TensorWorld物原科技：成立一月融资超1亿美元，顶级VC为何组团下注？
今年7月成立的TensorWorld物原科技，在一个月内连续完成天使轮及天使+轮融资，累计融资过亿美元。 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、景和资本及多家老股东持续跟投。 一家刚刚成立就连续完成两
7月才成立的TensorWorld物原科技，仅用一个月就接连跑完天使轮和天使+轮，两轮合计融资金额超过1亿美元。
天使轮由凯辉基金和红杉中国共同领投，IDG资本、鼎晖VGC、星连资本、蚂蚁集团参与跟投；天使+轮则由蚂蚁集团、和玉资本、美团战投联手领投，达晨财智、蔚来资本、景和资本以及多家原有股东继续追加。
公司刚落地就一口气完成两轮融资，凭什么让一批顶级资本集中押注？
原因恐怕不单是Physical AI这个战略方向本身，更关键的是它挑了一条更往底层走的技术路线——从物理规律切入，搭建物理原生基座模型，让AI真正弄懂物理世界。
做出这一选择，靠的是公司对行业走向的提前判断，也靠一支在物理建模、几何表征、具身智能和大模型工程上摸爬多年的团队。
提前押注行业方向
从当初的少数派看法，到眼下绕不开的焦点
今年Physical AI领域变化剧烈：年初世界模型骤然走红，接着World Action Model开始流行，9月OpenAI又发布Astra。具身智能和物理智能的风向一直在变。要在市场与技术的嘈杂声里找准自己的锚点，对创始人的判断力是极大考验，对创业公司来说这也是最要紧的本事。
在越来越花哨的Demo之外，还有一条不太起眼的线索把物理仿真这个底层技术推到了前台：6月，李飞飞发表公开文章，指出世界的本质是几何、物理和动力学，仿真是连接视觉与行动的桥梁，公众关注度最低，影响力却最大；7月，World Labs收购机器人仿真公司SceniX，这家世界模型代表企业在仿真上的布局由此得到进一步印证；10月，SuperMimic改变了具身领域对动力学仿真的固有看法，证明优秀的神经模拟器能让智能涌现速度提升数百倍。
这些动作指向同一个信号：Physical AI的比拼重心正一步步回到底层能力上。具身数据的大规模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很少进入大众视野，如今却成了行业绕不开的焦点。
而TensorWorld创始团队早在物理仿真成为热点之前就做出了判断。2023年，创始人吴海旭在Transolver中首次提出物理词元（Physics-Token）概念，此后NVIDIA和不少海外创业公司长期沿用这一思路，物理模态由此成为独立于文本、视觉之外的一条重要研究方向；其后的Transolver++、Transolver-3系列工作把物理仿真精度推进到工业级水平；今年年初，吴海旭与MIT何恺明教授合作提出GeoPT，用合成动力学构造预训练信号，让模型自己学出可迁移的物理规律，物理基础模型的规模化由此成为可能。
把这套研究串起来看，TensorWorld想解答的不是某个Policy Model，也不是几个Demo，而是物理世界的核心表达究竟是什么。从定义表征、设计主干网络到大规摸预训练，底层创新是这家公司的技术底色。公司官网写着“在张量世界中，构建物理真实。”这也是他们的初心。
全栈团队
在AI社区里头一回定义物理真实
行业判断能让公司领先半步，真正让它保持加速度的，是全栈团队和人才密度。资本看中TensorWorld的另一点，是它那支相当少见的“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。吴海旭1998年出生，2016年进入清华大学软件学院，之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读博，师从龙明盛副教授。2025年，他到MIT CSAIL做博士后，合作导师是计算设计领域开创者Wojciech Matusik。
吴海旭博士刚刚毕业，Google Scholar引用已超过3万次，曾获清华特奖，并入选全球前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，在多个领域做出引领性工作。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；此后研究转向物理空间表征，2023年提出Physics-Token，今年又提出GeoPT，把这一领域推进到物理基础模型时代。
这几年，他的研究路径一步步推动着物理基础模型领域往前走，先后回答了物理信息如何表征、怎样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打下的是构建物理基础模型的核心能力，其余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。来TensorWorld之前，他担任快手AI技术副总裁、AI实验室Y-tech负责人，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，能把研究成果推向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，之后在MIT做博士后，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。
团队在学术上的积累同样与清华、MIT、Stanford、UC Berkeley等高校连在一起，研究方向涉及物理仿真、计算机视觉、机器学习、具身智能。长期合作的世界级学者包括MIT的Wojciech Matusik、何恺明，以及UC Berkeley的Michael Jordan、Pieter Abbeel。
四位联合创始人各自的履历，单拿出来都够撑起一个团队。如今他们把力量集中到TensorWorld，一起盯住Physical AI最底层的问题。
面向具身、工程与科学探索，打造共享的物理智能底座。
TensorWorld盯住的“物理真实”，到底为什么重要？
机械臂怎么摆动、新车型生成得有多新奇，这类智能体的表现向来更容易吸引目光，反倒是它接触的环境、实际遇到的风阻，往往被放在后面。可具身能不能顺利部署、工业设计能不能真正投产，说到底还是由物理世界的反馈决定。TensorWorld想做的，是把物理世界的规律变成基础模型自身具备的能力，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。
在TensorWorld的定义里，“物理真实”就是“预测与真实世界无差”。他们要做的不是给世界模型套一层外衣的视频生成模型，也不是游戏引擎，而是一个能不断逼近真实世界的物理原生模拟器。“真实”不等于“视觉上合理”：几何结构、材料属性、边界条件或外部作用一旦变化，模型推演出的状态变化仍要与真实世界对得上。
这套范式一旦跑通，TensorWorld构建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。
机器人可以在真正作业前，大规模练习那些难采集、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；科学家可以在更大的参数空间里提出假设、模拟实验，再从预测与实证的偏差里找新规律。Physical AI将不再受制于真机数据的采集速度和传统仿真的建模成本。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，做到视觉上合理已经算重要进展。可模型要进入物理世界、服务具身、工业和科研，看上去正确反而最危险，那是“虚假繁荣”。关键是它能不能准确预测真实世界中的动态，能不能在陌生的几何结构、材质和受力条件下依然把结果推演成功。
物理真实正越来越成为行业焦点，TensorWorld今年7月成立时选定的那条路线，长期价值也随之越来越清楚。
AI从数字世界走向物理世界，智能的标准不是谁宣布的，而是真实世界给出的。
在张量世界中，构建物理真实。这是TensorWorld给出的答案。
