物原科技成立四个月融资过亿美元，锚定物理基座模型赛道

2026年7月成立的初创企业TensorWorld物原科技，在短短四个月内完成两轮融资，累计金额超过1亿美元。其中，天使轮由凯辉基金与红杉中国联合领投，IDG资本、鼎晖VGC、星连资本及蚂蚁集团跟投；天使+轮则由蚂蚁集团、和玉资本与美团战投联合领投，达晨财智、蔚来资本、景和资本等持续加码。一家尚未推出量产产品的公司，为何能迅速吸引顶级资本密集下注？答案指向一个正在升温却仍属早期的赛道：物理基础模型（Physical Foundation Models）。

当前AI能力在数字世界已高度成熟——大语言模型可生成代码、推理数学难题，甚至参与科研发现。但当任务延伸至物理世界时，系统表现急剧下滑。斯坦福HAI报告显示，机器人在仿真环境中任务成功率可达89.4%，而在真实家庭场景中骤降至12.4%。这一断层的核心症结在于：现有AI缺乏对物理规律的内在理解。它能识别“桌边的玻璃杯”，却无法预判“轻推会导致滑落碎裂”——而这恰恰是人类的本能直觉。

行业主流方案长期分为两类：一是以视频生成为代表的视觉驱动路线，强调“看起来真实”，适用于内容生成与感知前端；二是传统工业仿真软件（如MuJoCo、Isaac Sim）代表的物理驱动路线，依赖工程师手动编码物理定律，精度高但成本极高，难以泛化至柔性体、流体等复杂场景。物原科技选择的是第三条路径：构建可学习、可扩展的物理基础模型，让AI从数据中自主归纳重力、摩擦、碰撞等演化规律，实现“推演更真实”。

该路径的技术可行性已在多项研究中得到验证。创始人吴海旭早在2023年即在Transolver工作中提出“物理词元”（Physics-Token）概念，将物理模态与文本、视觉并列，为后续建模奠定理论基础。今年初，他与MIT何恺明教授合作提出的GeoPT模型，通过融合几何结构与合成动力学信号进行预训练，使模型获得可迁移的物理表征能力。实验表明，该方法在工业仿真任务中可减少20%至60%的有标签数据需求，并将收敛速度最高提升2倍。

在此基础上，Transolver系列进一步拓展至不规则空间中的受力、流动与形变建模；EfficientZero则赋予智能体基于世界模型进行未来推演与动作规划的能力。整套技术栈覆盖“理解结构—预测演化—推演行动”三大核心能力，目标是让模型具备类似人类的物理直觉——无需重复演示，即可举一反三应对新场景。

资本快速集结的背后，是行业共识的加速凝聚。2026年以来，多个标志性事件印证了物理仿真正从边缘走向核心：6月李飞飞公开撰文指出“世界的本质是几何、物理和动力学”，强调仿真是连接感知与行动的桥梁；7月World Labs收购机器人仿真公司SceniX；10月SuperMimic证明高质量神经模拟器可带来数百倍智能涌现速度。这些动向共同指向一个趋势：具身智能的竞争重心，正从大规模数据堆叠转向底层物理建模能力的构建。

物原科技的稀缺性不仅在于技术路线，更在于其全栈型创始团队。核心成员长期深耕物理建模、几何表征与大模型工程，兼具学术深度与工程落地经验。公司官网明确写道：“在张量世界中，构建物理真实”——这并非口号,而是其从研究积累（物理系统与动力学、时间结构与动态演化、规模化三维表征）到产品转化（跨任务、跨环境、可测量、可验证）的完整闭环逻辑。

值得注意的是，物原科技并非孤例。同期融资的RoboScience聚焦“仿真+视频”双飞轮，简智机器人主攻具身数据基建，易成创新则在商用自动驾驶中集成多模态世界模型。整个物理AI生态正在分层演进：底层是物理基座模型与仿真引擎，中层是具身大模型与数据平台，上层是具体机器人或自动驾驶应用。物原科技所处的正是这一链条的最底座——若其模型能真正实现物理规律的可学习与可泛化，将为整个具身智能行业提供新的Scaling Curve。

目前，该公司尚未公布具体产品形态，但其技术路径已展现出明确的应用潜力：工业质检中的跌落预测、仓储物流中的抓取稳定性优化、家庭服务机器人对突发扰动的实时响应等。相较于依赖海量真实交互数据的端到端训练，物理基座模型有望以更低的数据成本实现更高可靠性，这对需要安全冗余的现实场景尤为关键。

成立仅四个月即获超亿美元融资，反映的不仅是资本对单一公司的信心，更是对“AI走出屏幕、进入物理世界”这一长期命题的提前卡位。当大模型竞赛逐渐趋同，回归物理本质或将成为下一代AI竞争的关键分水岭。