如果你正在跟踪具身智能领域的投资或技术选型，极佳视界三个月35亿的融资节奏背后，最值得拆解的不是估值，而是它的技术路线在真实机器人落地中到底有多少工程断点。
极佳视界从自动驾驶世界模型DriveDreamer起步，服务广汽、理想、比亚迪等30多家车企，商业模式清晰。随后推出GigaWorld（预测未来场景）和GigaBrain（视觉语言转动作），并发布Maker H01机器人本体，试图从软件延伸到硬件闭环。
但自动驾驶的预测逻辑与机器人控制的物理交互之间，存在一个根本差异：自动驾驶不需要关心“手指碰到杯子时压力多大”，机器人不但需要，还必须在毫秒级修正。
迁移断点：仿真数据缺了接触力学这一课世界模型的核心能力是预测——输入一个动作，输出下一个状态的图像或点云。这在自动驾驶仿真中很有效，速度车辆轨迹安全即可。但到了工业产线，问题变了：拆垛时箱子边角是否卡住、搬运时夹爪摩擦力是否足够、布料或线缆这类变形物体怎么抓握。
这些接触力学和力觉反馈数据，在自动驾驶场景里根本不存在。极佳视界的解决方案是分层架构：GigaWorld负责预测后果，GigaBrain负责生成动作，再由底层控制模块微调。
这种架构的优点是数据和模型在不同场景间有复用潜力，但缺点同样明显：链路更长。预测层出一个毫秒级误差，动作层就得重新规划，端到端效率可能不如直接训练一个VLA（视觉-语言-动作）模型。
行业目前没有共识哪种路线更优。Google RT-2和Physical Intelligence的π系列走VLA路线，模型直接给出动作序列，训练端到端数据量要求更高，但调优相对简单。极佳视界选择的分层路线更灵活，但能否在实际部署中跑通，取决于真机数据回流的速度和质量。
工业与家庭：两种场景，两套落地难度极佳视界在工业场景的验证成果领先：联合一汽模具将AI机器人放进真实产线，完成拆垛、搬运全流程，官方称适配周期从数月压缩到数周。但注意，这是规划目标，不是已交付订单。
家庭场景则更难。子品牌拾光S1进入武汉光谷人才公寓，目前能完成早餐递送、叠衣等任务，但执行速度慢于人类。家庭环境非结构化程度更高，物体种类、摆放、光线、儿童宠物变量远超工业场景。
更关键的是，自动驾驶积累的数据对家庭场景几乎无贡献。工业产线还能部分复用轨迹预测逻辑，但家庭中一个打翻的牛奶杯如何抓握，纯靠通用预测模型很难泛化。
评估一家物理AI公司的三个判断标准第一，区分“仿真榜单成绩”与“真机表现”。WorldArena、RoboChallenge等榜单频繁易主，能证明研发进入第一梯队，但不能证明长期壁垒。真正需要观察的是：真机数据是否形成了闭环，即每台机器人每天产生的动作、失败和力觉数据是否自动回流更新模型。
第二，关注营收结构。极佳视界目前最大收入来源仍是DriveDreamer的自动驾驶仿真订阅——这本质是高毛利软件生意。而工业机器人项目往往需要大量硬件适配和定制开发，毛利率会显著下降。如果未来财报显示项目制收入占比过高，就需要警惕这是不是辛苦的集成生意。
第三，时间窗口。世界模型正在成为具身智能公司的标准配置，海外的Physical Intelligence、国内的千寻智能都在快速迭代。极佳视界除了保持模型领先，必须依靠“本体+数据”闭环建立护城河，否则很容易被云厂商或本体厂商碾压。
极佳视界能否成为“世界模型第一股”，最终取决于能否让GigaWorld和GigaBrain在可靠的真机反馈驱动下持续进化，而不是靠融资和榜单维持估值。
在评估具身智能公司时，你认为“自动驾驶积累的世界模型经验”和“本体硬件跑出的真机接触数据”，哪一个才是决定机器人能否真正落地的核心壁垒？
