清华系团队幂级智能半年融三轮，数亿元押注物理AI
幂级智能聚焦世界模型的更底层问题：物理智能的最终来源是什么？ 物理人工智能（Physical AI）基础模型公司幂级智能（DenseAI）完成第三轮融资，半年内累计融资金额达数亿元人民币，投资方包括北京、深圳头部国资、知名美元资本和顶级AI生态投资基金等。 幂级智能成立于2026年，是一支从清华大学自动化系走出来的顶尖
物理AI基础模型公司幂级智能（DenseAI）已走到第三轮融资。半年时间里，这家公司累计拿到数亿元人民币，出资方包括北京、深圳两地的头部国资、知名美元资本以及顶级AI生态投资基金。它盯上的问题比世界模型本身更靠下：物理智能究竟从哪里来？
公司成立于2026年，班底出自清华大学自动化系。方向是下一代物理世界基础模型，落点放在世界模型与密集学习（Dense Learning）上，目标是让人工智能从看懂物理世界，走到自己学习和不断进化。
世界模型眼下是全球AI竞争的焦点，幂级智能走的路子和别人不太一样。它把大规模存量、边际成本极低的真实物理数据当作智能的来源，用原创的密集学习技术去啃数据稀疏度灾难和长尾难题，让物理智能的预训练做得高效、后训练做得扎实，最终使智能体能在物理世界里持续进化。
01
顶尖清华科研团队，Nature封面级原创技术
创始团队在国际科研、大模型研发和产业化三方面都有积累。
联合创始人、首席科学家封硕是清华大学自动化系副教授、博士生导师，长期做密集学习和物理智能方向的原创研究。他入选过MIT TR35中国区榜单，拿过达摩院青橙奖，2026年又进入国家自然科学基金青年科学基金项目A类（原国家杰出青年科学基金项目）。
另一位联合创始人、CEO石梦凯本科和博士都读于清华大学自动化系，此前联合创办过一家自动驾驶创业公司并出任CTO，硬科技创业和产业化经验不少。公司还聚拢了来自国家实验室、字节跳动、头部具身智能公司的核心研发人员，也吸引了一批清华的优秀青年AI人才，从原创理论、基础模型到具身智能系统的研发链条已经打通。
2023年，核心团队把密集强化学习的研究成果发在全球顶尖综合性科学期刊《Nature》正刊上，还当选当期封面论文，在人工智能学术领域与谷歌Deepmind并肩。Nature News & Views、Nature Podcast、Nature Videos等官方栏目随后做了专题报道，国际学术影响力可见一斑。
团队在系列研究里提出并做了理论论证的一个概念叫“稀疏度灾难”（Curse of Rarity）。意思是模型越训下去，数据的学习价值可能呈指数级往下掉，高价值数据往往稀稀拉拉地散在海量数据池里。大量低价值数据不但难让模型能力继续涨，还可能把真正有价值的学习信号淹掉，训练效率和效果都受拖累。
针对这个根子上的问题，团队提出了密集学习（Dense Learning）的理论与方法。做法是利用模型自身的内在信号，自动、智能地识别和筛出高价值数据，再配上相应的模型架构创新，把数据的信息密度和学习价值提上去，让智能学习更高效。
02
重新思考世界模型Scaling Law：先让数据规模化
视频生成、大模型参数、机器人本体，越来越多公司围着这些做世界模型。幂级智能问的是更靠下的那个问题：物理智能的最终来源是什么？
它的判断是，规模化的数据才是智能的来源。卡住物理AI规模化发展的关键瓶颈，除了模型架构和算力，还有可规模化的真实物理数据。物理世界里海量、已经记录下来、最真实的数据，经密集学习高效率压缩成智能，物理智能就是这么来的。
在公司看来，物理世界模型的高价值数据源得满足三条：边际成本足够低、真实物理信息足够充分、从第一天起就能大规模扩展。顺着这个判断，幂级智能重点摸索以世界为中心（World-centric）的真实交互视频数据，用人在工业生产、日常生活等真实场景里自然产生的物理活动，搭一套低成本、能持续扩展的预训练数据体系，减少对特定机器人本体和昂贵动作标注的依赖。
公司想靠真实场景转起一个飞轮：场景产生数据、数据训练模型、模型再回头赋能场景，给物理世界模型铺一个真正可规模化的训练底子。据悉，其世界模型已在某全球机器人赛事中提供底层技术支撑，真实场景里的商业化交付也已开始，产品市场验证初步完成。
03
密集学习驱动自主进化，让AI学会自己创造挑战
可规模化数据解决的是世界模型怎么获得广泛的物理知识，密集学习要解决的则是智能体怎么从有限经验里持续长出新能力。
幂级智能的看法是，真实物理世界里大量交互高度重复，真正决定泛化能力的，常常藏在未知环境、复杂交互和相对长尾的场景里。依托团队多年攒下的密集学习理论，公司进一步做自主进化（Self-Evolution）训练体系，让智能体自己去发现能力边界，动态造出更有挑战的任务，再通过真实交互和反馈把能力一点点提上去。
AI要能解决问题，还要能自己造出新问题来训练自己。这条路已有阶段性实验进展。据公司披露，多项真机任务里采用密集强化学习方法后，失败率呈数量级下降，高价值经验选择对提升机器人训练效率的潜力得到验证，密集学习驱动的自主进化也有了实践依据。
04
打造下一代物理AI基础模型
在幂级智能看来，下一代通用物理智能不该困在某一种机器人或某一项任务里，得建在能跨场景迁移、持续学习、自主进化的世界基础模型上。
接下来，公司会把世界模型、密集学习、自主进化三项技术往融合创新上推，搭一套真实物理数据、基础模型预训练与智能体自主进化互相促进的技术体系。
世界模型让AI理解世界，密集学习让AI高效进化。
幂级智能正沿这条核心技术路线，摸索通用物理智能的落地可能。
