当Skild AI、Physical Intelligence等公司拿着数亿美元融资训练通用机器人基础模型时，蒙特利尔的Vention选择了一条完全不同的路：不造基础模型，用工厂里已经跑着的28000台设备产生的真实工业数据，解决机器人“能不能在产线上稳定干活”这个问题。
01
Physical AI收入一年增长400%
2026年9月8日，Vention宣布在蒙特利尔开设加拿大最大的Physical AI实验室。该公司披露，Physical AI相关收入在过去一年增长了400%。
Vention成立于2016年，提供工业自动化平台，客户包括波音、洛克希德·马丁、欧莱雅、耐克等，覆盖90家财富500强企业。截至目前，其技术已部署在超过4000家工厂，累计出货超过28000台机器。
这个规模带来的核心资产是数据。Vention CEO Etienne Lacroix在接受The Robot Report采访时说：“任何Physical AI基础模型都是数据饥渴的。我们每年出货数百个机器人单元，它们都在采集高质量的工业操作数据。这是一个巨大的资产，之前没有被充分利用。”
02
与基础模型公司分道扬镳
当前Physical AI赛道的主流打法是训练通用基础模型。Skild AI在2025年1月完成14亿美元融资，投资方包括软银和英伟达；Physical Intelligence据报道在2025年11月完成6亿美元融资，由谷歌旗下基金领投。
Vention明确不参与这场竞赛。Lacroix的判断是：“基础模型将成为商品。现在有太多人在开发它们。”
他的逻辑是：即使基础模型解决了一部分问题，真正的挑战在于让这些能力在真实生产线上达到工业级的可靠性、成本可控性和部署效率。而这恰恰需要来自实际生产环境的数据和反馈。
Vention的GRIIP系统（Generalized Robotic Industrial Intelligence Pipeline）就是这个思路的产物。它不是基础模型，而是一个模块化的Physical AI管道，涵盖场景数字化、物体分割、姿态估计、抓取选择和碰撞规避运动规划，使用英伟达等公司的基础模型，加上Vention自研的专有模型。
商业模式上，Vention按每台设备单元每年1.5万美元收费。Lacroix认为，这比开发基础模型的财务回报更好——基础模型每台机器人只能产生几千美元的收入。
03
工业数据的独特价值
Vention数据优势的核心在于来源。许多Physical AI创业公司用爬取的视频训练模型，或者雇人戴传感器手套生成演示数据。Vention的数据直接来自已经在生产线上运行的机器人。
这些数据解决的是制造业中最棘手的问题。比如从深箱中取件——这个场景的碰撞风险很高，导致很多工业机器人只能被限制在传送带旁或封闭的安全笼里工作。Vention的团队还在研究自动化kitting（配套组装），比如在汽车产线上收集车灯、线束、支架和螺丝。
Lacroix说：“我们一直做的是应用场景，从演示和数据采集中学习，用数千万美元的研发投入，为工业自动化微调模型。”
04
实验室与产线的闭环
新实验室由Jimmy Li领导，他拥有麦吉尔大学机器人学博士学位，曾在三星工作，2024年10月加入Vention。实验室有16人，属于公司120人研发团队的一部分，但考核标准不同——他们追求的是12个月周期的研究目标，而不是按季度交付。
Cohere首席AI官Joelle Pineau担任外部技术顾问，参与模型架构决策和研究优先级制定。Pineau是麦吉尔大学博士，曾长期领导Meta的AI研究团队。
实验室的核心机制是：学术研究直接对接生产问题，生产反馈直接回流到研究。Jimmy Li说：“我们的客户不是在等一个成品来测试，他们在我们构建的过程中就在场。这在业内是独特的，也是我们能更快从研究成果推进到工厂实际运行的原因。”
Vention正在与一家大型汽车OEM合作，攻克总装环节中高复杂度的非结构化机器人任务。这类任务的挑战在于，传统工业机器人需要完全结构化的环境才能运行，而真实工厂中存在大量变化因素。
05
Physical AI的真正门槛
Vention的路径揭示了一个容易被忽视的事实：Physical AI的瓶颈可能不在模型本身，而在于模型能否在真实的工业环境中稳定运行。
Lacroix预测，当Physical AI真正起飞时，1300亿美元的制造业自动化市场价值可能增长10倍。但他也指出，目前“部署Physical AI还不赚钱”，关键是能否以规模化的方式实现“惊人的单位经济性”。
2026年1月，Vention完成1.1亿美元D轮融资，估值超过10亿美元，投资方包括英伟达旗下投资部门。这家公司的赌注是：当基础模型赛道最终收敛时，拥有数据、场景和部署能力的玩家会笑到最后。
