成立一个月融7个亿：这家公司要预测物理世界

一、发生了什么

2026年7月，一家名为物原科技（TensorWorld背后同名公司）的公司在北京成立。成立当天还几乎没人听说过它，一个月后，它已经完成了天使轮和天使+轮两笔融资，累计金额1.05亿美元，按7.2的汇率折算约7.5亿元人民币，投后估值约6亿美元。对一家成立满月、没有发布过正式产品的公司来说，这个速度和这个盘子都不常见。

1.1 一个月内两轮融资

两轮融资的节奏非常紧。天使轮落地后，天使+轮几乎无缝接上，累计金额达到1.05亿美元。这种「连续关账」的操作在当前一级市场并不普遍——过去两年，AI赛道的资金明显向头部集中，新机构拿钱越来越难，而物原科技却让一批一线机构在同一时间里先后下注。这说明投资方之间大概率有交叉背书：先进入的机构验证了判断，后进入的机构快速跟进，避免了漫长的尽调拉锯。当然，这是推断，官方口径只披露了融资完成的事实。

1.2 投资方名单的分量

公开的投资方包括凯辉基金、红杉中国、蚂蚁集团、美团、蔚来资本、和玉资本、达晨财智、景和资本等。这份名单值得逐个看：红杉中国是典型的财务投资人；蚂蚁集团和美团是场景方，前者有大量线下支付与履约场景，后者配送机器人化诉求明确；蔚来资本背后是车企，自动驾驶和智能座舱都需要物理仿真；达晨财智、和玉资本、景和资本、凯辉基金则补齐了不同币种和不同阶段的覆盖。换句话说，这不只是一笔财务投票，更像一批「潜在客户」提前占座。对世界模型这条新赛道，场景方可能比纯财务投资人更清楚它的价值。

1.3 吴海旭是谁

创始人兼CEO吴海旭，1998年生，清华大学软件学院博士，之后在MIT CSAIL做博士后，论文引用超过3万次。28岁出头拿到这个量级的引用数，在同龄研究者里属于极少数。但需要把话说全：引用数衡量的是学术影响力，不直接等于工程落地能力和组织管理能力。一家要「持续逼近真实世界的物理原生模拟器」的公司，最终考验的是后两者。这也是评价所有世界模型公司时必须分开的两条线。

二、关键数字怎么读

2.1 1.05亿美元：够烧多久

1.05亿美元，约7.5亿元人民币。参照近几年国内大模型初创公司的烧钱速度，这笔钱主要会花在三处：算力、人才、数据。训练一个物理基础模型对算力的需求未必低于视频生成模型——物理量预测虽然输出维度比视频像素少，但为了保证预测的物理一致性，模型结构和训练流程往往更复杂。一个粗略的判断是：这笔钱足以支撑团队把第一版可用的模型做出来，但离「物理原生模拟器」这个目标还差好几个融资轮次。

2.2 估值6亿美元：买的是什么

估值约6亿美元，对应一家成立一个月、没有产品、没有收入的公司。按一级市场的惯例，这个估值里绝大部分买的不是资产，而是三样东西：人才、技术叙事和时间窗口。吴海旭个人的学术声誉占了相当权重——3万+引用、清华博士、MIT博士后，这套履历在募资市场上就是硬通货。剩下的，是物理基础模型、也是世界模型这个方向本身的想象空间。换句话说，6亿美元更像是市场对「这个人+这个方向」的定价，而不是对「这家公司现有业务」的定价。

2.3 3万+引用：学术资本的含金量

论文引用3万+是什么概念？多数计算机领域的研究者终身引用数在几千次量级。3万+意味着吴海旭的工作进入了大量后续研究的引用链，也就是常说的「开了一条路」。2023年他在Transolver上首次提出Physics-Token，把物理量变成模型可以处理的基本单元，这个思路后来成了物原科技技术路线的种子。不过也要提醒：学术引用链条和商业成功之间隔着工程化、产品化、商业化三道坎，历史上跨不过去的优秀论文远比跨过去的要多。

2.4 一个月：时间窗口的信号

一个月内完成两轮融资，另一个解读角度是时间窗口。2026年这个节点，物理世界模型恰好处于「学术共识已形成、产品格局未定型」的窗口期，谁先融到钱、谁先组起团队，谁就先把最好的一批研究者圈进来。投资方选择在这个时间点集中下注，本质上是在买「先发位置」——世界模型赛道的座次一旦排定，后来者进场的成本会成倍上升。这种窗口不会一直开着，未来两三年内，这个赛道的座次大概率会初步排定。

三、技术与产品细节

3.1 Physics-Token：把物理量变成token

3.1.1 和视频token差在哪

2023年的Transolver工作首次提出Physics-Token，核心想法是把温度、压力、速度场、应力分布这些物理量，编码成模型可以像处理语言token那样处理的单元。这一点和当下主流的视频生成类世界模型有本质区别：视频模型把世界切成一帧帧像素，学的是「画面和画面之间怎么变」；Physics-Token学的是「物理量与物理量之间怎么变」。前者关心画面像不像，后者关心数值对不对。一个热传导过程，视频模型要画出烟尘扩散的样子，Physics-Token要算出某一点在某一时刻的温度是多少。看似是同一件事的两种表达，实际上决定了模型能不能被拿去做工程计算。

3.2 GeoPT：用合成动力学验证Scaling Law

今年，吴海旭与何恺明合作提出GeoPT，用合成动力学数据验证了物理基础模型同样存在Scaling Law——也就是模型规模、数据量、算力按比例增加时，预测能力可预期地提升。这个结果对整个方向的意义不小：过去有人质疑物理规律太「硬」，不像自然语言那样存在清晰的规模效应，GeoPT给出的答案是可以规模化。何恺明的参与本身也是信号，他在视觉表征学习上的积累（ResNet、MAE）与物理建模结合，说明顶尖研究者开始认真看待这个方向。但另一面也要看到：合成动力学数据是相对干净的，真实世界的传感器数据充满噪声、缺测和标定误差，从「合成数据上验证了Scaling Law」到「真实数据上训练出可用的模型」，中间隔着大量未解决的工程问题。

3.3 TensorWorld：要做什么、给谁用

物原科技的产品叫TensorWorld物理基础模型，官方表述是「持续逼近真实世界的物理原生模拟器」。翻译过来就是：给物理世界建一个可计算的副本，输入初始条件和动作，输出符合物理规律的演化结果。目标场景有三个：机器人、自动化设备、数字孪生。逻辑很直接——训练机器人最贵的地方是真实试错，摔坏一台机械臂的成本远高于在模拟器里摔一万次；如果模拟器里的物理足够准，机器人就可以先在虚拟世界里练熟，再迁移到现实。这正是世界模型最被看好的落地路径之一。需要强调的是，目前公开信息中TensorWorld还没有给出可调用的产品形态和性能指标，这家世界模型公司的一切判断都还停留在路线图层面。

四、为什么是现在

4.1 机器人产业到了需要仿真的节点

人形机器人热潮持续两年之后，产业暴露出一个共同的瓶颈：真机数据太贵、太慢。单纯依靠遥操作采集数据，成本降不下来；而纯视频生成的世界模型虽然画面逼真，却因为物理不一致，机器人照着学容易「入戏太深」。行业开始意识到，世界模型要成为机器人的训练场，靠的不是好看的画面，而是物理上站得住脚的反馈信号。这个认知转变，正是物理量预测路线被资本重新定价的起点。

4.2 成本曲线到了拐点附近

算力成本仍在下降，合成数据生成管线的成熟度在提高，物理仿真引擎（从游戏引擎到专用求解器）过去十年的积累都可以被新模型复用。三件事叠加，让「用基础模型学物理」第一次在成本上变得可讨论。放在五年前，这个方向需要的算力和数据都不具备条件；放在今天，至少头部团队可以先跑起来。（推断：这条成本曲线未来两年会继续陡降，仿真数据的单位成本有望低于真机数据一个数量级。）

4.3 竞争窗口正在打开

巨头们的主战场还在语言模型和多模态上，物理世界模型对它们来说重要但不紧急；而学术界已经把方向论证得足够充分。对世界模型这样的新方向，资本最擅长捕捉的正是这种间隙。物原科技的时间窗口，就是这个间隙。当然，窗口也是双向的：间隙同样可能被巨头的一个战略决定瞬间填上。

五、谁最受影响

5.1 机器人公司：多了一个潜在供应商

对机器人整机与零部件公司来说，物原科技这类团队如果做成了，意味着仿真基础设施多了一个选择。训练策略、验证控制算法、回归测试，都可以在更准的模拟器里完成，研发周期有实质性压缩的空间。反过来，如果做不成，这些公司也损失不大——它们并没有为早期技术付钱。

5.2 开发者与研究者：一次范式切换的机会

做物理仿真、科学计算、具身智能的研究者和工程师，可能会多出一类「世界模型」式的底层工具，就像NLP开发者当年迎来预训练语言模型一样。风险在于，底层工具一旦被少数公司垄断，中小团队的议价能力会被压缩。

5.3 投资人：新赛道的定价权之争

一级市场上，物理世界模型正在成为一个独立的投资主题。物原科技的融资等于给这个主题定了一个锚：成立一个月、6亿美元估值。这个锚会抬高后续同类项目的要价，也会让部分机构重新审视自己是否在早期错过了。

5.4 普通用户：短期内几乎无感

普通消费者不会直接用到物理基础模型，但三五年后，如果家里的机器人、车上的自动驾驶系统表现得更稳，背后可能就有这类模拟器的贡献。这是典型的「基础设施型创新」，收益后置。

六、横向对比

把物原科技放进世界模型的全球坐标系里看，这个赛道的主要玩家各有路线差异。需要说明的是，各家公开信息详略不一，下表只做方向性对比，不构成能力高低的判定。

对比维度	物原科技（TensorWorld）	英伟达（Cosmos/GR00T 2）	谷歌（Genie系列）	World Labs（李飞飞）	MBZUAI IFM（PAN 2）
主攻路线	物理量预测，物理基础模型	视频世界模型+机器人基座	可交互的世界模型	三维空间世界模型	物理自主智能方向
输出形态	物理量、场分布	视频+机器人策略	可玩可交互的环境	可探索的三维场景	面向自主智能体的预测
核心用途	机器人训练、自动化设备、数字孪生	机器人开发全家桶	环境生成与交互研究	空间智能应用	自主智能体仿真
数据策略	合成动力学+真实传感数据（推断）	大规模视频语料	视频+交互信号	三维重建数据	物理过程数据
商业化阶段	成立一个月，未发布产品	已发布，生态带动中	研究主导，未大规模商用	创业公司阶段	研究机构项目
背靠资源	1.05亿美元融资，6亿美元估值	算力+芯片生态全球第一梯队	谷歌体系资源	学界声望+风险投资	阿联酋国家级投入
评价标准侧重	物理预测准不准	生成质量+下游效果	交互丰富度	场景真实感	智能体任务表现

再往下拆一层，「世界模型」这个词底下实际存在三条技术路线，它们的分歧决定了谁能最终拿下机器人训练这个市场。

对比维度	像素级视频生成路线	物理量预测路线	混合路线
输出内容	连续视频帧	温度、力、速度等物理量	视频+物理量双通道
评价标准	画面逼真度、时序连贯性	数值误差、物理守恒是否成立	两个标准都要满足
视觉观感	好看，演示效果好	不好看，多为数值与场图	介于两者之间
直接用途	内容生成、环境预览	工程计算、控制仿真	兼顾演示与训练
训练机器人适用性	弱，物理不一致易误导策略	强，可直接构造完整的训练回路	潜力最大，工程最复杂
数据获取难度	低，互联网视频海量存在	高，真实传感数据稀缺且贵	最高，需要配对数据
主要难点	物理幻觉难消除	数据规模与覆盖面不足	两套目标的损失难以平衡
代表玩家	多家视频生成公司与部分大厂	物原科技、部分学术团队	英伟达等生态型玩家（推断）

这两张表放在一起看，结论比较清楚：视频生成路线赢在数据多、出效果快，物理量预测路线赢在「对机器人有用」。物原科技押的是后者，卖点从头到尾是「预测物理准不准」，而不是「画面像不像」。这是它和市面上大多数世界模型叙事最根本的分岔。

七、中国视角

7.1 国内玩家在做什么

国内做物理仿真与世界模型的团队大致分三类：大厂研究院里的仿真与具身智能小组、高校团队的技术转化、以及新成立的创业公司。过去两年，国内资金更偏好视频生成和具身智能整机，物理量预测这条世界模型路线反而人少。物原科技这一轮融资，等于给这条路线在国内补上了一面旗帜。

7.2 优势与差距各在哪

优势方面，中国有全球最完整的机器人产业链和最多的落地场景，工厂、物流、车企都是天然的数据源和客户；投资人对硬科技的耐心也在变长。差距方面，物理仿真底层引擎、高端传感数据积累、以及把论文转化为可训练大模型的工程体系，国内整体还薄于海外头部。吴海旭团队清华+MIT CSAIL的背景，恰好卡在「能同时接通两边」的位置上——这或许也是红杉中国、蚂蚁集团、美团、蔚来资本们愿意一个月内连投两轮的深层原因。（推断：未来半年国内会有更多团队跟进物理量预测路线，赛道会迅速从独角戏变成多人局。）

八、争议与风险

8.1 论文到可训练大模型的工程鸿沟

Transolver的Physics-Token和GeoPT的Scaling Law验证，都是论文尺度的工作——数据集干净、任务边界清晰、算力规模可控。把它放大成一个「持续逼近真实世界」的世界模型，中间是数量级的跨越：分布式训练系统、数据清洗管线、评测体系、推理服务，每一项都是独立的工程难题。学术界出身的一号位，历史上在这道鸿沟前栽跟头的例子并不少。这不是质疑能力，而是提醒难度。

8.2 数据从哪来：最硬的约束

物理量数据不像互联网视频那样随手可得。真实的力、温度、形变数据散落在工厂、实验室和车企手里，采集要装传感器、做标定、解决所有权问题。合成数据虽然可以规模化（GeoPT正是这么验证的），但合成与现实之间的差距（sim-to-real gap）恰恰是这个世界模型路线最核心的难点。谁先解决「既大规模又真实」的数据供给，谁才真正握住了方向盘。目前没有看到物原科技披露数据侧的独家安排，这是最大的未知数。

8.3 6亿美元估值主要买的是叙事

回到那个数字：成立一个月、无产品、无收入、估值6亿美元。拆开看，这个估值里能兑现的部分目前只有人才（吴海旭团队）和技术叙事（物理基础模型+Scaling Law）。反方观点认为，这是典型的「人物估值」——如果18个月内拿不出可验证的模型能力，估值回调几乎必然。正方观点则认为，顶级研究者的稀缺性本身就值这个价，等产品出来再投就来不及了。两种说法都成立，取决于对时间窗口的判断。

8.4 竞争烈度被低估的可能

还有一个容易被忽略的风险：英伟达Cosmos、GR00T 2背靠芯片生态，谷歌Genie背靠体系资源，它们随时可以把物理一致性作为下一代世界模型的重点。创业公司唯一的安全边际是速度和专注，一旦巨头认真起来，纯技术叙事的溢价会快速蒸发。

九、接下来3–6个月看什么

9.1 团队扩张的速度与质量

第一可验证的信号是招聘。看它能否在半年内把团队从论文小组扩成工程组织，尤其看是否招到有大规模训练经验的系统工程负责人。招不到，说明故事对顶级工程师的吸引力有限。

9.2 TensorWorld是否放出可调用版本

第二个信号是产品动作：有没有放出API、研究预览或基准评测。物理量预测的「准」是可以第三方验证的——给一个标准物理场景，比较预测值与真值。如果这个世界模型敢公开被测，就说明团队对模型有底气；一直只发演示视频，则要下调预期。

9.3 数据合作的落地

第三个信号是数据侧：投资方里的蚂蚁集团、美团、蔚来资本是否与物原科技签下数据合作。这一步决定了它是「有算力没数据」还是「数据供给已打通」。有签约，估值逻辑才从叙事转向业务，数据侧的拼图才算补上第一块。

9.4 同行的跟进动作

第四个信号是赛道温度：未来几个月会不会出现第二家、第三家同路线的融资案例。跟进者越多，越说明方向被认可；但过度拥挤也会压缩物原科技的先发红利。

十、常见问题

10.1 物原科技是一家做什么的公司？

一家做物理基础模型的创业公司，2026年7月成立，产品是TensorWorld，目标是造一个逼近真实世界的物理原生模拟器，供机器人、自动化设备和数字孪生场景使用。它与常见视频生成路线的区别在于：输出的是物理量而不是画面，卖点是预测得准，而不是看起来真。

10.2 1.05亿美元融资是什么概念？

折合人民币约7.5亿元，由天使轮和天使+轮在一个月内连续完成，投后估值约6亿美元。对一家成立满月、没有产品的公司，这属于罕见的高起点，主要反映投资方对创始人吴海旭学术履历和物理世界模型方向的信心。

10.3 世界模型和视频生成模型是一回事吗？

不是。视频生成模型学画面之间的变化，追求好看；世界模型学环境的演化规律，追求可交互、可预测。物理量预测路线的世界模型更进一步，直接输出温度、力、速度等数值，可以拿去训练机器人和做工程仿真，这是两者用途上的分水岭。

10.4 物理量预测路线为什么更难商业化？

难在数据。视频数据互联网上取之不尽，真实物理量数据却要靠传感器一个个采，成本高、分散、权属复杂；合成数据虽能放大规模，但模拟与现实的差距需要专门弥合。此外，物理场景千差万别，流体、刚体、软体的建模难度不同，覆盖面扩张慢于视频模型。

10.5 吴海旭的背景意味着什么？

他是1998年生人，清华大学软件学院博士、MIT CSAIL博士后，论文引用3万+，2023年提出Physics-Token，今年与何恺明合作提出GeoPT并验证了物理基础模型的Scaling Law。这套履历保证了他对技术路线的判断力，但从研究者到CEO的转换是否顺利，还有待观察。

10.6 普通人会用到这类技术吗？

不会直接用到，但会间接受益。这类世界模型成熟后，机器人、自动驾驶、工业软件的迭代速度都会加快，普通用户接触到的是更稳定的产品和更便宜的服务。这条链路比较长，感知上会滞后两三年。

10.7 现在适合跟进投资这个赛道吗？

这里不给任何投资建议，只提示一个观察框架：物理世界模型处于「方向已被验证、产品格局未定」的阶段，波动会很大。判断一个团队值不值得跟，重点看数据供给能力、工程团队完整度和可第三方验证的评测结果，而不是估值和融资速度。

十一、写在最后

世界模型这个词被讲了两年，多数时候讲的是「像」。物原科技把题目换成了「准」——不和你比画面，和你比物理。这个选择更冷门、更难看、也更难做，但一旦做成，它服务的不是流量，而是机器人这个正在成形的产业。1.05亿美元买不来一个物理原生模拟器，但买来了一个开局。接下来12个月，看数据、看工程、看评测，别只看估值。