首页
AI类系统
渠道合作
关于我们
成立四个月，融资过亿美金：TensorWorld 物原科技要跑通“物理真实”路线
想象这样一个场景：一台人形机器人站在厨房里，面前是一只靠近桌沿的玻璃杯，伸出机械手想把杯子往里推——力道稍重，杯子滑落、坠地、碎裂。对人类而言，" 杯子靠近桌边会掉下去，玻璃落地会碎 " 是近乎本能的预判；但对机器人而言，这种预判需要一套完整的物理逻辑：不仅要知道 " 眼前有什么 "，还要理解 " 如果我这样做，接下来会发生什么 "。
这正是当下 AI 行业最焦灼的战场之一，随着大语言模型推动智能在数字世界快速发展，AI 的能力边界正在向物理世界延伸——具身智能、自动驾驶、工业仿真等等。但物理世界不按 token 出牌，它有自己的一套铁律：重力、摩擦、碰撞、流体 …… 难度相比语言呈现指数级提升。
就在这条更难、更底层的赛道上，TensorWorld 物原科技，一家成立仅四个月的初创公司，一个月内已经拿到过亿美元融资。资本押注的背后，是其 " 学术背景 + 技术路线 + 落地复现 " 能力带来的稀缺性。
行业需要解决什么问题？
当下，在公众的普遍认知里，AI 已经非常聪明，不仅能写代码、找漏洞，甚至能攻克困扰人类数百年的数学难题，但要让机器人预测真实世界的物体轨迹并进行互动，却很难达到 " 可靠 " 的水平。原因在于，AI 还没有理解物理规律，要让它从 " 软件界面 " 进入 " 物理世界 "，这是绝对绕不开的关卡。
行业想要跨越这道鸿沟，面临着极度苛刻的条件：高保真的物理标注数据贵得惊人，一个工业级空气动力学仿真样本，往往需要数万 CPU 小时；在 100 个场景采集的数据很难泛化到 10000 个未知场景；仿真器很难完整复现真实世界的摩擦与形变，斯坦福 HAI 报告显示，机器人在软件仿真中的任务成功率可达 89.4%，但同一类任务在真实家庭环境中的成功率仅约 12.4%。
物原科技怎么解决这个问题？学术演进呈现清晰路径
目前，业内世界模型大致可归纳为侧重视觉驱动与侧重物理驱动两种范式。前者是行业主流，以视频生成为代表，目标是 " 看起来真实 "，优化的是帧间的像素合理性，优势是数据获取相对容易、画面逼真，多用于视频生成、数据工厂、场景预览、VLA 前端感知。但机器人要在真实物理世界中可靠地执行任务，仅靠语言和视觉理解远远不够。
因此，另一种范式越来越被行业认可，侧重以物理规律建模，目标是 " 推演更真实 "，优势是可验证、可测量、能支撑动作规划。传统工业仿真软件（如 MuJoCo、Isaac Sim）就是这条路线上的 " 手工派 "——物理定律高度依赖工程师逐条手写，预测精确但昂贵，面对不规则形状、柔性体、流体时工程投入极高。
而物原科技，走的就是物理基础模型的路线，他们提出 " 在张量世界中，构建物理真实 "，目标是让模型从数据中学习物理世界的演化规律，像人类一样达到 " 举一反三 " 的效果：
比如，原生 Transformer 缺乏时序拆解能力，怎么让模型正确理解物理世界中的 " 时间 "？Autoformer 大幅提升了长时序预测的精度，TimesNet 又进一步让时间数据更加直观可视；再比如，怎么让模型理解 " 空间 "？Uni3D 将三维表征学习扩展到十亿参数规模，让模型对物体、几何与空间关系形成概念。
在此基础上，GeoPT 则回答了这一赛道的灵魂之问——" 物理直觉 " 能否被模型预训练出来？答案是可以，它创造性地让模型可以通过融合几何与合成动力学的预训练，获得可迁移的物理表征，在工业物理仿真任务中，该方法减少了 20% 至 60% 的有标签数据需求，并将收敛速度最高提升至 2 倍。Transolver 又进一步让模型理解不规则空间中的受力、流动与形变，看懂更复杂的物理演化。EfficientZero 则让智能体基于学习到的世界模型推演未来，并据此进行规划。
支撑这些前沿成果的，是物原创始团队横跨清华与 MIT 等国际顶尖学术机构的长期积淀。沿着" 时间演化—空间表征—物理规律—行动规划 "的递进主线，他们并非在堆砌孤立的论文，而是坚持从物理规律出发，实现真正的 " 高阶物理智能 "，最终汇聚成了物理基座模型的完整轮廓。此外，物原团队此前还主导过亿级用户产品、管理过十万张加速卡的算力基础设施，具备丰厚的产业实战经验。如果说学术研究决定模型能力可以走多远，工程能力则决定模型能否用于真实业务场景，二者构成了物理基础模型的 " 一体两面 "。
物原科技为什么被看好？物理驱动范式具备稀缺性
观察物原的技术路线，几乎对准了物理 AI 的三大痛点：在数据端，用合成动力学替代物理标签，大幅降低对昂贵真实数据的依赖；在泛化端，深度融合空间结构、时间演化与物理动力学，让模型自行涌现出通用的物理规律；在落地端，Autoformer、Transolver 等底层架构已被工业界广泛验证并采纳（如 NVIDIA PhysicsNeMo），化解 AI 在真实场景中落地的担忧。
" 对物理系统的真正理解 + 世界模型驱动的规划能力 + 把前沿研究规模化落地的工程能力 " 这份交集的稀缺性，很快吸引了资本的关注。自 7 月成立后，物原科技一个月内连续完成天使轮及天使 + 轮的过亿美金融资，其中天使轮由凯辉基金、红杉中国联合领投，IDG 资本、鼎晖 VGC、星连资本、蚂蚁集团跟投；天使 + 轮由蚂蚁集团、和玉资本、美团战投联合领投，达晨财智、蔚来资本、景和资本，以及多家老股东持续跟投。
这份融资名单也传递出许多信息：具有海量 C 端场景的美团战投，严肃工业场景的蚂蚁集团，以及自动驾驶场景的蔚来资本，都佐证了物原科技路线具备强烈的泛化特征，可匹配更广泛的行业需求。
世界模型赛道已经开始变得 " 拥挤 "，但长时序预测的误差累积、仿真与真实的最后一段距离、评测标准的统一等问题仍然有待完善。物原科技的路线一旦走通，意味着模型真正具备理解世界运行、预判行动后果的能力，其价值不止于机器人或自动驾驶等单一场景，而有望成为 Physical AI 生态的底层标准与基座，为未来 AI 从数字世界走向物理世界铺平道路。
来源：互联网
