物原科技四个月融资超亿美元：押注物理世界模型，让AI学会推杯子

杯子为什么会碎？AI还没学会常识

设想一个再寻常不过的画面：玻璃杯搁在厨房桌上，位置偏到了桌沿附近。有人经过，顺手把它往桌子中间挪了一下。别看动作简单，背后是一连串瞬间完成的判断：杯子是玻璃材质，脆；桌沿存在高度落差，用力过猛就会滑落；真掉到地上，杯子就碎了。

这些判断对人来说是本能反应，可换成当下的机器人，就成了一道极难通过的考试。

如今的大模型在数字世界里几乎无所不能，写代码、解数学题都不在话下。但一迈进物理世界，它们就露出了笨拙的一面。物理世界不认token，只认重力、摩擦力、碰撞体积、流体动力学这些铁律。机器人要是预判不了“推杯子”会带来什么后果，那它终究只是个遥控玩具，成不了智能助手。

TensorWorld物原科技（下称“物原科技”）瞄准的正是这道难题。这家初创公司成立才四个月，最近一个月里却接连完成两轮融资，合计金额超过一亿美元。资本寒冬之下，这个数字显得格外扎眼，外界也忍不住要问：他们手里究竟握着什么牌？

为什么现有的仿真不够用？

想让机器人变聪明，业内大致有两条路：一条图“看着像”，一条求“算得准”。

眼下更主流的是“看着像”。这类世界模型建立在视频生成技术之上，靠学习海量视频数据来预测下一帧画面长什么样。好处很直接：数据不难找，互联网上视频遍地都是；生成的画面也逼真，拿来做场景预览或者训练机器人的视觉感知都挺合适。

可画面逼真，并不等于物理上真实。视频模型清楚“杯子掉下去画面会碎”，却不知道“为什么会碎”，更不知道“使多大的劲推才会碎”。斯坦福大学HAI研究所的一份报告就点出了这种落差：机器人在软件仿真环境里的任务成功率能到89.4%，一旦搬进真实的家庭环境，成功率就跌到12.4%。

这便是业内常说的“仿真到现实”（Sim2Real）鸿沟。MuJoCo、Isaac Sim这类传统工业仿真软件走的是“算得准”路线，每一条物理规则都得工程师手动编写，每个物体的受力都要精确计算。精度是高了，可代价是贵和慢。碰上形状不规则的物体、柔软的布料或者流动的水，手工建模的成本高得惊人。一个工业级的空气动力学仿真样本，往往要烧掉数万CPU小时。

泛化能力是另一个麻烦。在100个场景里采到的数据，很难直接搬到10000个未知场景里用。机器人换个厨房，可能连冰箱都不会开了。

物原科技的解法：在张量世界里重建物理

物原科技挑了一条更底层的路：物理基础模型。核心思路不是让AI去“看”视频，而是让它去“学”物理规律。

创始团队大多出自清华大学、MIT等顶尖学术机构。他们没有把精力花在堆砌一篇篇孤立论文上，而是沿着“时间演化—空间表征—物理规律—行动规划”这条主线，搭起了一套完整的技术栈。

先看时间维度。普通Transformer架构做长时序预测时容易出错，物原科技改用Autoformer架构，长序列预测的精度提升明显，再配合TimesNet，模型对时间维度上的变化理解得更直观。

再看空间维度。Uni3D技术把三维表征学习扩展到十亿参数规模，模型对物体的几何结构、空间关系形成了类似人类的概念。它处理的不再是扁平的像素，而是立体的实体。

物原科技真正想解决的，是“物理直觉”能不能靠预训练获得。为此他们拿出了GeoPT模型，给出的回答是肯定的。模型把几何和合成动力学放在一起做预训练，由此得到一种能迁移的物理表征能力。落到工业物理仿真任务上，有标签数据的需求量下降了20%至60%，收敛速度最多快2倍。

也就是说，模型不必见过每一种奇形怪状的石头，也能依据形状和材质推断出它滚动的轨迹。之后的Transolver进一步处理了不规则空间中的受力、流动与形变问题，EfficientZero则让智能体可以基于学到的世界模型推演未来，并据此做出规划。

几项技术叠在一起，目标很明确：让模型从数据里学出物理世界的演化规律，真正做到“举一反三”。

资本为什么买单？

一家成立才四个月的公司，凭什么拿到过亿美金？

技术路线的稀缺性之外，团队的工程落地能力同样是关键。物原科技的创始团队不光懂学术，还主导过亿级用户的产品，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天花板，工程能力则决定它能不能在真实业务里跑起来。

投资名单也透露出更多信号。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、蔚来资本等持续加注。

这些投资方各自对应着不同的应用场景：美团手握海量本地生活和服务机器人场景，蚂蚁集团深耕严肃的工业与金融场景，蔚来资本则聚焦自动驾驶。它们共同入局，说明物原科技的技术具备很强的泛化能力。

拿美团来说，配送机器人一旦能真正读懂物理环境，不再被一道门槛或一阵风卡住，效率会明显提升。放到自动驾驶上，物理预判越准，安全性就越高。工业领域的仿真成本降下来，研发迭代也会跟着加快。

物理AI的下一步

世界模型这条赛道眼下越来越挤，可多数玩家还停在视觉这一层。长时序预测的误差会累积，仿真和现实之间还差最后一道坎，评测标准也没建起来——这些都是行业绕不开的难题。物原科技的做法，说到底是在给Physical AI（物理人工智能）做一套操作系统。这条路要是走通，模型就不只是生成内容的工具，而会成为理解世界怎么运转、预判行动会带来什么后果的基础设施。

挑战当然还在。物理世界比语言世界复杂得多，模型能不能在保住计算效率的同时，把更微观的物理细节也处理掉，得靠时间去验证。不过至少眼下，资本愿意为“让AI懂物理”这件事拿出真金白银。

对整个行业来说，这可能是个信号：AI的竞争焦点，正从屏幕里的比特转向屏幕外的原子。