Neura CEO 称物理 AI 的发展速度“离谱”，但欧洲仍需证明其规模化能力

Neura Robotics CEO David Reger 表示，尽管自主机器仍受现实障碍制约，物理 AI 仍在以“离谱”的速度发展。Reger 在 8 月 14 日接受 Bloomberg Tech: Europe 采访时称，这一领域的发展势头十分强劲，并将机器人技术定位为欧洲潜在的新增长引擎。

这一说法并不只是对人形机器人的又一次乐观预测。Neura 已将其与一轮大额融资、新训练设施以及大规模生产计划绑定。该公司押注，在数字 AI 的许多领域落后于美国和中国企业之后，欧洲能够将其工业专长转化为领导地位。

矛盾之处在于，智能能力快速演进，而实际部署却依然缓慢。机器人模型可以迅速改进，但工厂、医院和家庭仍是难以自动化的场所。Neura 必须证明，其机器能够积累有价值的经验、安全运行，并在受控演示之外持续创造可复制的经济价值。

Neura CEO 对物理 AI 的实际表述

Reger 的核心观点是，物理 AI 已进入加速阶段，现实世界的经验正在取代硬件，成为主要制约因素。

在这段 Bloomberg 采访中，Reger 表示，相关开发正以极快速度推进。他还将物理 AI 描绘为欧洲新的经济机遇。

物理 AI 指的是能够在现实物理世界中感知、推理并行动的人工智能。其软件必须在应对运动、接触、不确定性和不断变化的环境时控制机器。

这一要求将机器人技术与大多数基于软件的 AI 区分开来。聊天机器人犯错后可以再生成一个答案；而机器人一旦预测失误，则可能损坏设备或造成人员受伤。

因此，Reger 的评论实际上描述了两种不同形式的速度。模型和训练方法可以快速进步，但部署仍取决于硬件可靠性、安全工程、制造、集成以及客户接受度。

Neura 认为，行业已经越过了早期的硬件瓶颈。现代机器人能够在同一系统中整合摄像头、力传感、控制软件和 AI 模型。更难的问题，是如何让这些系统学会足够多的实用行为。

该公司将其方法称为认知机器人技术。其机器旨在理解周围环境并作出适应，而非只重复固定的工业动作。

Neura 围绕 Neuraverse 制定了战略，这一平台旨在分发数据、模型和机器人技能。其预期效果类似于软件分发，但分发的是在多台机器上学习到的物理能力。

这一差异很重要，因为传统工业机器人通常需要针对每项任务进行细致编程。当物体、位置、时序和工作流程保持可预测时，它们表现良好。

物理 AI 则承诺提供更广泛的模式。机器人可以从演示和传感器数据中学习一项能力，再将其适应到不同场所。Neura 表示，共享学习将缩短部署周期。

这场 8 月的采访并未独立证明该模式已实现广泛的商业成熟度。但它确实澄清了 Reger 认为已经发生的变化：竞争如今关乎数据和部署基础设施，而不只是更出色的机械躯体。

Neura 最近的行动也支持了这一解读。该公司正在资助专用环境，让机器人能够在现实条件下练习任务。它也在寻求与大学和行业建立合作，将这些环境连接起来。

由此形成的战略对证据提出了很高要求。Neura 必须证明，在其训练中心学到的能力能够可靠地迁移到客户设施中。若无法实现这种迁移，更快的训练只会带来令人印象深刻的演示，而不是经济引擎。

为什么物理 AI 竞赛对欧洲更重要

物理 AI 为欧洲通过制造业、机器人技术和工业知识参与竞争提供了一条可信路径，但这些优势并不保证其能够取得领导地位。

欧洲拥有强大的机械、汽车、传感器和自动化产业，也拥有熟悉安全、精密、认证和长设备周期的资深制造商。

这些优势与具身机器密切相关。一台有用的工业机器人需要的不只是强大的 AI 模型，还需要可靠的组件、服务网络、集成专长以及对客户流程的理解。

该地区已经拥有可观的机器人基础。国际机器人联合会报告称，2024 年西欧每 10,000 名制造业员工拥有 267 台工业机器人。

德国每 10,000 名制造业员工拥有 449 台机器人。按该联合会的 机器人密度数据，这一水平在所覆盖经济体中位列第三。

不过，较高的装机密度并不意味着欧洲将在下一阶段占据领先地位。许多现有工业机器人在隔离围栏后执行结构化动作。物理 AI 的目标，是让机器具备足够的适应能力，以处理更难预测的工作。

欧洲近期的安装数据也构成警示。根据该联合会的 机器人报告，该地区工业机器人安装量在 2024 年下降 8%，至 85,000 台。

德国仍是欧洲最大的机器人市场，安装量为 26,982 台。这一数字较上一年下降 5%，但仍是该国有记录以来第二高的结果。

这些数字揭示了 Reger 的机遇与挑战。欧洲拥有工业客户、工程知识和庞大的自动化基础，同时也面临增长疲软、买方要求严苛以及采购流程漫长等问题。

如果物理 AI 能将自动化扩展到固定生产线之外，它可能成为增长引擎。潜在场景包括仓储搬运、柔性制造、实验室工作、医院物流，以及最终的家庭辅助。

每种场景都提出不同要求。仓库地面重视稳定移动和可靠的物料搬运；医院则要求更严格的安全、隐私和工作流程控制；家庭环境中的物体和布局高度多样。

通用机器人必须在不过度昂贵或不可靠的前提下应对这种变化。既要具备灵活性，又要保证可靠运行，正是该行业最核心的工程矛盾。

欧洲的政策方向提供了一定支持。欧盟委员会的 AI 战略将机器人、制造、医疗保健、移动出行和汽车系统列为推动应用的战略领域。

这种政策协同可以支持研究、共享基础设施和早期部署，但无法替代那些能从机器人身上获得可衡量回报的客户。

因此，Neura 同时向两类群体施压。欧洲政策制定者必须将 AI 投资与实体产业连接起来；成熟的自动化企业则必须决定，自己应以多快速度从编程式机器转向学习型系统。

美国和中国的机器人企业进一步增加了紧迫感。它们可以依托庞大的技术市场、主要 AI 实验室、深厚的资本储备和广泛的制造网络。

欧洲的机遇是真实存在的，但时间本身无法保护它。如果竞争对手积累更多部署数据，它们就能在改进硬件和运营的同时提升模型能力，从而形成复利式优势。

Neura 的数据战略才是真正的运作机制

Neura 的核心论点取决于将物理世界经验转化为可复用的训练数据，再将习得的技能分发到不同机器人和场所。

机器人需要将感知与行动联系起来的样本。训练记录可以包括图像、力读数、关节位置、物体状态，以及促成结果的动作。

收集这些记录比收集网络文本更困难。物理交互需要时间和设备，也可能产生不一致的结果。失败还可能损坏物体或机器。

模拟可通过生成合成环境和重复试验提供帮助。然而，模拟中的表面、摩擦、光线、物体形变和人类行为，永远无法复现实验室外发现的所有条件。

这种差异通常被称为仿真到现实的鸿沟。在虚拟环境中成功的行为，可能会在真实物体打滑、弯曲、反光或处于意外位置时失败。

Reger 越来越多地将经验描述为行业的限制性资源。这一观点如今正在塑造 Neura 的资本支出和大学合作关系。

3 月，Neura 与慕尼黑工业大学宣布将在慕尼黑机场设立物理 AI 训练中心。首期 TUM RoboGym 占地 2,300 平方米。

合作双方表示，启动时将投资约 1,700 万欧元，其中 Neura 约出资 1,100 万欧元。机器人计划于 2026 年在现实条件下开始训练。

Neura 表示，该场地的数据将汇入 Neuraverse。该公司称这一平台与硬件无关，意味着它旨在支持不止一种机器人设计。

与 RWTH Aachen 的第二项合作进一步延伸了这一构想。Neura 表示，其规划中的 Aachen 设施面积约为 3,000 平方米，并将于 2026 年底前开放。

根据 Neura 的 训练网络公告，截至 7 月，10 个 Neura Gyms 正在开发中。预计到 2026 年底，其中 5 个将在欧洲、美国和中国投入运营。

该公司称，行业合作伙伴将可使用这些环境。这可能让开发者无需从零开始建立昂贵的数据运营体系，也能训练系统。

这一机制类似于飞轮：更多机器人执行更多任务，产生更多数据；更好的数据改进模型，而改进后的模型又使机器人能够胜任更多任务。

然而，循环的每一个环节都可能削弱这一机制。为一种机器人收集的数据，未必能顺畅迁移到另一种机体上；在一家工厂学到的任务，也可能依赖于其他场所并不存在的工装或工作流程。

质量的重要性也高于单纯的数据量。大量关于简单动作的重复记录，并不一定能教会机器人如何从罕见故障中恢复。

有价值的训练中心必须捕捉困难样本、准确标签、安全事件和成功的恢复策略。当客户流程包含敏感信息时，它还必须管理相应的权限。

这些要求使 Neura 的开放平台表述格外重要。广泛的生态系统可能比封闭机群产生更多样化的经验，但也可能带来不一致的数据格式、硬件差异和治理争议。

该公司需要为技能如何表示、测试和批准建立标准。客户会希望了解：是哪台机器人学会了某项行为、它在哪里得到验证，以及适用哪些限制。

这一过程开始类似于软件发布管理，但物理后果提高了风险。一项有缺陷的软件更新可能中断工作；而一项有缺陷的运动策略则可能损坏生产线。

Neura 的物理 AI 战略因此不只是收集示范数据。它需要一套可信系统，将经验转化为可迁移、可审计的机器行为。

融资提高预期，而非提供证明

Neura 现已获得足够多已宣布的资本，可尝试实现全球规模化；这使商业交付成为检验 Reger 论点的下一项考验。

6 月 10 日，Neura 宣布完成 C 轮融资，融资总额最高可达 14 亿美元。“最高可达”这一表述很重要，因为其中可能包含已承诺和附条件的部分。

公司列出的投资方包括 Tether、Qualcomm Technologies、Amazon、Nvidia、imec.xpand、Bosch、Schaeffler、欧洲投资银行及其他支持者。这一群体横跨金融、芯片、制造和工业系统领域。

Neura 将此次融资称为全栈机器人公司完成的最大一轮融资。这是公司自身的说法，不应被视为经过独立审计的行业排名。

Series C announcement 将这笔融资与量产、Neura Gym 网络以及 Neuraverse 的持续开发联系起来。

Neura 还提出，到 2030 年将机器人产量扩大至数百万台的目标。这一目标提供了一个格外明确的基准，可据此评判其进展。

要以这样的规模生产机器人，所需的不仅是一套成功的模型。Neura 还需要稳定的供应商、可制造的设计、质量控制、现场服务、软件支持，以及持续的客户需求。

人形系统会放大这些挑战。它们的身体包含众多活动部件，应用场景也往往与围绕人类触及范围和动作方式设计的工作相重叠。

这种形态可以使人形机器人更适合现有建筑。客户无需围绕专用机器重新改造每一条通道、每个工位或每一处门口。

但同样的形态也带来技术成本。平衡、行走、抓取、能耗和与人安全互动，都会争夺工程资源。

在受限任务中，轮式或固定式机器人可能优于人形机器人。仓库或许更适合专用移动系统，而装配单元则可能更青睐传统机械臂。

因此，Neura 不能只依赖类人外形的吸引力。它必须证明，这种适应性能抵消额外的复杂性。

Reger 更广泛的观点是，机器人正从孤立设备转变为互联的学习系统。在 4 月一场有关规模化竞赛的采访中，他认为欧洲仍是建设机器人生态系统的有力地点。

资本可以在收入追上来之前，为硬件库存和训练设施提供资金，从而加速这一计划。它也可能加大宣布激进时间表的压力。

竞争格局正在快速演变。Figure 已与 BMW 推进人形机器人的制造部署。Agility Robotics 则借助其双足 Digit 系统专注于仓储作业。

Apptronik 已与工业合作伙伴围绕 Apollo 展开合作，而 Tesla 仍在其自身制造环境中持续开发 Optimus。中国机器人公司也正围绕不同硬件设计快速迭代。

这些竞争者代表了不同战略。有些掌控机器人、模型和部署全栈；另一些则强调合作伙伴关系、基础模型或专业化商业任务。

Neura 提出的优势，是开放的智能层与欧洲工业工程能力的结合。其融资让这一战略作为一项严肃尝试更具可信度，但并不能验证最终结果。

最有力的证据将来自客户持续运行机器人的实践。关键指标包括任务完成情况、人工干预、停机时间、安全事件和总运营成本。

融资公告揭示的是谁愿意为这项尝试提供资金。它们并不能说明机器人能否在条件变化的情况下完成整个班次的工作。

“令人难以置信”的速度仍无法证明什么

模型快速改进，并不能解决决定物理 AI 能否成为基础设施的可靠性、经济性、安全性和数据治理问题。

第一项不确定性是可靠性。机器人即便在测试中取得很高的成功率，仍可能不适合投入生产。

一台机器在 100 次尝试中完成 95 次，仍会失败 5 次。这样的比例或许可以在演示中接受，但不适用于易碎货物或关键设备周边。

恢复行为与平均成功率同样重要。机器人必须识别不确定性、安全停止、请求协助，并在不制造新风险的情况下恢复工作。

第二项不确定性是经济性。机器人的购买成本只是其总负担的一部分。

客户还必须考虑集成、维护、充电、监督、软件、备件、培训、保险和设施改造。这些成本可能压倒用于证明部署合理性的劳动力节省。

灵活机器人若能服务于多项任务，可能改善这一成本结构。但切换任务需要经过验证的技能和可靠的调度，而不只是技术能力。

第三项不确定性是数据权利。物理 AI 训练可能采集员工、工作场所、产品和专有流程的数据。

工厂可能不愿向共享平台贡献运营数据。员工和监管机构也可能质疑视频、动作或绩效记录如何被存储和再利用。

Neura 需要在共享学习与客户机密信息之间划定明确边界。硬件无关的访问方式也会引发问题：由多个贡献者共同促成的技能究竟归谁所有？

第四项不确定性是安全认证。学习系统会随着模型或策略更新而改变行为。

传统机械认证通常假设运行范围更为稳定。监管机构和客户需要能够判断更新后的机器人是否仍处于获批限制范围内的方法。

如果欧洲的规则能够促成可信系统和清晰的采购标准，它们就可能成为优势。当义务仍不明确时，合规也可能拖慢部署。

第五项不确定性是劳动力。Reger 将物理 AI 描述为应对劳动力短缺和艰难工作的方案，而不只是替代策略。

这一表述将在部署现场接受检验。员工将判断机器人是否消除了危险任务、是否造成监控、是否增加工作负担，或是否减少就业。

成功落地需要与机器并肩工作的人参与运营。即便系统技术上具备能力，如果扰乱工作流程或缺乏员工信任，仍可能失败。

物理 AI 同样容易受到演示偏差影响。短视频突出成功动作，却掩盖准备时间、人工协助、失败尝试和维护。

严肃评估需要更长的运行周期和一致的基准。买家应询问人工介入的频率，而不只是机器人是否曾完成过一次任务。

Neura 的扩张计划让这些问题更加紧迫。Gym 网络可以产生可观的练习量，但练习必须转化为可靠的现场表现。

Reger 或许是对的：从行业内部看，开发进展令人惊叹。但客户所需的标准不同。他们需要在日常、棘手的条件下获得可预测的结果。

技术速度与运营证明之间的鸿沟，是本文的核心冲突。欧洲不需要又一个机器人承诺，而需要能够经受真实工作场所检验的可重复部署。

三项信号将揭示欧洲的押注是否奏效

下一阶段应以运营证据、可迁移技能和生产进展来评判，而不是以更大规模的演示或更宽泛的预测来衡量。

第一项信号是持续的客户部署。Neura 需要明确指出具体任务、运营地点，以及机器人在其训练设施之外工作的可衡量成果。

最有价值的披露包括人工干预频率、任务成功率、正常运行时间，以及每次部署的持续时间。持续数周或数月的运行，比一场精心安排的活动更有分量。

如果客户从一个试点扩展至多个生产地点，Reger 的增长引擎论点就会更有说服力。反复延期或永久需要监督的试验，则会削弱这一论点。

第二项信号是跨机器与跨地点的迁移。Neura 的平台论点取决于：在一种环境中学到的技能，能否在其他地方产生价值。

证据应显示迁移后仍需要多少再训练。若一项能力在每个地点都需要大量工程工作，就无法形成预期中的网络效应。

跨硬件迁移尤其具有意义。Neura 将 Neuraverse 描述为硬件无关的平台，因此对不同机器人本体的支持是其生态系统主张的核心。

独立开发者和工业合作伙伴同样重要。如果外部组织能够贡献并部署技能，这个平台就不再只是内部软件层。

第三项信号是公司生产目标的进展。Neura 已将融资与规模化制造及到 2030 年生产数百万台机器人的目标联系起来。

投资者和客户应关注已完成的产品数量、活跃的商业部署、服务能力和供应链合作伙伴关系。这些指标揭示生产是否正随需求推进。

Gym 的推广提供了更早的检查点。Neura 表示，到 2026 年底将有五处设施投入运营，另有 10 处正在开发中。

慕尼黑和亚琛的场地可以展示大学、开发者和制造商是否真正使用共享训练基础设施。其数据政策将表明该网络究竟会变得多么开放。

竞争对手的回应将提供额外背景。Figure、Agility Robotics、Apptronik、Tesla 或中国厂商若实现更快的商业部署，将压缩 Neura 的时间窗口。

欧洲的政策项目也应按采用成果来评估。为算力和研究提供资金很重要，但物理 AI 还需要部署场地、工业数据和采购路径。

Reger 提出了一套连贯的欧洲论点。该地区可以将 AI 与机械设备、制造知识和要求严苛的工业客户结合起来。

他所说的“令人难以置信”概括了研究和投资的速度，却无法决定谁能将这种速度转化为安全、经济的机器。

对开发者而言，眼前的机会在于感知、控制、仿真、评估和机器人技能工具。企业买家应关注可衡量的工作流程，而非通用智能主张。

知识工作者也应关注，因为物理 AI 将改变运营知识的记录方式。指令、例外情况和故障排查流程将成为机器以及人的输入。

决定性问题如今非常务实：Neura 的机器人能否积累足够可靠的经验，将欧洲的工业基础转变为一个学习网络？

关注客户部署、技能迁移和生产数据。这些信号将揭示物理 AI 是正成为欧洲的下一个增长引擎，还是又一个等待证明的有力承诺。