物原科技成立四月获亿级融资 布局AI物理世界赛道
想象这样的场景：一台人形机器人站在厨房中，试图将靠近桌沿的玻璃杯往内推，可力道稍重，杯子便滑落坠地、碎裂。对人类而言，“杯子临边易坠、玻璃落地易碎”是无需思考的本能预判；但对机器人来说，这种预判需要一套完整的物理逻辑支撑——它不仅要识别眼前的物体，更要理解“自身动作会引发怎样的连锁反应”。
这正是当前AI行业最核心的待突破方向：当大语言模型推动智能在数字世界快速发展后，AI的能力边界正快速向物理世界延伸，具身智能、自动驾驶、工业仿真等领域均在发力。但物理世界的运行遵循着重力、摩擦、碰撞、流体等铁律，完全不同于数字世界的“token规则”，其难度呈指数级提升。
在这条门槛极高的底层赛道上，一家成立仅四个月的初创公司，仅用一个月就完成了过亿美元融资，引发行业关注。资本押注的核心，是这家公司在学术背景、技术路线、落地复现上的独特优势。
AI落地物理世界的核心瓶颈
当前公众普遍认为AI已具备极强的能力，能写代码、攻克数学难题，但要让机器人可靠预测真实物体轨迹并完成互动，仍存在明显短板——根源在于AI尚未真正理解物理规律，这是其从“软件界面”迈入“物理世界”必须跨越的关卡。
行业跨越这道鸿沟面临多重苛刻条件：高保真的物理标注数据成本极高，单份工业级空气动力学仿真样本往往需要数万CPU小时运算；仅采集100个场景的数据，很难泛化到10000个未知场景；仿真器也难以完整复现真实世界的摩擦与形变问题，据行业观察，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%。
物理基础模型的创新路径
业内主流的世界模型主要分为两类：侧重视觉驱动的范式，以视频生成为代表，核心目标是“看起来真实”，优化帧间像素的合理性，优势在于数据获取容易、画面逼真，多用于视频生成、场景预览等前端感知领域。但机器人要在真实物理世界中可靠执行任务，仅靠语言和视觉理解远远不够。
因此，侧重物理规律建模的范式逐渐获得行业认可，其核心目标是“推演更真实”，优势在于可验证、可测量，能支撑机器人的动作规划。传统工业仿真软件属于这条路线的“手工派”，物理定律需工程师逐条手写，预测精确但成本高昂，面对不规则形状、柔性体、流体等场景时，工程投入极高。
物原科技选择的正是物理基础模型路线，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，实现类似人类的“举一反三”能力。
为解决原生Transformer缺乏时序拆解能力的问题，Autoformer大幅提升了长时序预测精度，TimesNet进一步优化了时间数据的直观呈现；针对空间理解难题，Uni3D将三维表征学习扩展到十亿参数规模，让模型形成对物体、几何与空间关系的概念认知。在此基础上，GeoPT突破了“物理直觉能否被模型预训练”的灵魂拷问，通过融合几何与合成动力学的预训练，让模型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，收敛速度最高提升至2倍。Transolver则让模型理解不规则空间中的受力、流动与形变，支撑更复杂的物理演化推演，EfficientZero则让智能体基于学习到的世界模型推演未来，进而完成动作规划。
支撑这些前沿成果的，是物原科技创始团队在清华、MIT等顶尖学术机构的长期积淀。团队沿着“时间演化—空间表征—物理规律—行动规划”的递进主线推进研究，并非堆砌孤立的论文，而是坚持从物理规律出发，打造真正的“高阶物理智能”，最终形成了物理基座模型的完整轮廓。此外，团队还具备丰厚的产业实战经验，曾主导亿级用户产品，管理过十万张加速卡的算力基础设施——学术研究决定模型能力的上限，工程能力则决定模型能否落地应用，二者构成了物理基础模型的核心支撑。
稀缺性背后的资本认可
物原科技的技术路线精准命中了物理AI的三大核心痛点：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；泛化端深度融合空间结构、时间演化与物理动力学，让模型自行涌现通用物理规律；落地端，Autoformer、Transolver等底层架构已被工业界广泛验证并采纳，化解了AI在真实场景落地的顾虑。
“对物理系统的真正理解+世界模型驱动的规划能力+前沿研究规模化落地的工程能力”，这份独特的交集让物原科技迅速获得资本青睐。自7月成立后，公司仅用一个月就连续完成天使轮及天使+轮的过亿美元融资，天使轮由凯辉基金、红杉中国联合领投，IDG资本、鼎晖VGC等跟投；天使+轮由蚂蚁集团、和玉资本等联合领投，多家老股东持续跟投。
这份融资名单也释放出明确信号：拥有海量C端场景的投资机构、聚焦工业场景的资本方、布局自动驾驶领域的投资方，均认可物原科技路线的强泛化特征，可匹配广泛的行业需求。
当前世界模型赛道已逐渐拥挤，但长时序预测的误差累积、仿真与真实的差距、评测标准的统一等问题仍待解决。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，更有望成为物理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。
