Physical Intelligence negocjuje rundę przy wycenie 20 mld dol.
Physical Intelligence rozmawia o pozyskaniu kapitału przy wycenie 20 mld dol., ponad trzykrotnie wyższej niż 5,6 mld dol. z listopada 2025 r. Jak podał 3 listopada AI Magazine, powołując się na Bloomberga, firma szuka co najmniej 1 mld dol.

Dwie rundy ogłoszone 2 listopada finansują ten sam pomysł: jeden model, który obsługuje wiele rodzajów robotów, a nie osobny kontroler do każdego ramienia. Zakład jest taki, że rzadkim zasobem stanie się model, a nie sprzęt.
Physical Intelligence pozyskuje kapitał regularnie od założenia w marcu 2024 r. Po 70 mln dol. w rundzie zalążkowej przyszła seria A o wartości 400 mln dol. przy wycenie 2,4 mld dol., a potem seria B na 600 mln dol., którą poprowadził CapitalG. Inwestowali też Jeff Bezos, Thrive Capital, Lux Capital, Index Ventures i T. Rowe Price. Ta seria B, przeprowadzona w listopadzie 2025 r., ustaliła wycenę 5,6 mld dol., którą obecne rozmowy miałyby zostawić daleko w tyle. Bloomberg podał, powołując się na osoby proszące o anonimowość, że dotychczasowi inwestorzy Avenir i Lux Capital rozmawiają o poprowadzeniu nowej rundy, a firma szuka co najmniej 1 mld dol.
Przy całym tym kapitale spółka jest mała. W marcu 2026 r. Physical Intelligence zatrudniała około 80 osób.
Techniczny zakład to model łączący wzrok, język i działanie, trenowany na wielu typach robotów, a nie kontroler napisany pod jeden chwytak. π*0.6, opublikowany w listopadzie 2025 r., poprawia się na doświadczeniu przez uczenie ze wzmocnieniem, a badanie z marca 2026 r. dodało pamięć długo- i krótkoterminową dla zadań trwających ponad dziesięć minut.
Dowody handlowe są wąskie, ale konkretne. W lutym 2026 r. model π0.6 pakował zamówienia e-commerce przez całą zmianę w magazynie partnera Ultra, osiągając 96,4% autonomii. Ultra twierdzi, że skaluje się w stronę setek wdrożeń w magazynach w USA. Dodanie danych o składaniu prania od partnera Weave obniżyło liczbę nieudanych chwytów o 42%, a liczbę interwencji ludzi o 50%, podaje firma. Współzałożyciel Sergey Levine powiedział TechCrunchowi: „Pomyśl o tym jak o ChatGPT, tylko dla robotów”.
Tutor Intelligence przekonuje, że dane muszą pochodzić z płatnej pracy. Firma z Watertown w Massachusetts ogłosiła 2 listopada serię B na 75 mln dol., którą poprowadził Andreessen Horowitz. Łączne finansowanie sięgnęło 117 mln dol.
Tutor wysyła do klientów roboty Sonny i Cassie. Zdalni operatorzy, nazywani tutorami, pomagają im kończyć zadania, a zdobyte w ten sposób doświadczenie trenuje kolejny model. Raghu Raghuram, partner generalny Andreessen Horowitz i były prezes VMware, powiedział, że „ciągłe uczenie się w rosnącej liczbie wdrożeń to droga od wyspecjalizowanych możliwości do robotyki ogólnego przeznaczenia”. Współzałożyciel i prezes Josh Gruenstein stwierdził, że inteligencja z tego płynąca sprawia, iż roboty są „przystępne cenowo na zupełnie nowym poziomie”, i że „ledwo nadążamy z ich produkcją”. W rundzie wzięły udział także Union Square Ventures i Neo, które prowadziły wcześniejsze rundy.
Machenta idzie w drugą stronę. Londyńska firma zebrała 40 mln dol. w rundzie zalążkowej, którą poprowadziły Creandum i Union Square Ventures, i twierdzi, że jej modele są wstępnie trenowane wyłącznie na danych symulowanych.
Imperial College London, gdzie badania zaczęły się około sześciu lat temu, nazwał to największą rundą zalążkową brytyjskiego startupu robotycznego. Profesor Edward Johns i doktorant Vitalis Vosylius założyli spółkę w ramach uczelnianego Robot Learning Lab. Firma otworzyła biuro i laboratorium w King's Cross. Obietnica to natychmiastowe uczenie: robot podejmuje nowe zadanie fizyczne po jednym obejrzeniu, a nie po wielokrotnych pokazach i aktualizacjach modelu. Johns powiedział w ogłoszeniu, że „inteligencja to nie tyle to, co już potrafisz, ile to, jak szybko nauczysz się czegoś nowego”.
Dane symulowane są tanie i prywatne. Dane z wdrożeń są drogie i specyficzne. Które z nich dają lepszy model ogólny, pozostaje otwartym pytaniem kryjącym się za wszystkimi trzema wycenami.
Rozpiętość kwot jest duża. 40 mln dol. rundy zalążkowej Machenty i 117 mln dol. łącznego finansowania Tutora to niewiele przy ponad 1 mld dol., którego szuka Physical Intelligence, a jeszcze mniej przy wycenie, o której trwają rozmowy.
Rynek publiczny głosuje pierwszy. Akcjonariusze Churchill Capital Corp XI zatwierdzili 2 listopada połączenie z Agility Robotics. Za było ponad 84% oddanych głosów.
Połączona spółka ma zamknąć transakcję 4 listopada i 5 listopada rozpocząć notowania na Nasdaq pod tickerem AGLT. Oczekuje około 465 mln dol. kapitału brutto przed kosztami, mniej niż ponad 620 mln dol. przewidywane przy ogłoszeniu fuzji w czerwcu. To około 164 mln dol. z rachunku powierniczego Churchill, 201 mln dol. z inwestycji PIPE prowadzonej przez Foxconn i 100 mln dol. kapitału własnego, który Agility pozyskał po ogłoszeniu. Roboty Digit pracują już w dziewięciu środowiskach klientów, w tym w zakładzie GXO Logistics w Flowery Branch w Georgii; w październiku doszły dwie kolejne placówki GXO. Agility twierdzi, że ma ponad 300 mln dol. wieloletnich zamówień na Digit 5, zastrzegając, że ta kwota nie jest bieżącym przychodem.
Zakład RoboFab w Salem w Oregonie jest zaprojektowany na do 10 000 robotów rocznie.
Pokazany we wrześniu Digit 5 ma trafić do pierwszych klientów w pierwszym półroczu 2027 r., a do ogólnej sprzedaży pod koniec tego roku. Producent maszyn rolniczych AGCO podpisał w październiku umowę handlową na pilotaż Digita w zakładzie w Hesston w Kansas od 2027 r.
Wybór sprzętu wciąż jest wąski. Serwis RoboterAtlas wymieniał na koniec października 2026 r. 49 robotów humanoidalnych od 41 firm: 26 od producentów chińskich, dziesięć od amerykańskich i trzy od niemieckich, podał heise. Dwadzieścia osiem wymienionych modeli było skierowanych do firm, 18 do badań i edukacji, a tylko 16 do gospodarstw domowych.
Nic z tego nie rozstrzyga, czy ogólne modele robotyczne zarabiają na swoje wyceny. Partnerzy Physical Intelligence podają procenty autonomii, Tutor liczbę wdrożeń, a Agility zamówienia z zastrzeżeniem. Następna twarda liczba pojawi się 5 listopada, gdy AGLT zacznie notowania.
Źródła
28- 01Physical Intelligence: What are Robot Foundation Models? - AI MagazineEN
- 02Machenta Raises $40 Million Seed Round To Build Instant-Learning Robot Foundation ModelsEN
- 03Tutor Intelligence Raises $75 Million Series B Led by Andreessen Horowitz to Scale Frontier Robotics Model Training, Manufacturing and DeploymentEN
- 04Churchill Capital XI shareholders approve $2.5B Agility Robotics humanoid SPACEN
- 05Humanoide Roboter in Deutschland: Modelle, Preise und VerfügbarkeitEN
- 06QUAL: Quantile Alignment Improves Zero-Shot Time-Series Foundation ModelsEN
- 07Anthropic is working on a system to prove AI models’ identityEN
- 08Nvidia is happy to take your money whether you're using open or closed models, says Jensen HuangEN
- 09I Checked Out Tesla’s New Model YL, Standard Y, Model 3 In Person — Here’s What Surprised MeEN
- 10Training Foundation Models with a Single AlgorithmEN
- 11 Google reveals new Gemini 4 Carbon AI model, narrowly beating Claude Opus 5.5 EN
- 12Open models can do 90% of agentic work at a twentieth of the cost of a frontier LLM: GartnerEN
- 13Tutor Intelligence raises Series B to scale model training, robot deploymentsEN
- 14Gentherm designs ThermAffyx to secure, heat patients during robotic surgeriesEN
- 15Top 10 robotics developments of October 2026EN
- 16Jülich Hosts EVE Language Model for Earth Observation and Earth ScienceEN
- 17Google Launches LiteRT Tensor API for Building, Customizing, and Optimizing ML Models for On-DeviceEN
- 18Westward Ho! First Trip Cross Country with Our New 2026 Tesla Model Y & Full Self Driving V14EN
- 1928 Zero-Day Findings in Less Than Two Days: What AI-Speed Discovery Means for RoboticsEN
- 20Solving the Interconnect Challenge in Modern Robotics: How 3M Is Engineering for Motion, Density, and UptimeEN
- 21Klobot Wins State Project to Develop Spatial Intelligence Robot ModelEN
- 22Unusual robotic animals can prove their utilityEN
- 23Was I wrong about open models & cyber risks?EN
- 24Beyond Plausible Prediction: Safety Sufficiency in Web World ModelsEN
- 25Incongruence-Aware Evaluation of Multimodal Speech Emotion Recognition in Audio Large Language ModelsEN
- 26Agentic World Modeling for Agent Test-time Scaling without Environment ReplicaEN
- 27The psychophysics of affect in large language modelsEN
- 28Calibration of Large Model Quantization based on HiFloat4 FormatEN
Wszystkie liczby i cytaty w tym tekście pochodzą z poniższych źródeł. Nie dopisujemy danych, których w źródłach nie ma.
Materiały zostały przygotowane przez zespół redakcyjny wspierane przez AI.
Komentarze
0- Brak komentarzy — bądź pierwszy.