AI大模型正从“数字大脑”向“物理肉身”加速进化。光象科技近日宣布，公司已累计完成数亿元天使轮融资，资金将全部用于研发“物理原生基座模型”——一种能直接理解、预测并操控真实物理环境的新一代AI基础设施。这是继具身智能、空间智能之后，业界在“物理AI”赛道上投下的又一重磅注码。
## 融资细节：创下天使轮纪录
尽管具体投资方尚未完全披露，但据知情人士透露，本轮融资由多家头部硬科技基金联合领投，参投方涵盖产业资本与政府引导基金。数亿元的天使轮规模在AI初创公司中极为罕见，侧面印证了市场对“物理原生模型”方向的高度认可。光象科技成立仅半年，团队核心成员来自全球顶尖机器人实验室和计算机视觉研究机构，此前已在仿真环境与真实场景的迁移学习上积累了大量专利。
## 物理原生基座模型：不只是“看见”，更是“理解与行动”
与当前主流的视觉语言模型（VLM）或通用大语言模型不同，“物理原生”的含义在于：模型不依赖事后对图片或文字的描述来推理物理世界，而是从一开始就内嵌了物理规律——比如重力、摩擦力、材料刚性、流体动力学等。光象科技的技术路径被称为“Physics-native foundation model”，它通过海量多模态传感器数据（力觉、触觉、RGB-D深度、惯性测量等）的联合预训练，使模型能够自动构建出对三维环境的结构化认知。
**两大核心能力：**
– **可泛化的物理推理**：面对从未见过的新物体或新场景，模型能基于底层物理参数（如质量分布、表面摩擦系数）预测其可能的交互行为，例如判断一个玻璃杯在倾斜桌面上是否会滑落、摔碎的角度和碎片飞溅轨迹。
– **端到端的行为生成**：传统机器人控制需将感知、规划、控制拆解为独立模块，而光象的模型可直接从物理感知中生成精细的电机指令，实现“感知即行动”。
## 为何需要“原生”而非“嫁接”？
现有AI在处理物理交互任务时，往往需要外接模拟器或手工规则库。然而，从静态图片/文字中推理物理动态，本质上是一个病态问题——人类也无法仅看一张照片就判断物体是否受外力平衡。光象科技CEO在内部信中指出：“语言带偏见，图像有歧义，只有物理定律本身才是统一且可验证的。我们的模型在训练时就要求输出符合能量守恒和动量守恒，否则梯度就不可靠。”
技术团队借鉴了神经微分方程和可微分物理引擎的思路，让模型隐式学习物理方程的解空间。在早期基准测试中，该模型在“推箱子”“叠积木”等经典物理推理任务上的准确率，比同参数规模的标准Transformer模型高出47%，且推理时无需对每个场景重新采样计算。
## 行业影响：从“虚拟原生”到“物理原生”的范式转移
光象科技的融资，折射出AI产业深层的趋势变化。过去两年，生成式AI在文本、图像、视频等数字内容领域大放异彩，但真正的生产力革命需要AI能可靠地执行物理世界中的操作——从自动驾驶到智能制造，从家庭服务机器人到外科手术辅助。目前，无论是特斯拉的Optimus还是波士顿动力的Atlas，其背后的模型仍然依赖大量手工调参和专门训练的模块。光象试图提供一种通用预训练底座，使任何机器人厂商都能用少量数据微调，获得适应其硬件形态的物理智能。
有分析人士指出，如果物理原生基座模型能够成功，将大幅降低具身智能的研发门槛，并可能催生新的“物理操作系统”生态。就像当年Android统一了手机应用开发、LLM统一了语言交互接口一样，物理原生模型或许能统一机器人与真实世界的交互协议。
当然，这条路也充满挑战。物理模型的鲁棒性要求极高——在真实环境中，误差累积和噪声干扰往往是仿真中的数倍；同时，数亿元的天使轮融资虽然丰厚，但距离构建能够覆盖全物理尺度的基座（从原子到建筑）仍有巨大鸿沟。光象科技选择从“桌面级操作”场景切入，优先覆盖物流分拣、实验室自动化等高价值、高控制精度的领域。
无论如何，当AI开始“理解”牛顿定律，智能体与物理世界的界限正在消融。光象的这轮融资，或许正是这场融合的关键催化剂。