物原科技成立四个月融资过亿美元：物理基础模型能否跑通“物理真实”

设想这样一个画面：厨房里站着一台人形机器人，面前有只玻璃杯已经靠近桌沿，它伸出机械手想把杯子往里推。力道稍重，杯子滑出去、掉下桌、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”，机器人却得靠一整套物理逻辑才能做出同样的预判：不光要认出“眼前有什么”，还得算清“我这么干，下一步会怎样”。

这恰恰是眼下 AI 行业争夺最激烈的一块阵地。大语言模型把智能在数字世界里推得飞快，AI 的能力边界也随之外扩，指向具身智能、自动驾驶、工业仿真等方向。可物理世界不按 token 的规矩来，它有自己的一套硬约束：重力、摩擦、碰撞、流体。难度相比语言，是指数级往上翻。

这条赛道更难，也更底层。TensorWorld物原科技成立才四个月，一个月内已经拿到过亿美元融资。资本愿意下注，看中的是它在“学术背景+技术路线+落地复现”上的稀缺性。

行业需要解决什么问题？

在公众的普遍认知里，AI 已经相当聪明：写代码、找漏洞，甚至能攻克困扰人类数百年的数学难题。但让它预测真实世界里物体的运动轨迹并完成互动，却很难做到“可靠”。问题出在 AI 还没弄懂物理规律。要从“软件界面”走进“物理世界”，这道关卡绕不过去。

想跨过这道鸿沟，条件苛刻得惊人：高保真物理标注数据贵得离谱，一个工业级空气动力学仿真样本，往往要烧掉数万 CPU 小时；在 100 个场景里采到的数据，很难泛化到 10000 个没见过的场景；仿真器也难以完整还原真实世界的摩擦与形变。斯坦福 HAI 报告给出过一组对比：机器人在软件仿真中的任务成功率能到 89.4%，同一类任务放到真实家庭环境里，成功率只剩约 12.4%。

物原科技怎么解决这个问题？学术演进呈现清晰路径

目前业内的世界模型大致分两派：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”，优化帧与帧之间的像素合理性。它数据相对好拿、画面逼真，多用在视频生成、数据工厂、场景预览、VLA 前端感知上。但机器人要在真实物理世界里可靠干活，光靠语言和视觉理解远远不够。

于是另一派正被越来越多的人认可：以物理规律建模，追求“推演更真实”，好处是可验证、可测量，能支撑动作规划。传统工业仿真软件 MuJoCo、Isaac Sim 属于这条路上的“手工派”——物理定律全靠工程师一条条手写，预测精确但代价高昂，碰上不规则形状、柔性体、流体，工程投入极大。

物原科技走的正是物理基础模型这条路，提出“在张量世界中，构建物理真实”，想让模型从数据里学会物理世界的演化规律，达到人类那种“举一反三”的效果：

举个例子，原生 Transformer 缺时序拆解能力，怎么让模型正确理解物理世界里的“时间”？Autoformer 把长时序预测的精度大幅提了上去，TimesNet 又让时间数据更直观、更可视；再比如怎么让模型理解“空间”？Uni3D 把三维表征学习扩展到十亿参数规模，让模型对物体、几何与空间关系形成概念。

在这个基础上，GeoPT 回答了这条赛道的灵魂之问：“物理直觉”能不能靠预训练灌进模型？能。它让模型通过融合几何与合成动力学的预训练，获得可迁移的物理表征。在工业物理仿真任务中，这套方法把有标签数据的需求压低了 20% 至 60%，收敛速度最高提到 2 倍。Transolver 则进一步让模型理解不规则空间里的受力、流动与形变，看懂更复杂的物理演化。EfficientZero 让智能体依据学到的世界模型推演未来，再据此做规划。

撑起这些前沿成果的，是物原创始团队横跨清华、MIT 等国际顶尖学术机构的长期积累。沿着“时间演化—空间表征—物理规律—行动规划”这条递进主线，他们不是把孤立论文堆在一起，而是坚持从物理规律出发，做出真正的“高阶物理智能”，最终拼出物理基座模型的完整轮廓。另外，这支团队此前还主导过亿级用户产品、管理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用在真实业务里，两者是物理基础模型的一体两面。

物原科技为什么被看好？物理驱动范式具备稀缺性

看物原的技术路线，几乎每条都对着物理 AI 的痛点：数据端，用合成动力学替代物理标签，大幅减少对昂贵真实数据的依赖；泛化端，把空间结构、时间演化与物理动力学深度揉在一起，让模型自己涌现出通用的物理规律；落地端，Autoformer、Transolver 等底层架构已被工业界广泛验证和采纳，NVIDIA PhysicsNeMo 就是例子，这也化解了外界对 AI 在真实场景落地的担忧。

“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”，这个交集的稀缺性很快引来资本。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。

这份名单也透出不少信息：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、聚焦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，能匹配更广泛的行业需求。

世界模型赛道已经“拥挤”起来，但长时序预测的误差累积、仿真与真实之间的最后一段距离、评测标准的统一，这些问题都还有待完善。物原科技的路线一旦走通，就意味着模型真正能理解世界怎么运行、预判行动会带来什么后果。它的价值不会只停在机器人或自动驾驶这类单一场景，而有望成为 Physical AI 生态的底层标准与基座，为 AI 从数字世界迈向物理世界铺平道路。