物理 AI 简报：Agility 募资 4.65 亿美元、智元改用「工时表」、96 台机器人组团学习

这一期的三条消息来自三个不同的位置：一家美国公司在上市前夜把融资额定下来，一家中国公司在发布会上把「上岗」改成考核指标，一篇论文把 96 台真机连成了一个互相学习的群体。它们讲的是同一件事——物理 AI 开始被要求「算得过来」。

一、Agility：4.65 亿美元落定，人形机器人第一次要面对公开市场

10 月 30 日，Agility Robotics 与 Churchill Capital Corp XI 公布：双方的合并交易预计募资约 4.65 亿美元（毛额，未扣交易费用）。这笔钱由三部分组成——SPAC 信托账户约 1.64 亿美元、每股 10 美元的 PIPE 约 2.01 亿美元（富士康领投），以及宣布交易后已经到账的 1 亿美元股权融资。交易预计 11 月 4 日交割，11 月 5 日起在纳斯达克以「AGLT」交易。

新闻稿里有一句自我定位：Agility 预计将成为「唯一一家有真实商业部署的美国上市纯人形机器人公司」。支撑这句话的是一串具体数字：10 月 26 日宣布与 GXO 扩大合作，Digit 进入另外两处设施；与 AGCO 的制造试点预计 2027 年启动；另有三个制造业客户进入付费项目；在手线索超过 30 家，覆盖制造、汽车、航空、国防、物流与消费品。9 月 15 日发布的 Digit 5 计划 2027 年上半年交付早鸟客户、年底全面供货，已披露的多年期订单超过 3 亿美元——但新闻稿自己说明，这个数字是「多年潜在价值，需满足合同里程碑」，不等于当期收入。

为什么放在第一条：人形机器人过去由一级市场定价；上市之后，订单能否变成收入、部署能否重复，都会按季度被追问——行业第一次进了可审计的框。

二、智元：把「能不能稳定上岗」写进指标

10 月 29 日，2026 智元创新日在上海世博中心举行，现场超过 1000 人。联合创始人、总裁兼 CTO 彭志辉给这次发布定了个调子：公司今年最重要的进展，是从「开发态」跨到「部署态」，进入他所说的物理 AI「Y 时刻」。

为此智元抛出一个新词 Worken（Work + Token），作为度量具身智能价值的单位。彭志辉的解释很直白：机器人开机几小时，不等于产生同样小时的价值；单次任务成功率好看，也不等于能长期稳定上岗。换句话说，评价标尺要从参数表换成工时表。他的另一句话被多家媒体引用：「万台下线只是制造业的胜利，万台能够上岗，才是物理 AI 的胜利。」

发布按层次分：硬件有号称全球首款皮下式关节液冷系统、新一代灵巧手、MEgo Glove 触觉数采手套与安规级重载机器人精灵 G2 Max；软件有具身基座模型 GO-3 Preview（RoboDojo、RoboTwin、RoboColiseum 三榜第一，年底开源）、交互模型 WITA-OMNI，以及开源并捐赠给开放原子基金会的灵渠 OS 1.0。落地上，公司称已在龙旗的 3C 工厂跑通 7×24 小时质检工位。

彭志辉也没回避难点：实时推理能力不足、模型幻觉、物理常识缺失、物理任务闭环难，是当下四条主要瓶颈；通用大模型扎根数字世界，很难感知重力与摩擦，而工业场景里一次执行出错就是停机损失，容错空间远小于文本对话。他判断大规模普及的卡点不在产能，而在客户能否跑通正向 ROI。

三、96 台机器人「组团学习」：从人教机器，到机器教机器

同一天，清华大学、无问芯穹与智元公布了一个叫群体经验学习（CEL）的新范式，并在 96 台真实机器人组成的集群上做了规模化验证。测试任务是五项：插花、叠衣服、手机充电、凳子组装、手机包装。

结果里有几个数字值得记住：两台完全没有参加过训练的机器人做了 600 次测试，只失败 15 次，总体成功率 97.5%，五项任务的成功率全部超过 6 名人类操作员的平均水平；手机包装这种多步骤工业任务，成功率从 79.2% 提升到 98.3%，连续 120 次只失败 2 次。更关键的是规模效应——参与训练的机器人从 16 台增加到 96 台，成功率从 86.7% 升到 98.3%。

支撑这套方法的是两层：系统层的容错异步训练系统 FATS 基于开源强化学习框架 RLinf 构建，把真机与算力统一调度，机器人做完任务就上传经验、不必等别人；96 台规模的测试里累计采集 9834 轮执行经验，其间 22 台机器人发生 30 次故障，故障造成的时间损失只占全部运行机时的 1.3%。算法层的 FERT 是「失败引导的经验检索微调」：遇到困难时，从过去的成功里翻出相似场景的做法，照着学。

这条为什么重要：具身智能长期卡在「人不够用」——每提升一点能力，都要靠熟练操作员反复示教。群体学习把这个瓶颈翻了过来：机器越多，积累的经验越多，能力提升越快。这是一条可被复制的数据飞轮，而不只是一次刷榜。

四、三条线指向同一个问题

资本开始给「部署数量」定价。Agility 的 4.65 亿美元不是给演示视频的，新闻稿通篇在讲客户、场地、订单里程碑。

评价体系在换。智元把参数表换成工时表，本质是把「机器人能干什么」改写成「机器人一年能交付多少小时的有效劳动」。这件事一旦被客户接受，商业模式会从卖硬件转向卖服务。

数据飞轮换了转动方式。过去是人教机器，现在是机器教机器；96 台这个数字本身不惊人，惊人的是它随规模变强的斜率。

三件事合起来看，物理 AI 这一阶段的竞争点已经从「能不能做出来」挪到「能不能算得过来」——单位工时的成本、部署的可复制性、以及经验能不能留在系统里而不是留在某个老师傅手上。

本文为公开报道的转述与梳理，未独立验证厂商演示与实验数据；不构成任何投资建议。