资金正在流入物理 AI：SiMa.ai 的 14.5 亿美元，以及设计硬件的智能体
SiMa.ai 是一家总部位于圣何塞的公司，为业界所称的物理 AI 构建芯片和软件。该公司于 10 月 5 日表示，其在超额认购的 C 轮融资中筹集了 1.5 亿美元，投后估值为 14.5 亿美元。本轮融资使其累计融资总额达到约 5 亿美元。Fidelity Management 与 Amplify 共同领投，Dell Technologies Capital、Maverick Capital、Point72 和 StepStone 等参投，新投资方包括 AllianceBernstein、Baron Capital、J.P. Morgan 以及密歇根州。
该公司计划将收益用于 Palette Neat（其称之为面向物理 AI 的智能体软件环境），以及下一代硬件，包括机器学习 IP、芯粒和系统级芯片。其宣称的目标是在 2028 年上半年推出专用芯片，提供 1,000 稠密 TOPS 算力，面向人形机器人、汽车和无人机。
投资者组合就是信号
读一读资本结构表，一个模式就会浮现。Fidelity、AllianceBernstein 和 Baron 等共同基金集团，与对冲基金 Maverick、Point72 以及一家州养老金基金并列出现。这种交叉投资者组合通常意味着，公司正被定位为最终上市，而本轮融资也兼作更大规模融资前的价格发现。边缘 AI 芯片已成为半导体风险投资中拥挤的角落，而交叉资金在 C 轮阶段出现，说明该类别已经成熟，超越了纯粹的投机。
估值本身由公司报告且未经审计，这一点值得记住。公司的业绩目标也是如此，因为 2028 年的芯片路线图是计划，而非产品。
押注的是与芯片捆绑的软件
公告中有趣的一半是 Palette Neat。纯粹的芯片业务以每瓦性能为竞争点，成败取决于设计中标。在其上加入智能体软件环境会改变销售对话，如果奏效，也会改变利润率结构。其推销逻辑是，构建机器人或无人机的客户不想从三家供应商那里拼凑一套技术栈，而更愿意把芯片和驱动它的软件一起买下。
这种组合正同样出现在整个物理 AI 领域。感知、决策和行动的智能体需要贴近硬件运行，并且要在数据中心从不需要考虑的功耗预算下运行。针对特定芯片调优的智能体运行时，是实现这一点的一种方式，也是防止客户流失的一种方式。
第二家公司称智能体应当设计硬件
同一周，来自这条管线另一端的另一个数据点出现了。Flow Engineering 是一家总部位于旧金山、为硬件设计构建智能体工具的初创公司，它以 7.5 亿美元估值完成了 5000 万美元 B 轮融资，估值约为融资额的 15 倍，由 Valor Equity Partners 和 Atreides Management 共同领投。其平台将 CAD 数据与实时仿真集成，目标是让工程师能够以更接近软件的速度，对物理硬件（无论是芯片、机械系统还是车辆）进行迭代。
Flow Engineering 是在红杉资本领投的 2300 万美元 A 轮融资十一个月后出现的。共同领投其 B 轮的同一批两家基金，刚刚将 AI 机器人初创公司 General Intuition 定价为 62 亿美元。这一巧合与其说是偶然，不如说体现了对某一类别的坚定信念。当少数投资者在数周内以同一主题锚定多笔交易时，这可能意味着真正的信念。也可能意味着参照其他交易来证明激进定价的合理性。在收入未披露的情况下，外界无从判断。
面向物理世界的算力仍然是算力
第三条线索是底层基础设施。PaleBlueDot AI 于 10 月 1 日表示，在 1 月完成 1.5 亿美元 B 轮融资之后，又以 32 亿美元估值完成了 2 亿美元 C 轮融资。它运营 GPU 集群，通过市场撮合算力，并提供无服务器推理，且报告称截至 9 月底已签署超过 50 亿美元的客户合同。这个数字带有常见的星号：已签约合同并非确认收入，新闻稿也没有披露合同期限或月度收入。
综合来看，这些融资描绘出一个正在重新定价的市场：智能与物理世界交汇的层面。运行机器人的智能体软件、承载它的芯片、设计该芯片的工具，以及用于训练模型的算力，都在同样的两周内吸引了资本。此前报道的 AMD 以 82 亿美元收购 World Labs，也符合同一条弧线。
需要审视什么
这一领域的估值正依据公司发布的公告来确定，往往没有独立验证，而伴随这些公告的合同数字是承诺，而非销售额。对于任何评估供应商的人来说，真正重要的问题是具体的：有多少设计中标已转化为量产、路线图的资本密集程度如何，以及软件层是否真正产生经常性收入，而不是充当硬件折扣。
物理 AI 是比聊天机器人更长期的押注。芯片需要数年才能流片，机器人部署需要更长时间，而客户天生谨慎。现在流入的资金是在押注等待是值得的。这一押注能否获得回报，取决于任何一轮融资都无法解决的问题：智能体能否被信任在物理世界中行动，而无需人类盯着每一个动作。
为什么时间线漫长而耐心稀薄
这个技术栈的每一层都按自己的时钟运行，而这些时钟并不一致。一款计划 2028 年交付的芯片，现在就要确定规格，而到它出货时，工作负载看起来会有所不同。今天评估的机器人平台，将出货给会使用多年的客户，这使得转换成本高昂，设计中标也更具粘性。夹在中间的软件层必须跟上每隔几个月就会变化的模型。管理这些不匹配的时间线，才是为物理 AI 构建产品的真正难点，也是资本以耐心的大额支票、而非小额支票到来的原因。
这种耐心也解释了投资者构成。交叉基金和州养老金资金往往愿意为下一个计算平台的故事买单，在这个平台上，智能离开屏幕，进入会移动的机器。风险在于，这个故事的回报所需时间可能超过任何基金的持有期，而这正是承诺重新定义某一类别的基础设施押注反复出现的危险。
热情之下有一个更尖锐的问题。能生成引人入胜视频的模型很容易检查。控制机器人的模型则不然，失败不会表现为一帧古怪的画面。它会表现为某物摔倒，或者更糟。具身智能体的安全层远不如模型本身发达，而流入芯片和设计工具的资金，最终必须由流入验证环节的资金相匹配。这个缺口才是值得关注的。
什么会改变局面
少数具体进展会把这一类别从承诺推向证明。其一是一款可见的、有名字的量产产品，其智能明显因智能体软件层而提升，而不是因为更好的基础模型。其二是一个压缩真实制造周期的硬件设计平台，而不是一项基准任务，因为以软件速度设计硬件的承诺，只有对照真正被制造出来的东西才能验证。其三是一套面向具身智能体的公共安全框架，并配有那种领先实验室已开始为语言模型接受的独立评估。
在那之前，诚实的总结是：资本先于证据到来。每一次平台转移都是如此，而且这往往是正确的押注。这也是为什么未来十二个月的产品发布比估值标题更重要。融资金额告诉你投资者相信什么。部署情况将告诉你他们是否正确。