Pi API 把机器人基础模型的微调和推理做成了托管服务。2026 年 10 月 13 日，Physical Intelligence 在官方博客宣布 Pi API 进入测试：开发者把自己的机器人数据上传，在 Physical Intelligence 管理的算力和基础设施上发起微调，再通过托管网关把微调后的模型接到自己的机器人上运行推理，评测数据则用来指导下一轮迭代。申请通道已经开放，团队需要说明自己想做什么。
它省掉的，恰好是机器人团队最缺的那一段
π0 和 π0.5 这类通用机器人基础模型的卖点，本来就是减少适配新任务、新环境和新机型所需的数据与人力。但“减少”不等于“消失”：真要把基础模型落到自己的机器人上，团队仍然需要机器学习基础设施、算力和复杂的数据管线，这一段恰恰是大多数机器人公司最薄弱的地方。Pi API 的处理方式和云厂商托管大模型推理是同一套逻辑——把最重、最不产生差异化的那段工程收走，只留下上传数据、发起微调、调用推理三个动作。官方称，通过 API 提供的最新模型在微调时对数据的利用更省、能力更强，而且因为底层模型可以快速更新，后续的新模型也会持续经由这个入口开放。
早期客户已经跑出了真实工况
为了证明这套流程不是实验室演示，Physical Intelligence 公布了早期合作方的进展。Actor 把它用在自动驾驶重型机械上：无人轮式装载机在真实商业部署中自行铲料、装车，驾驶舱里没有操作员。Almond 的双臂机器人 Axol 则在四天迭代后，开始给自己装配用的垫片去毛刺——目标是让 Axol 最终能参与组装它自己。这批部署从日本、瑞士一直到美国多地，多数走的是云端托管推理，官方也坦承其中一些现场遇到了网络连接方面的麻烦。这批案例的共同点不在任务本身，而在迭代方式：收集示范、训练、上机测试、看失败决定下一批采什么数据——这条循环过去要自建团队才能跑，现在被压进了一个 API 里。
把视野拉远，这件事的意义不止是一家公司多了一个产品入口。机器人基础模型此前的主要存在形式是论文、演示视频和开放权重，普通团队拿到权重也未必跑得起来；托管微调加托管推理之后，竞争的门槛从“有没有 infra 团队”挪到了“有没有好的任务数据”。当然，未公布的部分同样关键：公告没有给出价格、延迟指标和正式商用时间，云端推理对网络和时延敏感的场景是否够用，也要等更多团队在真实工况里验证。可以先对照看看 Gemini Robotics ER 2 如何给机器人做高层规划 ——Google 走的是把模型嵌进自家生态的路线，Physical Intelligence 这次押的则是“模型即服务”：哪条路线先跑出付费的机器人客户，接下来一年就能看出端倪。
