成立四个月融资超亿美元，物原科技押注物理世界模型

一台人形机器人站在厨房里，试图将桌沿的玻璃杯往里推。只要力道稍重，杯子就会滑落摔碎。对人类而言，预判物体掉落和破碎几乎是本能；但对机器人来说，这需要一套完整的物理逻辑——不仅要看清眼前有什么，还要理解操作之后会发生什么。

随着大语言模型推动数字世界智能快速演进，AI 的能力边界正加速向物理世界延伸，涵盖具身智能、自动驾驶和工业仿真等场景。然而，物理世界并不按 Token 的逻辑运行，重力、摩擦、碰撞和流体力学让预测难度呈指数级上升。

就在这条底层赛道上，成立仅四个月的初创公司 TensorWorld 物原科技，在一个月内连续完成过亿美元融资。资本密集押注的背后，看重的正是其学术积淀、物理驱动路线以及工程落地能力的结合。

从数字界面到物理世界的现实鸿沟

如今的 AI 已经能够编写代码、排查漏洞甚至攻克复杂数学难题，但在真实世界中预测物体轨迹并安全互动，依然远未达到可靠水平。核心瓶颈在于，现有模型尚未真正理解物理规律。

行业想要跨越这一鸿沟，面临着三重严苛挑战：首先，高保真物理标注数据的获取成本极高，单个工业级空气动力学仿真样本往往需要数万 CPU 小时；其次，在少量场景采集的数据很难泛化到上万个未知环境；再者，现有仿真器难以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%。

物理驱动路线：以模型学习物理演化规律

目前，业界的世界模型大致分为视觉驱动与物理驱动两种范式。前者是当前主流，以视频生成为代表，追求画面看起来真实，优化帧间像素的合理性。这种路线数据获取相对容易，多用于视频生成或前端感知，但仅靠视觉和语言理解，难以支撑机器人在复杂环境中可靠执行动作。

因此，以物理规律建模为目标的物理驱动范式正获得越来越多关注。传统工业仿真软件（如 MuJoCo、Isaac Sim）采用手工建模方式，高度依赖工程师逐条编写物理定律，面对不规则形状、柔性体或流体时工程投入极高。

物原科技选择了物理基础模型路线，提出在张量世界中构建物理真实，让模型直接从数据中学习物理世界的演化规律。其技术演进沿着时间演化、空间表征、物理规律到行动规划的路径展开：

• 理解时间与空间：针对原生 Transformer 缺乏时序拆解能力的问题，团队通过 Autoformer 提升长时序预测精度，结合 TimesNet 增强时序数据的表征能力；在空间维度上，Uni3D 将三维表征学习扩展至十亿参数规模，帮助模型建立对几何与空间关系的概念。
• 预训练物理直觉：GeoPT 融合几何结构与合成动力学进行预训练，使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，并将收敛速度最高提升至 2 倍。
• 复杂物理与规划：Transolver 进一步赋予模型理解不规则空间中受力、流动与形变的能力；EfficientZero 则让 AI 智能体能够基于学到的世界模型推演未来状态，并据此完成行动规划。

这套技术体系源自创始团队横跨清华大学与 MIT 等顶尖学术机构的长期研究积累。同时，团队成员此前曾主导过亿级用户产品，并管理过十万张加速卡规模的算力基础设施，兼具前沿科研与大规模工程落地经验。

资本密集押注背后的产业价值

从商业化逻辑看，物原科技的技术路线直击物理 AI 的三大痛点：在数据端，用合成动力学替代昂贵的真实物理标签；在泛化端，通过融合空间结构、时间演化与动力学，让模型涌现出通用物理规律；在落地端，Autoformer 和 Transolver 等底层架构已被 NVIDIA PhysicsNeMo 等工业级工具采纳验证。

这种底层能力很快吸引了多元资本的青睐。自今年 7 月成立以来，物原科技在一个月内先后完成天使轮和天使+轮共计过亿美元融资。天使轮由凯辉基金、红杉中国联合领投，IDG 资本、鼎晖 VGC、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、景和资本及多家老股东跟投。

投资阵容本身也折射出该路线的广泛适用性——覆盖海量消费端场景的美团战投、深耕工业场景的蚂蚁集团，以及聚焦自动驾驶的蔚来资本，均对其跨场景泛化能力给出投票。

尽管世界模型赛道正变得日益拥挤，长时序预测的误差累积、仿真与现实之间的最后差距以及统一评测标准等问题仍有待解决，但一旦物理基础模型跑通，其价值将不止于单一的机器人或智驾应用，而是有望成为物理 AI 生态的底层基础设施。