TensorWorld物原科技成立月余融资超亿美元：顶级VC为何组团下注？

今年7月才成立的TensorWorld物原科技，仅用一个月时间就接连跑完天使轮和天使+轮，累计融资额突破一亿美元。

天使轮由凯辉基金与红杉中国共同领投，IDG资本、鼎晖VGC、星连资本、蚂蚁集团参与跟投；到了天使+轮，领投方换成蚂蚁集团、和玉资本、美团战投，达晨财智、蔚来资本、景和资本以及多家老股东继续跟进。

一家成立即连融两轮的公司，凭什么让顶级资本迅速凑到一起下注？

答案或许不只在Physical AI这个战略方向本身，更在于它挑了一条更底层的技术路线——从物理规律出发搭建物理原生基座模型，让AI真正读懂物理世界。

这一选择背后，既有公司对行业的前瞻判断，也站着一支长期扎在物理建模、几何表征、具身与大模型工程里的团队。

前瞻行业预判

从非共识到如今的焦点问题

Physical AI行业今年变化很大：年初世界模型爆火，接着World Action Model流行起来，再到9月

物理仿真这门底层技术，正被一条不那么显眼的线索推到前台，而表面上是越来越花哨的Demo。6月，李飞飞在公开文章里写道，世界的本质是几何、物理和动力学，仿真搭起了视觉与行动之间的桥；公众对它的关注最少，影响力却最大。到了7月，World Labs收购机器人仿真公司SceniX，这家世界模型领域的标志性企业在仿真上的布局又多了一个佐证。10月，SuperMimic让具身领域重新认识动力学仿真，说明神经模拟器做得好，智能涌现速度能提升数百倍。

这些动作指向同一个信号：Physical AI的竞争重心正一点点回到底层能力上。大规模具身数据的Scaling Up、高性能高精度物理基座模型的搭建，正在决定新时代Scaling Curve的斜率。物理表征、仿真和动力学预训练过去少有人关注，如今却站到了行业焦点的位置上。

TensorWorld创始团队押注物理仿真，比它成为行业焦点要早得多。2023年，创始人吴海旭在Transolver中首次提出物理词元（Physics-Token）概念，被NVIDIA和很多海外创业公司长期遵循，让物理模态成为了独立于文本、视觉之外的重要研究方向；后续的Transolver++、Transolver-3系列工作，更是实现了工业级的物理仿真精度；今年年初，吴海旭与MIT GeoPT，使用合成动力学构建预训练信号，让模型能够自主学习可迁移的物理规律，让物理基础模型的规模化变成了可能。

把这套研究脉络串起来看，TensorWorld想回答的既不是某个Policy Model，也不是几个Demo，而是物理世界的核心表达究竟该怎么写。从定义表征、设计主干网络，到大规划预训练，底层创新一直是这家公司的技术底色。其官网写着这样一句话：“在张量世界中，构建物理真实。”这被视作公司的初心。

全栈团队

在AI社区中首次定义物理真实

行业预判能让一家公司抢先半步，真正让它保持加速度的，是全栈团队和人才密度。外界看重TensorWorld的另一点，正是它那支少见的“互补型”明星创始团队。

创始人兼CEO吴海旭是GeoPT一作，把Scaling Law带进了物理基础模型，让行业看到基础模型“涌现”内在物理规律的可能。1998年出生的他，2016年进入清华大学软件学院，随后在数学系攻读纯数学与应用数学第二学位，2019年赴哈佛大学开展研究，本科毕业后留在清华继续攻读博士学位，师从龙明盛副教授。2025年，他赴MIT CSAIL开展博士后研究，合作导师为计算设计领域开创者Wojciech Matusik。

博士刚毕业，吴海旭的Google Scholar引用已经超过3万次，还拿过清华特奖、入选全球前2%顶尖科学家榜单。他的研究横跨动态建模、几何表征和物理基础模型，在多个领域都做出过引领性工作。早期提出的Autoformer、TimesNet聚焦动态过程建模，成了AI时序分析领域的必读之作；之后研究转向物理空间表征，2023年提出Physics-Token，今年又提出GeoPT，把这一方向推进到物理基础模型阶段。

这条研究路径在过去几年里一步步推动着物理基础模型领域往前走，也依次回答了如何表征物理信息、如何通过预训练学习物理规律、模型能力能否随数据和计算规模持续扩展这几个关键问题。

吴海旭给TensorWorld带来了构建物理基础模型的核心能力，另外几位联合创始人则分别从工程化、具身智能和几何建模切入，让公司有底气走向Physical AI更广阔的市场。

郑文博士毕业于Stanford计算机系，师承计算物理泰斗Stanley Osher。加入TensorWorld之前，他担任快手AI技术副总裁、AI实验室Y-tech负责人。他的经验覆盖前沿AI研究、亿级用户产品工程化，以及十万卡规模算力基础设施管理，能推动研究成果转成工业级产品和系统能力。

叶葳蕤博士毕业于清华大学交叉信息研究院，后在MIT做博士后研究，曾访问UC Berkeley Pieter Abbeel实验室。他主攻生成式世界模型和具身智能，2021年提出的EfficientZero是Model-based RL的经典之作，并在2026年入选红杉中国·MIT科技评论AI25（25岁以下AI创新青年先锋）。

周俊昇是清华大学软件学院博士生，主要做3D空间智能研究，曾入选百度奖学金。他参与的Uni3D构建了十亿级3D表征，入选ICLR 2024 Spotlight，为团队在三维空间理解和几何表征方面提供了重要支撑。

团队的学术脉络同时连着清华、MIT、Stanford、UC Berkeley等顶尖高校，研究方向横跨物理仿真、计算机视觉、机器学习与具身智能。MIT的Wojciech Matusik、何恺明，UC Berkeley的Michael Jordan、Pieter Abbeel等世界级学者，都与团队保持着长期学术合作。

四位联合创始人，单拎出任何一位，履历都够独立撑起一个团队。他们如今聚到TensorWorld，盯的是Physical AI最底层的那道题。

方向落在具身、工程与科学探索上，目标是做出一个共享的物理智能底座。

为什么TensorWorld偏偏盯住“物理真实”？这得从这个概念本身说起。

过去，人们的注意力总被智能体表面的表现牵走：一只机械臂怎么摆、一个新奇车型怎么生成，看起来比它所接触的环境、实际跑出来的风阻有意思得多。可具身能不能顺利部署、工业设计能不能真正投产，说到底还是物理世界的反馈说了算。TensorWorld想做的，是把物理世界的规律变成基础模型的内生能力，再以这种能力搭出物理原生基础模型，让理解更准、模拟更精、操作更稳。

按TensorWorld的说法，“物理真实”就是“预测与真实世界无差”。他们要建的并非一个套着世界模型外壳的视频生成模型，也不是游戏引擎，而是一台能不断逼近真实世界的物理原生模拟器。这里的“真实”跟“视觉上说得过去”不是一回事：几何结构、材料属性、边界条件或外部作用一变，模型推演出的状态变化照样得跟真实世界对得上。

这条路线一旦跑通，TensorWorld搭起来的物理基础模型，就会成为具身、工程与科学探索共用的基础设施。

比如机器人，可以在真正上岗前大规模练那些难采集、成本高甚至带危险性的任务；工程师不必先造出实体样机，就能推演不同设计在受力、流动、传热和形变下的表现；科学家则能在更大的参数空间里提假设、跑模拟实验，再从预测和实证的偏差里找出新规律。Physical AI将不再卡在真机数据的采集速度和传统仿真的建模成本上。近期SuperMimic的结果就说明，物理智能的迭代与涌现可以被加速千百倍。

物理真实，才是最终的检验标准。

只作用于数字世界的模型，视觉上合理已经算不小的进展；可模型要进物理世界、服务具身、工业和科研，看上去正确反倒是最危险的“虚假繁荣”。真正要紧的是它能不能准确预测真实世界里的动态，碰到陌生的几何结构、材质和受力条件，还能不能把结果推演成功。

物理真实逐渐成为行业焦点，TensorWorld今年7月成立时选定的这条路线，长期价值也跟着清晰起来。

AI从数字世界走向物理世界，智能的标准不是谁宣布出来的，是真实世界给出的。

在张量世界中，构建物理真实。这是TensorWorld给出的答案。