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

AI小蝌蚪行业资讯📡 量子位2026-11-11528 阅读💛 235 收藏
< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">

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

TensorWorld物原科技在一个月内已拿到过亿美元融资

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。

本文由物原科技提供,量子位获授权转载,观点归原作者所有。

版权所有,未经授权不得以任何形式转载及使用,违者必究。
物原科技
量子位的朋友们量子位的朋友们
  • 从“一脑多机”到“一脑多手”,蚂蚁灵波开源LingBot-Touch触觉基础模型2026-11-10
  • 达卯科技与浦东环保能源战略合作,黎明智算中心算电协同平台启动2026-11-10
  • 倒计时一周|量子位2026人工智能年度榜单征集即将截止!2026-11-09
  • 香港金融科技周 x StartmeupHK 2026圆满结束,吸引逾48000与会者 汇聚全球创新力量与增长机遇2026-11-09

文章评论(12)

邱文博5 天前

内容翔实,正好需要,先收藏再看。

回复
晨寻梦5 天前

实测过类似工具,作者说的基本属实。

回复
青柠微凉5 天前

这篇文章分析得很透彻,收藏了!

回复
龙文博5 天前

讲解得很细致,新手也能看懂。

回复
杨丽华5 天前

支持作者,持续关注中。

回复
白向阳5 天前

路过

回复
雪影5 天前

刚好最近在找这方面的资料,太及时了。

回复
林观澜5 天前

不错不错,已加入书签。

回复
邱文博5 天前

收藏了,以后慢慢研究。

回复
蒋力4 天前

赞同,实践出真知。

回复
漾漾其华4 天前

看完了,收获满满,期待更多更新。

回复
星寻梦4 天前

思路清晰,干货满满。

回复