现实世界。

如果这一轮真的发生，最大的价值池就不会只存在于：

聊天机器人、

Coding Agent、

Enterprise SaaS。

而会开始进入：

全球几十万亿美元的工业、能源、交通、国防和制造资产。

这才是 UP.Partners 这场内容最高层次的意义。

它真正押注的是：

软件吃掉世界之后，智能开始接管世界里的机器。