Gravis 的核心产品不是自有品牌挖掘机,而是可加装到现有重型机械上的改装系统。其 Gravis Rack 是一套自主控制硬件,能够安装在包括 Caterpillar、John Deere、Volvo、JCB、Hitachi、Case、Develon、Sumitomo 和 Yanmar 在内的多个品牌设备上。
这意味着 Gravis 的目标不是让客户改用某一家设备制造商的专属生态,而是让由多个品牌和型号组成的工程机械机队,也能逐步获得半自动或全自动能力。
对于承包商来说,设备采购往往取决于价格、供货情况、当地经销商关系和维修便利性。能够兼容既有机队的系统,理论上比绑定单一品牌的自主驾驶方案拥有更大的潜在市场。不过,这种跨品牌兼容能力最终能否稳定运行,仍需要在大量真实工地上验证。
Gravis 表示,其系统会综合摄像头、传感器、机器遥测数据,以及来自设备本身的物理反馈。CTO Dominic Jud 曾将这一思路比作经验丰富的操作员判断地面状况的方式:他们会留意发动机负荷、机器振动和液压阻力等细微变化。
因此,它的目标并不只是让挖掘机沿着预先设定的路线移动,而是让设备在挖掘、开沟、土方作业和向卡车装料时,根据不断变化的地形和负载作出调整。
英国政府支持的 CAM Pathfinder 项目正在与 Flannery Plant Hire 合作,在6台挖掘机上测试高度自动化的土方作业系统,覆盖自动开沟、大规模挖方和卡车装料等任务。
但“最多30%”必须谨慎解读。这是 Gravis 自己公布的技术主张,而现有融资证据中没有显示该数字已经成为经过独立审计的行业基准。实际效果可能取决于设备类型、作业内容、工地地形、操作流程,以及客户采用的是辅助驾驶、远程监管还是完全自主模式。
换言之,软银的大额投资证明了投资者对这一方向的信心,却不能单独证明每个工地都能获得30%的效率提升。
其中,与 Flannery 的合作尤其具有商业意义。双方探索的是“自主挖掘机+设备租赁”的模式:客户可以直接租用已经安装 Gravis Rack 的设备,而不必先购买整套系统、改装全部机队,再自行组建机器人运营团队。
这种模式可能降低建筑自动化的一大门槛。对许多承包商而言,为单个项目租用一台具备自主能力的挖掘机,或许比立即投入资金改造整个机队更容易接受。
SafeAI 和 Teleo 都处于建筑设备自动化或远程操作等相邻赛道。Gravis 强调的差异化优势,是一种基于学习、能够适应不同机器的自主平台:它试图在多个品牌和尺寸的设备上使用同一套技术,而不是要求客户统一采购某一家制造商的产品。
但这仍然是一项有待证明的市场主张,而不是已经确定的竞争结果。Gravis 需要在不同工地持续证明系统的可靠性,满足安全和验证要求,控制安装与集成成本,并在规模化部署后提供足够的客户支持。
建筑工地并不是受控实验室。粉尘、不平整地面、不断变化的负载,以及现场人员和车辆的不可预测活动,都可能暴露出在演示环境中不明显的问题。
Gravis 的投资将软银的人工智能布局延伸到了能够感知并作用于现实世界的系统。与软件或基础模型相比,实体AI面临更复杂的商业化挑战:系统必须在人员、机械和环境持续变化的情况下安全运行,同时为工业客户带来可量化的经济价值。
这笔交易也符合软银扩大机器人版图的方向。软银已同意以53.75亿美元的企业价值收购 ABB 的机器人业务,并将这项交易描述为整合人工智能与机器人技术的一部分。不过,相关交易在公告中仍需经过监管审批并满足其他交割条件。
软银还设立了 Robo HD,用于集中管理与机器人相关的投资。与此同时,软银已就追加投资 OpenAI 达成协议,投资规模最高为400亿美元,其中软银预计实际投入300亿美元;交易完成后,软银对 OpenAI 的累计投资预计达到646亿美元,持股比例约为13%。这些数字仍取决于交易完成情况及最终条款。
在这一框架下,Gravis 可以被视为一个潜在的应用层:把人工智能和自主控制软件部署到真实的工程机械上,进入规模庞大的工业市场。但这并不意味着软银已经打造出一套完整、统一的 AI 与机器人平台。眼下更直接的问题是,Gravis 能否把灵活的改装系统转化为可靠、可重复的建筑作业能力。
软银的2亿美元支票释放出一个信号:建筑自主化正在被投资者当作平台机会,而不只是若干零散的试点项目。
Gravis 瞄准的是全球现有的重型设备保有量,通过硬件改装和软件升级,让这些机器具备自主能力,而不必等待每一家原始设备制造商重新设计产品。这为公司提供了一条相对宽广的市场进入路径。
但这条路径也带来最难回答的问题:同一套自主系统能否在不同品牌和型号的设备上持续稳定运行?承包商是否愿意把涉及安全的作业交给它?所谓生产力提升,能否经受商业工地的现实考验?
2亿美元融资给了 Gravis 在更大规模上寻找答案的资金。至于市场报道中的10亿美元估值是否合理,最终取决于公司能否把“实体AI”的技术主张转化为稳定产出、更安全的作业流程,以及建筑客户能够反复验证的商业回报。