告別純軟件與泡沫估值：老牌硅谷人如何用“物理世界 AI（Physical AI）”重塑萬億工業

這份材料非常值得深挖，因爲 UP.Partners 真正代表的並不是“一個不喜歡軟件、專門投硬件的 VC”，而是硅谷資本正在發生的一次更深層遷移：

過去十五年，AI 主要在數字世界理解文字、圖片和代碼；下一階段，AI 開始進入飛機、卡車、工廠、能源系統、機器人和國防設備，開始真正改變原子的運動。

UP.Partners 官網現在甚至直接把自己的定位寫成：

Intelligence Meets Infrastructure

並明確說：

AI is moving from bits to atoms.

所以更準確的理解不是：

“UP.Partners 逆勢反 AI。”

而是：

它押注 AI 從 Software Intelligence 進入 Physical Intelligence。

一、標題先改：現在不能寫“三大硬核獨角獸”

這是第一處重要糾偏。

你視頻裏的三家公司實際上是：

Skydio

自主無人機。

Range Energy

電動智能掛車。

UnitX

製造業 AI 機器視覺質檢。

其中截至目前可以明確確認達到獨角獸級估值的，是：

Skydio。

2026 年 4 月 Skydio 完成 1.10 億美元 Series F，估值 44 億美元。而且公司自己披露，現在已經擁有數億美元級年收入、強勁 unit economics，並聲稱隨着核心業務擴張，對外部資本的依賴正在下降。

Range Energy 和 UnitX 沒有可靠公開資料證明已經達到 10 億美元估值。

所以：

“三大硬核獨角獸”

要刪掉。

二、我最推薦的標題

精準乾貨型

管理超5億美元押注實體世界：UP.Partners 如何用 Physical AI 重構無人機、貨運與製造業

趨勢深度型

AI 從比特走向原子：UP.Partners 爲什麼押注無人機、智能掛車與下一代工廠

投資型

軟件 AI 之後，下一個萬億戰場在哪裏？拆解 UP.Partners 的 Physical AI 投資邏輯

創業型

蘋果老兵 Adam Grosser 的硬科技投資法：爲什麼下一輪 AI 巨頭可能來自工廠、卡車和天空

我最推薦第二個。

因爲真正主題就是：

Bits → Atoms。

三、“5億美元基金”也建議改成“管理超5億美元”

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

2.30 億美元。

當時主要投資“people and goods movement”，包括 transportation、logistics、aviation 等。

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

超過 5 億美元 under management。

因此：

“5億美元物理AI基金”

容易讓人理解爲某一期基金規模就是5億美元。

更加準確：

管理超5億美元的 Physical-World VC。

而且 2026 年 UP.Partners 又與 TWG Global 建立戰略資本合作，將投資範圍進一步擴張到：

physical AI、

robotics、

mobility、

advanced manufacturing、

engineering、

logistics、

supply chain。

所以它已經比2021年的“mobility fund”寬很多了。

四、Adam Grosser 的“蘋果第80號員工”目前不要寫

這是第二個需要刪掉的傳播性細節。

能夠確認的是：

Adam Grosser 確實是 Apple 非常早期的工程/管理人員，後來還做過 Lucasfilm、Sony，自己創辦過 Catapult Entertainment，隨後在 Foundation Capital 做了約十年 GP，又進入 Silver Lake。SEC 歷史資料能夠確認其早期 Apple/Lucasfilm/Sony 工程與管理經歷。

但：

“Apple 第80號員工”

我沒有找到可靠的一手資料確認。

因此建議寫：

蘋果早期工程師 / 工程管理者。

已經足夠厲害，不需要硬塞一個未經覈驗的編號。

五、Silver Lake 那段也要稍微糾正

Adam Grosser 確實大約從 2011 年開始領導：

Silver Lake Kraftwerk

這是 Silver Lake 面向：

能源、

資源效率、

自動化、

基礎設施技術

的一套 growth-equity 戰略。

公開資料把 Kraftwerk 描述爲大約：

7.5 億美元級 growth-equity fund。

而不是“Adam 在 Silver Lake 管理5億美元”。

所以你材料裏的“5億美元”實際上更適合描述：

今天 UP.Partners 的管理資產量級。

六、Adam Grosser 爲什麼特別適合投 Physical AI？

因爲他的人生本身橫跨了四個世界：

Engineering

真的造過東西。

Entrepreneurship

自己開過公司。

Venture Capital

Foundation Capital。

Growth / Private Equity

Silver Lake。

這非常罕見。

他不是：

一個只會看 SaaS dashboard 的 VC。

他本人是 ATP 級飛行員，還長期自己製造和修復飛機、船、車等機械系統。公開資料稱他曾造過多架飛機、船和車輛。

這會改變一個投資人的“技術直覺”。

七、因爲 Physical AI 最危險的問題往往不存在於 PowerPoint 裏

軟件產品：

Bug。

發 patch。

可能幾個小時解決。

機器人：

機械臂撞壞。

無人機：

墜毀。

卡車：

剎車失效。

電池：

起火。

工業質檢：

漏掉一個關鍵缺陷。

這些不是：

“用戶體驗稍微差一點”。

而可能是：

Physical Failure。

因此真正懂物理產品的人會天然問：

材料怎麼樣？

振動呢？

溫度呢？

可靠性呢？

容錯呢？

維修呢？

供應鏈呢？

單位成本呢？

這是完全不同的投資紀律。

八、這也是 PE 經歷爲什麼反而對 Physical AI 很有幫助

早期軟件 VC 很容易講：

TAM。

Narrative。

用戶增長。

下一輪融資。

Physical AI 最後必須面對：

Economics。

例如一臺機器：

賣多少錢？

BOM 多少？

安裝多少？

一年維護多少？

客戶多久回本？

生產規模擴大以後毛利率怎麼樣？

Working Capital 要多少？

工廠要投入多少？

這些問題和 PE 的思維反而非常接近。

九、所以 Adam 的 VC + PE 混合思維其實非常適合現在這個時代

VC 問：

“如果成功，它能有多大？”

PE 問：

“經濟模型到底成立嗎？”

Physical AI 兩題都必須回答。

只回答第一題：

會燒死。

只回答第二題：

又可能錯過 Tesla、SpaceX、Anduril 這種真正創造新產業的公司。

真正優秀的 Physical AI 投資是：

Venture Upside + Industrial Discipline。

十、“VC機構從幾百家暴增到上萬家”這個數據不能寫

Adam 的：

“現在 companies 比 ideas 多。”

確實是他的公開原話，是非常好的觀點。

但：

“美國VC已經有上萬家”

不是準確數據。

NVCA 2026 Yearbook 顯示，2025 年美國存在的 VC firms 約：

2,984家。

甚至首次出現同比下降。

2024年還大約有3,111家。

所以最好的寫法是：

美國VC機構數量過去數十年確實大幅增長，資本和創業公司數量爆炸，而Adam認爲今天最稀缺的已經不是項目數量，而是真正足夠原創、足夠大的好點子。

這樣既保留思想，又沒有僞數據。

十一、而且今天硅谷確實出現了極強的“AI資本集中”

這個背景你寫得是對的。

2025 年美國 VC 總投資約：

3200億美元。

其中：

65.4% 的 deal value 與 AI 有關。

這是非常驚人的資本集中。

所以 Adam 所處的環境確實是：

大量資金湧向：

foundation model、

coding agent、

enterprise AI、

AI application。

十二、但是不能寫成“UP.Partners 對抗 AI 狂潮”

因爲它自己現在就是 AI 投資人。

只不過它問的是：

AI除了幫助你寫郵件和代碼，還能不能讓一架飛機自己飛、讓工廠不再生產廢品、讓掛車降低40%油耗、讓機器人理解現實環境？

這是不同的 AI。

UP.Partners 自己目前明確投資：

sensing、

perception、

automation、

manufacturing、

energy systems、

logistics、

space infrastructure

等領域。

所以真正區別不是：

AI vs 非AI。

而是：

Digital AI vs Physical AI。

十三、Physical AI 到底是什麼？

我會把它定義成：

能夠感知現實世界、理解現實世界、作出決策，並最終通過機器改變現實世界狀態的智能系統。

它通常需要四層：

Sense

Camera、Radar、LiDAR、Sensors。

Understand

Computer Vision、World Model、AI。

Decide

Planning、Optimization、Control。

Act

Motor、Drone、Robot、Vehicle、Machine。

這和 Chatbot 完全不同。

十四、ChatGPT 的錯誤通常發生在“信息世界”

一句話答錯。

你可能：

重新問。

Physical AI 的錯誤發生在：

Reality。

所以 Physical AI 的核心指標不會只是：

benchmark score。

還包括：

Reliability。

Latency。

Safety。

Cost。

Uptime。

MTBF。

False Positive。

False Negative。

Unit Economics。

十五、爲什麼 Physical AI 偏偏是現在開始爆發？

不是因爲2026年大家突然喜歡機器人。

而是幾個成本曲線同時跨過臨界點。

第一：

Compute。

算力越來越強。

第二：

Sensors。

camera、radar、IMU等成本下降。

第三：

Batteries。

能量密度和電驅成熟。

第四：

AI perception。

機器第一次可以比較可靠理解複雜視覺環境。

第五：

Connectivity。

5G、edge compute、cloud。

第六：

Manufacturing software。

simulation、digital twin、generative engineering。

這幾條曲線疊加以後：

原來不經濟的機器，開始經濟了。

十六、這其實很像 iPhone 出現之前

iPhone 不是突然發明：

屏幕。

電池。

ARM。

無線通信。

GPS。

Camera。

這些東西都存在。

真正發生的是：

Cost / Performance Convergence。

所有技術同時成熟到：

可以組合成一個優秀產品。

Physical AI 今天也很像這一階段。

十七、這也是爲什麼 UP.Partners 的官網現在寫得非常準確：

“AI is moving from bits to atoms.”

這句話背後的資本意義非常大。

過去 AI 主要爭奪：

廣告預算。

軟件預算。

員工知識勞動。

未來 AI 開始爭奪：

全球工業資本開支。

工廠。

交通。

國防。

能源。

倉儲。

建築。

供應鏈。

這比 SaaS 預算大得多。

十八、現在看第一個案例：Skydio

這裏先糾正名字：

創始人叫：

Adam Bry

不是 Adam Brie。

Skydio 由三位 MIT 背景工程師：

Adam Bry、

Abe Bachrach、

Matt Donahoe

於 2014 年創建。

Bry 和 Bachrach 此前還參與過 Google Project Wing。

十九、“最開始只是想做滑雪自拍無人機”這個故事也過度簡化了

Skydio 的確從 consumer 開始。

但它不是：

“某個人只是想滑雪拍自己，於是隨便造了一個無人機。”

它真正的長期技術 thesis 從一開始就是：

Autonomous Flight。

消費級 follow-camera drone 只是第一塊市場驗證。

Skydio 自己後來明確解釋：

之所以先做 consumer，是因爲消費電子供應鏈迭代快，而且 autonomous follow-and-film 可以幫助他們建立更廣泛自主飛行所需要的技術基礎。

這是非常重要的區別。

二十、Skydio R1 也不是“只賣了幾臺”

2018 年推出的 R1 確實屬於：

高端 autonomous selfie/follow drone。

但早期報道甚至稱其很快賣光。

所以：

“產品很好但只賣幾臺”

這個敘事不準確。

真正發生的是：

Consumer Market 最終沒有變成 Skydio 最好的商業機會。

二十一、這纔是它真正厲害的 Pivot

Skydio 沒有因爲：

Consumer 產品能賣

就永遠做 Consumer。

它後來發現同樣一套：

computer vision、

3D mapping、

autonomous navigation、

obstacle avoidance

在：

公共安全、

國防、

基礎設施檢查

中的經濟價值高得多。

於是：

同一核心技術，換 TAM。

二十二、2023 年 Skydio 正式退出消費級無人機市場

這纔是關鍵歷史節點。

公司明確停止 consumer drone business，把精力集中到：

Enterprise。

Public Safety。

Government。

Defense。

這是一個極其經典的創業案例：

不要把第一個產品誤認爲你的最終市場。

二十三、真正的 PMF 有時候不是技術變化，而是“誰願意爲它付最多錢”

一個滑雪者：

願意付：

$1,000。

一個警察局：

如果無人機可以：

提前30秒到達槍擊現場，

減少無效派警，

降低執法人員危險，

整套 DFR network 的價值可能：

幾十萬、

幾百萬、

甚至更高。

同一種技術：

Customer Value 完全不同。

二十四、這叫：

Value Migration。

技術沒有換。

價值池換了。

這也是創業最值得學習的一件事情：

不要只問“誰喜歡我的產品？”

要問：

“誰因爲沒有我的產品損失最大？”

後一類客戶通常支付能力更高。

二十五、Skydio 2026 年已經不是“小無人機公司”

4月完成：

$110M Series F。

估值：

$4.4B。

公司稱：

核心業務已經達到數億美元年收入，

而且現在約有4000個客戶，包括軍事、公共安全和基礎設施用戶。

因此：

“數億美元公共安全帝國”

作爲傳播說法已經不算特別誇張。

但它不僅是 Public Safety。

二十六、Skydio 真正的產品，其實不是 Drone

如果只是賣飛機：

容易被比較：

飛多久？

多少錢？

攝像頭像素？

DJI 可以打得很厲害。

Skydio 真正想賣的是：

Autonomous Drone Infrastructure。

Drone

Dock

Autonomy

Connectivity

DFR Command

Data

Software。

這是從：

hardware company

向：

Physical Intelligence Platform

演化。

二十七、Las Vegas 的案例很強，但要準確

截至 2026 年 5 月 Skydio 與 LVMPD 的公開活動裏，Las Vegas 已經有：

12 個 dock locations。

38 架 dock drones。

另外此前還有16架 mobile DFR drones。

覆蓋約130平方英里。

所以：

“近40個自動機艙”

方向接近。

但更準確：

12處站點、38架 dock-based drones。

二十八、而且這些無人機目前不是完全“無人監管自主警察”

這個邊界很重要。

Las Vegas 項目確實支持：

自動 launch、

自動航路計算、

dock 自動管理。

但是 LVMPD 自己明確說：

每次飛行仍然由經過訓練的操作員負責。

Pathfinder 也仍然是輔助自主導航能力，而不是“AI自己決定去哪抓人”。

所以：

Autonomous

需要拆成：

navigation autonomy

和：

decision authority。

不能混在一起。

二十九、“只響應911、不做隨機巡邏監視”目前也是 LVMPD 的明確口徑

負責飛行的警員公開表示：

不會 random surveillance，

飛行用於：

calls for service。

LVMPD 也表示每次飛行有記錄、審計，並和 active incident 綁定。

這非常重要。

因爲：

Physical AI 一旦進入公共空間，Social License 與技術能力同樣重要。

三十、未來無人機最大瓶頸可能不是飛行能力，而是公衆信任

技術上：

可以飛。

問題是：

社會允許你飛到什麼程度？

誰能看數據？

保存多久？

能不能人臉識別？

誰可以調取？

能不能連續跟蹤？

這會決定：

public-safety Physical AI

是否從：

工具

升級爲：

基礎設施。

三十一、128倍變焦這個數據基本是真的，但也要解釋

X10 某個 VT300-Z sensor package 支持：

約128x system zoom。

但真正 lossless resolution 約到：

16x（1080p模式）。

128x 包含後續數字放大。

所以不能讓讀者誤以爲：

它擁有128倍純光學變焦。

專業表達：

最高約128x系統變焦。

三十二、Skydio 案例最值得 VC 學的不是“無人機很好”

而是：

Technology Reuse。

Consumer：

訓練 autonomy。

Enterprise：

驗證 inspection。

Public Safety：

驗證 DFR。

Defense：

擴展 national security。

同一技術棧不斷進入：

更高價值、

更高壁壘、

更強付款能力

的市場。

這是最漂亮的 deep-tech scaling 路徑之一。

三十三、第二家公司 Range Energy 更有意思，因爲它發現了一個100年沒人認真改的東西：

Trailer。

卡車產業所有人都盯：

Tractor。

柴油發動機。

電動卡車。

充電站。

氫能。

但是掛車一直只是：

Passive Asset。

Range 的問題是：

爲什麼拖車永遠必須是死重量？

三十四、這裏先糾正美國貨運的72%

準確數據是：

2024 年美國卡車運輸承擔：

72.7% 的國內貨運噸位。

同時獲取約：

76.9% 的運輸收入。

2024 年美國 trucking revenue 約：

9060億美元。

所以：

“美國72%的貨物靠卡車”

大方向正確。

但專業說法：

72.7%的國內貨運噸位。

三十五、Range 的技術真正聰明的地方不是“把拖車變電動車”

而是：

把原本完全被動的拖車變成主動機器。

它加入：

Battery。

Electric Axle。

Sensors。

Control Software。

Regenerative Braking。

Refrigeration power。

於是掛車可以幫助 tractor：

加速。

巡航。

剎車。

三十六、“6000磅掛車像沒重量”是非常好的 Demo，但不要按物理字面解釋

它當然沒有：

真的失去質量。

它真正做的是：

電機根據牽引力和運動狀態主動補償滾動、加速等負載。

於是 driver / tractor 感受到的：

Effective Load

下降。

所以視頻中：

人可以推一個數千磅 trailer，

展示的是：

motor assistance。

不是：

重力消失。

三十七、“降低40%油耗”也應該加兩個字：

最高。

Range 當前官網說的是：

reduce fuel consumption by up to ~40%。

不是：

所有車隊、所有路況都固定下降40%。

真實結果會受：

路線、

坡度、

載重、

柴油價格、

電價、

速度、

製冷需求

影響。

三十八、而且 Range 還有一個經常被忽略的價值：冷鏈

掛車自己有：

最高約300kWh onboard energy。

不僅可以：

輔助 propulsion，

還可以給 refrigerated trailer 的 refrigeration unit 供電。

這非常重要。

因爲傳統冷藏掛車還可能單獨運行：

柴油製冷機。

Range 可以同時打：

Tractor Fuel + Refrigeration Fuel

兩個成本池。

三十九、這就是優秀工業創業的典型特徵：

ROI 不靠碳信用講故事。

客戶可以因爲：

減排

喜歡它。

但真正決定大規模採購的是：

Payback。

一年能省多少錢？

維修少多少？

車速表現呢？

安全怎麼樣？

不用改變路線嗎？

Range 甚至已經提供 fleet savings calculator，直接把 fuel、maintenance、TRU fuel 等拆成經濟賬。

這纔是工業產品真正應該賣的東西。

四十、Physical AI 最好的項目通常具有一個共同特徵：

Customer saves money on Day 1。

不是：

十年以後世界更美好。

而是：

今天裝上，

這個月 P&L 就變好。

這樣的產品 adoption friction 會低很多。

四十一、Range 還有一層很高級的戰略：Backward Compatibility

它不是要求美國300萬輛重卡：

全部換成一種全新 tractor。

而是：

Hook to existing equipment。

現有拖頭。

現有運營路線。

現有車隊。

只是：

Trailer 升級。

這就是一種非常高級的工業產品戰略：

Don't replace the system. Upgrade the bottleneck.

四十二、這跟當年的 PC 擴展卡、本地企業 SaaS、甚至早期互聯網很像

最容易普及的新技術通常不是：

要求客戶把所有舊資產扔掉。

而是：

Layer on top。

Range 把電動化能力放到：

trailer。

這就繞過了：

大量 fleet replacement cycle。

四十三、而且現在 Range 已經在向供應鏈規模化推進

Range 2024 年完成過 2350萬美元融資，後續又和全球大型汽車零部件供應商 ZF 深化合作，利用 ZF AxTrax 2 e-axle 等成熟部件向量產推進。

這也是 Physical AI 從 Demo 到公司最難的一步：

Industrialization。

不是 prototype 工作。

是：

一萬臺也工作。

四十四、很多硬科技公司最後不是死在技術，而是死在“量產”

Prototype：

10臺。

漂亮。

Series A。

Production：

10,000臺。

突然發現：

供應商不穩定。

公差不一致。

良率差。

維修貴。

Warranty爆炸。

Working Capital不足。

這就是：

Valley of Death。

所以硬科技 VC 一定不能只問：

“能不能做出來？”

而要問：

“能不能連續做十萬次？”

四十五、第三家公司其實不是“工業機器人底層大腦”

視頻裏第三家公司是：

UnitX。

它做的是：

AI-powered machine vision for manufacturing quality inspection。

不是通用機器人 foundation model。

不是人形機器人“大腦”。

UP.Partners 視頻對它的描述也是：

用 AI 檢測製造缺陷。

四十六、UnitX 真正解決的是工業製造裏最隱形、但極其昂貴的問題：

Defect。

生產100萬個零件。

只要：

0.5% 錯誤。

就是：

5,000個。

如果這些錯誤在生產線最後才發現：

浪費已經發生。

更糟：

賣給客戶以後才發現。

就可能：

Recall。

Warranty。

Brand Damage。

Safety issue。

四十七、所以工業 AI 的價值不是“AI 看起來聰明”

真正價值是：

Yield。

如果一座工廠：

一年生產幾十億美元產品，

良率提高：

1個百分點，

經濟價值可能巨大。

這就是爲什麼 manufacturing AI 可能比很多 Consumer AI 更容易收費。

它的 ROI：

非常清晰。

四十八、UnitX 的系統其實有三層

它不只是：

上傳照片給一個視覺模型。

它有：

OptiX

成像與視覺採集。

CorteX

AI defect detection / classification。

DeteX

智能視覺 inspection system。

還要連接：

PLC、

MES、

生產線。

這就是：

Physical AI Stack。

四十九、爲什麼“成像”反而可能比AI模型更重要？

一個工程師會告訴你：

Garbage In，

Garbage Out。

如果：

光線不穩定。

反射嚴重。

角度不對。

motion blur。

攝像機校準差。

再好的 foundation model：

也沒有用。

所以 Physical AI 的護城河往往不是單一模型。

而是：

Sensor + Optics + Data + Model + Integration。

五十、這也解釋爲什麼“模型商品化”反而不一定殺死 Physical AI 公司

假設：

OpenAI、

Google、

Meta

明天把 vision model 做得強10倍。

UnitX 仍然需要：

把 camera 放進生產線。

控制 lighting。

標定設備。

連接 PLC。

設計 rejection mechanism。

對每個製造 defect 做可靠驗證。

提供 uptime。

這就是：

Last-Mile Industrialization。

模型公司不一定願意做。

五十一、UnitX 當前自己披露的數據已經不算很早

公司稱：

系統累計運行超過：

570萬小時。

部署：

100+ 條生產線。

服務：

190+ 客戶。

每年檢測產品價值超過：

61億美元。

這些屬於公司自報，不是獨立審計數據。

但至少說明：

它已經明顯走過純實驗室階段。

五十二、所以 Skydio、Range、UnitX 其實正好代表 Physical AI 的三個層次

Skydio

Machine autonomy。

機器自己移動。

Range

Machine augmentation。

讓一個原來愚蠢的機械資產變聰明。

UnitX

Machine perception。

讓工廠真正“看見”。

這三家公司放在一起，比“三個硬件公司”這個分類高級得多。

五十三、真正的 Physical AI 可以用一個閉環理解

Sense → Think → Act → Learn

UnitX：

更偏 Sense + Think。

Range：

Think + Act。

Skydio：

四層全部覆蓋。

未來機器人：

四層全部整合。

這就是所謂：

Embodied / Physical Intelligence。

五十四、這也是爲什麼下一批真正巨大的 AI 公司可能不長得像 OpenAI

它們可能長得像：

無人機公司。

機器人公司。

能源公司。

工業自動化公司。

物流公司。

國防公司。

但是底層實際上都是：

AI Companies。

因爲真正決定產品能力的是：

software + intelligence。

五十五、從歷史角度看，這其實不是硅谷第一次回到硬件

硅谷最早本來就是：

Hardware Valley。

Fairchild。

Intel。

HP。

Apple。

Semiconductor。

後來互聯網時代：

資本越來越輕。

2000年代：

Web。

2010年代：

Cloud + SaaS。

軟件最大優勢是：

零邊際複製成本。

因此資本自然越來越喜歡：

bits。

五十六、但是 SaaS 成功到極致以後反而產生了另一個問題：

Software Abundance。

每一個 CRM：

幾十家公司。

每一個 Marketing Tool：

幾十家公司。

每一個 AI wrapper：

幾百家公司。

Coding：

大量公司。

企業 AI：

大量公司。

所以 Adam 那句：

“More companies than ideas.”

真正表達的是：

Originality Scarcity。

而不是 startup 數量問題。

五十七、Physical AI 爲什麼可能擁有更深的護城河？

因爲它難。

需要：

Mechanical Engineering。

Electrical。

Firmware。

AI。

Manufacturing。

Regulatory。

Supply Chain。

Customer Deployment。

Capital。

一個新競爭對手不能：

兩個月 copy。

這就是：

Complexity Moat。

五十八、但是千萬不要得出“硬件天然比軟件好”的錯誤結論

Atoms harder

同時意味着：

Atoms more expensive。

硬件失敗非常慘。

軟件 startup：

$5M

可能驗證 PMF。

某些機器人公司：

$100M以後

仍然不知道能不能規模化。

所以 Physical AI 最大風險也是：

Capital Intensity。

五十九、Physical AI 的投資公式和 SaaS 完全不同

SaaS 投資人常看：

ARR。

NRR。

CAC。

Gross Margin。

Burn Multiple。

Physical AI 還必須增加：

BOM。

Manufacturing Yield。

Warranty Rate。

Deployment Time。

Utilization。

Hardware Gross Margin。

Service Margin。

Inventory Turns。

Working Capital。

CapEx。

Payback Period。

這是另一套金融語言。

六十、尤其必須看 Payback Period

假設一臺機器人：

$200K。

一年省：

$20K。

客戶不會特別興奮。

回本：

10年。

如果一臺機器：

$200K。

一年省：

$150K。

那就是：

不到兩年。

採購邏輯完全不同。

所以 Physical AI 一個非常漂亮的 benchmark 是：

Can the machine pay for itself?

六十一、第二個指標是 Utilization

機器人一天工作：

22小時。

很好。

一天工作：

2小時。

資產回報可能非常差。

所以 Physical AI 最大問題不是：

“能不能做這個動作？”

而是：

“能不能每天可靠做一萬次？”

六十二、第三個指標是 Human Replacement 還是 Human Leverage

這是 AI 投資裏非常關鍵的區別。

替代一個：

$50K worker

的機器。

價格上限有限。

讓一個：

1個人原來管理10臺設備，

變成管理100臺，

價值可能更高。

Skydio DFR 正在做的就有一點這個性質：

未來少數操作員可以管理更大的 distributed drone fleet。

這就是：

Labor Leverage。

六十三、第四個指標：Revenue Mix

最漂亮的 Physical AI 公司往往不是：

一次性賣機器。

而是：

Hardware

Software Subscription

Service

Data

Maintenance。

爲什麼？

硬件收入：

一次。

軟件：

持續。

所以最漂亮的模型可能是：

Hardware acquires the customer; software compounds the margin.

六十四、Skydio 特別有機會做這件事

賣 X10：

一次收入。

但是：

DFR Command。

Cloud。

Dock management。

Connectivity。

Fleet operations。

Software。

理論上都可以產生更持續的 recurring economics。

這會直接影響公司未來：

valuation multiple。

六十五、第五個指標：Regulatory Moat

很多創業者討厭監管。

Physical AI 裏：

監管甚至可能成爲護城河。

無人機 BVLOS。

航空 FAA。

醫療 FDA。

自動駕駛許可。

國防採購資格。

如果你花五年把監管道路打通：

後進者不能一天覆制。

這叫：

Regulatory Capital。

六十六、第六個指標：Installed Base

一旦工廠裝了：

200套 UnitX。

流程、

數據、

員工、

MES

全部依賴它。

替換成本越來越高。

一旦 Las Vegas 建幾十個 Skydio dock：

它就不再只是：

買無人機。

而是在建立：

Infrastructure。

Installed Base 會形成：

Switching Cost。

六十七、這纔是 Physical AI 最漂亮的商業模型

軟件擁有：

Network Effects。

Physical AI 可以擁有：

Installed-Base Effects。

更多機器部署：

↓

更多真實世界數據。

↓

模型更好。

↓

可靠性更高。

↓

更多客戶部署。

↓

更多數據。

於是：

Physical Data Flywheel。

六十八、這類數據非常難複製

網頁數據：

很多人能獲得。

真實無人機：

幾百萬次 flight missions。

工廠：

幾百萬小時 defect data。

卡車：

不同路線、重量、坡度、電池、制動數據。

這些屬於：

Proprietary Reality Data。

AI 越往後走，

這種數據可能越來越值錢。

六十九、這也解釋爲什麼下一輪 AI 護城河可能從“互聯網數據”轉向“現實世界數據”

第一代 foundation models：

訓練互聯網。

下一代 robotics / physical models：

需要：

機器怎麼抓。

怎麼走。

怎麼飛。

怎麼失敗。

怎麼恢復。

真實世界的數據比網頁難獲得太多。

因此：

Deployment becomes a data advantage。

七十、這正是 UP.Partners 很有意思的地方：它不僅提供錢，還試圖控制產業入口

UP.Partners 有：

UP.Ventures

投資。

UP.Labs

直接和大企業共同創建 startup。

UP.Summit

把產業、資本、創始人聚集。

而 UP.Labs 已和 Porsche、Alaska Airlines、J.B. Hunt 等企業合作建設 vertical AI startups。

這比普通 VC 多了一層非常重要的能力：

Distribution。

七十一、爲什麼這對 Physical AI 極其重要？

一個 SaaS：

直接網上賣。

一個工業 startup：

最大問題往往不是融資。

而是：

誰讓我進工廠？

誰讓我在車隊測試？

誰讓我接生產線？

誰給我真實數據？

誰願意承擔第一次部署風險？

這就是大型 corporate partner 的價值。

七十二、所以 UP.Partners 真正可能建立的 VC 護城河不是“我們更懂機器人”

而是：

Capital + Customer Access + Industrial Network。

如果你是一個工業 founder：

一個普通 VC：

給500萬美元。

UP.Partners：

給錢。

然後：

幫你見 J.B. Hunt、

Porsche、

航空公司、

工業企業。

後一種價值完全不同。

七十三、這就是 Physical AI 時代 VC 自己也需要改變

Software VC 可以提供：

招聘。

融資。

GTM。

Physical VC 還需要：

Manufacturing。

Supply Chain。

Certification。

Government。

Corporate Pilots。

Factory Deployment。

Engineering Network。

它越來越像：

Industrial Company-Building Platform。

七十四、而 Adam Grosser 的工程背景在這裏就形成了真正的 Edge

Founder 拿一個複雜機器給普通 VC：

VC：

“市場多大？”

Adam 可能先問：

“爲什麼這個 actuator 要這樣設計？”

這種 founder conversation 完全不同。

真正頂級 hard-tech founder 很容易判斷：

這個 investor：

真的懂不懂。

這決定 deal flow。

七十五、你寫的三項創始人標準——真實性、堅韌、反共識——方向都非常對

但是還應該增加第四項：

Engineering Honesty。

真正硬科技創始人非常危險的一種狀態是：

Vision 太強，

但不尊重 physics。

七十六、世界不在乎你的 Pitch

電池：

就是有能量密度。

材料：

就是會疲勞。

飛機：

就是受到空氣動力學約束。

工廠：

就是有公差。

所以 Physical founder 必須同時擁有：

Extreme Vision + Extreme Respect for Reality。

缺一不可。

七十七、第五項應該是：

Capital Discipline。

因爲硬科技創業可以無止境燒錢。

非常容易說：

“只要再給我5億美元，我們就能解決。”

真正好的 founder 會不斷問：

最便宜的實驗是什麼？

如何證明最關鍵的技術風險？

如何讓客戶提前付款？

如何利用現有供應鏈？

這決定公司能不能活下來。

七十八、第六項：

Wedge Market。

Range 沒有說：

“先重做整個美國重卡。”

它從：

Trailer

切。

Skydio：

Consumer autonomy

切入，

再進 public safety。

UnitX：

Defect inspection

切。

偉大宏大願景都需要：

Small Commercial Wedge。

否則只是研究項目。

七十九、這就是 Deep Tech 創業最重要的一條法則

Vision can be huge; first invoice must be specific.

你可以想：

改變全球製造業。

但第一個客戶必須願意：

爲這一條電池生產線的缺陷檢測付錢。

這纔開始成爲公司。

八十、站在資本配置角度，我也不會簡單相信“Physical AI估值更便宜”

這個判斷現在已經開始過時。

機器人、

國防科技、

無人機、

fusion、

AI infrastructure

今天同樣非常火。

Skydio：

44億美元。

Anduril：

610億美元。

很多 humanoid robotics 公司也已經獲得極高估值。

所以：

Physical ≠ Cheap。

價格仍然重要。

八十一、正確投資判斷不是：

“軟件泡沫，所以買硬件。”

而是：

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

如果一家機器人公司：

$20B valuation，

收入：

$10M，

一樣可以很貴。

所以永遠記住：

Great Technology ≠ Great Investment。

八十二、真正的 Physical AI 投資可能有一個非常漂亮的“估值遷移機會”

初期：

市場把公司看成：

Hardware Company。

給：

低 multiple。

後來：

發現它同時擁有：

software、

data、

recurring revenue、

network effects。

估值體系就可能從：

Industrial Multiple

逐漸向：

Technology Platform Multiple

遷移。

這纔是非常漂亮的資本機會。

八十三、Skydio 就有這種潛力

如果最終只是：

賣無人機。

它像：

hardware OEM。

如果變成：

公共安全的 autonomous aerial infrastructure，

它就更加接近：

Platform。

兩種企業：

即使收入一樣，

資本市場給的 multiple 都可能不同。

八十四、Range 也一樣

如果只是：

賣一個電動 trailer。

工業設備。

如果未來：

每一個 trailer 都聯網、

軟件定義、

產生 telematics、

電池優化、

energy management、

fleet intelligence，

它可能逐漸變成：

Software-Defined Freight Asset。

估值邏輯也可能升級。

八十五、UnitX 也是

如果只是：

賣攝像頭。

Machine Vision Vendor。

如果控制：

工廠視覺數據、

defect intelligence、

quality analytics、

process optimization，

它就可能成爲：

Manufacturing Intelligence Layer。

這就是投資人真正尋找的：

Platform Expansion。

八十六、所以研究 Physical AI 時，我會特別看一句話：

Does intelligence grow faster than hardware?

如果以後公司每賣一臺機器：

軟件價值越來越大，

數據越來越多，

margin越來越高，

那是好公司。

如果永遠只是：

多賣一臺硬件，

多賺一次硬件 margin，

天花板低很多。

八十七、從美國曆史角度，這輪浪潮還有一個不能忽視的力量：

Reindustrialization。

過去三十年美國科技資本越來越軟件化。

製造：

大量全球化。

現在：

中美競爭、

供應鏈安全、

國防、

半導體、

能源安全、

AI數據中心

都在推動美國重新關注：

Industrial Capacity。

這給 UP.Partners 這種基金帶來了非常強的時代 Beta。

八十八、Physical AI 因此不只是科技趨勢，也是地緣政治趨勢

Skydio 是非常典型的案例。

美國正在高度關注：

非中國無人機供應鏈。

Skydio 強調美國本土設計製造以及供應鏈安全，並在公共安全和美國國防領域高速擴張。

所以它的增長同時受：

技術、

商業、

國家安全

三股力量推動。

這叫：

Geopolitical Tailwind。

八十九、未來十年最強公司很可能處在幾個趨勢交叉點上

AI

×

Robotics

×

Energy

×

Defense

×

Manufacturing

×

Supply Chain Resilience。

這就是爲什麼 Physical AI 這麼值得看。

不是因爲：

機器人很酷。

而是因爲：

多個巨大資本週期同時匯合。

九十、但最危險的也正是這裏

當資本發現：

Physical AI 很性感，

馬上會出現：

Physical AI washing。

以前：

每家公司都叫 AI。

未來：

每個電機公司都說：

Physical AI。

每個傳感器公司都說：

Embodied Intelligence。

每個機械臂都說：

Foundation Robotics。

所以 VC 重新回到 Adam 那個問題：

Signal vs Noise。

九十一、怎樣判斷一家 Physical AI 公司到底是真的？

我會問五個問題。

第一：

如果把 AI 兩個字從 Pitch Deck 刪除，

客戶還願意買嗎？

如果答案 No：

危險。

第二：

客戶一年到底省多少錢？

必須能算。

第三：

機器在真實環境運行了多少小時？

Demo 沒意義。

第四：

失敗的時候發生什麼？

Physical system 一定會失敗。

第五：

10,000臺 economics 和10臺 prototype economics 一樣嗎？

這是生死題。

九十二、而且 Physical AI 最大的投資機會很可能不是“人形機器人”

媒體最喜歡：

Humanoid。

但真正賺錢的東西可能更無聊：

工廠視覺。

電網。

倉庫。

礦山。

拖車。

農業機器。

Inspection。

Maintenance。

這些沒有：

炫酷 Demo。

但：

ROI 巨大。

歷史上最賺錢的基礎設施往往都很無聊。

九十三、所以我特別喜歡 Range 和 UnitX 這兩個案例

Skydio 很 sexy。

無人機大家看得懂。

Range：

改 trailer。

UnitX：

查 defect。

聽起來無聊。

但真正資本配置者應該問：

“這個無聊問題一年浪費了多少億美元？”

而不是：

“這個 Demo 在 Twitter 上好不好看？”

九十四、這可能就是未來十年 VC 最大的認知套利之一

AI 消費端：

注意力很高。

競爭極高。

估值極高。

工業端：

問題極大。

產品很醜。

銷售很慢。

但是：

一旦解決，

客戶非常難換。

這可能產生：

Low Hype / High Economic Value。

這纔是投資人最喜歡的組合。

九十五、如果站在億萬富翁和資本配置者視角，我認爲 UP.Partners 最值得學習的不是“投硬件”

而是：

去資本密度低於經濟價值密度的地方。

如果：

一個市場價值巨大，

但因爲：

太難、

太慢、

太複雜，

資本不願意去，

那麼裏面可能存在：

Mispricing。

這是投資永恆的邏輯。

九十六、它和 Warren Buffett 的思維其實並不衝突

Buffett 尋找：

別人因爲短期問題低估的長期現金流。

Hard-Tech VC 尋找：

別人因爲：

技術難、

週期長、

看不懂

而低估的未來產業。

兩者都是：

Non-consensus + Correct。

只有 Non-consensus：

沒用。

必須最終：

Correct。

九十七、從創業者角度，這三個公司也共同證明了一件事情

Skydio：

沒有死守 Consumer。

Range：

沒有去正面重造整個 tractor。

UnitX：

沒有試圖一開始製造通用機器人。

它們都做了：

Constraint Selection。

找到：

最小切入口，

然後擴大。

這是創業真正的戰略。

九十八、這也是創業者最容易學錯 Physical AI 的地方

看完視頻以後說：

“我要做機器人。”

沒有意義。

真正應該問：

今天現實世界裏哪一個非常昂貴的動作，仍然因爲機器不夠聰明而必須由人完成？

然後再問：

AI、

sensor、

robotics

是否剛剛讓這個動作：

Economically Automatable？

這纔是機會。

九十九、從投資角度，我會把 UP.Partners 的 thesis 壓縮成一個非常簡單的公式：

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

第一：

市場原本就巨大。

第二：

AI現在能解決過去解決不了的問題。

第三：

客戶能直接算經濟賬。

第四：

現實世界部署形成護城河。

四者一起，

纔可能產生真正巨大的 Physical AI 公司。

一百、最後，把整個 UP.Partners 案例壓縮成一句話

上一代軟件公司最大的機會，是把現實世界的信息數字化；下一代 Physical AI 公司最大的機會，是把數字世界的智能重新注入現實世界。

Skydio：

讓天空裏的機器擁有眼睛和自主導航。

Range：

讓一個100年來幾乎完全被動的掛車擁有動力、傳感和軟件。

UnitX：

讓工廠第一次能夠在機器速度下自動識別過去只有人眼才能判斷的缺陷。

所以 UP.Partners 真正投資的並不是：

Hardware。

它投資的是：

Intelligence becoming physical.

而這也是我認爲未來十年 AI 最重要的一次遷移之一：

2022—2025：AI 學會說。

2025—2028：AI 學會看、推理、使用工具。

接下來：AI 開始學會移動、製造、運輸、檢查、駕駛和操作現實世界。

如果這一輪真的發生，最大的價值池就不會只存在於：

聊天機器人、

Coding Agent、

Enterprise SaaS。

而會開始進入：

全球幾十萬億美元的工業、能源、交通、國防和製造資產。

這纔是 UP.Partners 這場內容最高層次的意義。

它真正押注的是：

軟件喫掉世界之後，智能開始接管世界裏的機器。