物原科技四个月融过亿美金：如何打通物理真实路线？

设想一个厨房场景：人形机器人站在操作台前，桌沿附近放着一只玻璃杯，它伸手想把杯子往里推。力道大一点，杯子就滑出去，掉在地上摔碎。人几乎不用想就知道“杯子靠近桌边会掉、玻璃落地会碎”，可机器人要做出同样的预判，得先有一套完整的物理逻辑：不光得看清眼前有什么，还得算明白自己这一推之后会发生什么。

这恰恰是眼下AI行业争得最凶的方向之一。大语言模型把智能在数字世界里推得飞快，AI的能力边界也顺势往物理世界延伸，具身智能、自动驾驶、工业仿真都在其中。问题是物理世界不按token出牌，重力、摩擦、碰撞、流体各有一套硬规矩，难度比处理语言高出指数级。

TensorWorld物原科技就扎在这条更难、更底层的赛道上。这家公司成立只有四个月，一个月内已经拿到过亿美元融资。资本愿意下注，看中的是它把学术背景、技术路线和落地复现三样凑到了一起，这种组合在市场上不多见。

行业到底要解决什么问题？

在普通人的印象里，AI已经很聪明了，能写代码、能找漏洞，连困住人类几百年的数学难题都能碰一碰。可换成让机器人预判真实世界里物体的运动轨迹并做出互动，水平就难说“可靠”。说到底，AI还没搞懂物理规律。从“软件界面”跨进“物理世界”，这道关绕不过去。

想迈过这道坎，条件苛刻得吓人。高保真的物理标注数据贵得离谱，一个工业级空气动力学仿真样本，常常要烧掉数万 CPU 小时；在 100 个场景里采到的数据，很难推到 10000 个没见过的场景；仿真器也复现不全真实世界的摩擦和形变。斯坦福 HAI 报告给出的数字很能说明问题：机器人在软件仿真里的任务成功率能到 89.4%，同一类任务放到真实家庭环境，成功率只剩约 12.4%。

物原科技的办法是什么？从学术演进能看出一条清晰的路径。

目前业内世界模型大致分成两派，一派偏视觉驱动，一派偏物理驱动。视觉驱动是行业主流，以视频生成为代表，追求的是“看起来真实”，优化的是帧与帧之间的像素合理性。它数据好拿、画面逼真，多用在视频生成、数据工厂、场景预览和VLA前端感知上。可机器人要在真实物理世界里稳稳当当把任务干完，光靠语言和视觉理解远远不够。

于是另一派越来越被行业接受：拿物理规律建模，目标是“推演更真实”，好处是可验证、可测量，还能撑起动作规划。MuJoCo、Isaac Sim 这类传统工业仿真软件走的就是这条路，算“手工派”——物理定律靠工程师一条条写进去，预测准是准，但贵，碰上不规则形状、柔性体、流体，工程投入高得吓人。

物原科技选的是物理基础模型这条路，提法是“在张量世界中，构建物理真实”。他们想让模型从数据里学出物理世界怎么演化，达到人那样“举一反三”的效果。

难点一个个摆着。原生Transformer缺时序拆解能力，模型怎么正确理解物理世界里的“时间”？Autoformer把长时序预测的精度大幅拉高，TimesNet又让时间数据变得更直观、更可视。空间理解同样要解决，Uni3D把三维表征学习做到十亿参数规模，模型由此对物体、几何和空间关系形成概念。

往上走，GeoPT回答的是这条赛道最要紧的问题：“物理直觉”能不能靠预训练喂出来？答案是能。它把几何与合成动力学融合进预训练，让模型拿到可迁移的物理表征。在工业物理仿真任务中，这套方法把有标签数据的需求砍掉20%至60%，收敛速度最高提到2倍。Transolver再进一步，让模型理解不规则空间里的受力、流动和形变，看懂更复杂的物理演化。EfficientZero则让智能体依据学到的世界模型推演未来，再照着推演做规划。

撑起这些成果的，是物原创始团队在清华、MIT 等国际顶尖学术机构的长期积累。他们沿着“时间演化—空间表征—物理规律—行动规划”这条线递进，不是把孤立论文摞在一起，而是从物理规律出发，奔着真正的“高阶物理智能”去，最后拼出物理基座模型的完整轮廓。这个团队还主导过亿级用户产品，管过十万张加速卡的算力基础设施，产业实战经验不薄。学术研究决定模型能力能走多远，工程能力决定模型能不能放进真实业务，两头合起来才构成物理基础模型的“一体两面”。

物原科技凭什么被看好？物理驱动范式本身就稀缺。

看它的技术路线，几乎条条对着物理 AI 的三大痛点。数据端，用合成动力学替掉物理标签，对昂贵真实数据的依赖大幅下降；泛化端，把空间结构、时间演化和物理动力学揉在一起，让通用物理规律自己从模型里长出来；落地端，Autoformer、Transolver 这些底层架构已经被工业界广泛验证和采用，NVIDIA PhysicsNeMo 就是例子，AI在真实场景落地的顾虑因此化解不少。

“对物理系统的真正理解+世界模型驱动的规划能力+把前沿研究规模化落地的工程能力”，这三样交集出来的稀缺性，很快引来了资本。7月成立之后，物原科技一个月内接连完成天使轮及天使+轮，融资过亿美金。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，以及多家老股东持续跟投。

这份名单本身也透出信息：手握海量C端场景的美团战投、深耕严肃工业场景的蚂蚁集团，再加上自动驾驶场景的蔚来资本，都说明物原科技的路线泛化特征很强，能对上更广泛的行业需求。

世界模型赛道已经挤了起来，但长时序预测的误差累积、仿真与真实之间最后那段距离、评测标准怎么统一，这些问题都还没解决。物原科技这条路一旦走通，意味着模型真能理解世界怎么运行、预判行动会带来什么后果。它的价值不会止于机器人或自动驾驶某一个场景，而有机会成为Physical AI生态的底层标准与基座，让AI从数字世界走向物理世界的那一步真正铺平。