華為大模型雙子星聯手造物理基模，剛融資數億元

機器人前瞻（公眾號：robot_pro） 作者 | 許麗思 編輯 | 漠影 9月23日報道，近日，物理AI公司息壤開物（XIRRA）已在兩個月內連續完成數億元種子輪及天使輪融資，由敦鴻資產領投，華控基金、三花控股、銀杏谷資本、澤然資本、本堅基金、上海天使會、標樸投資等知名機構跟投。這家公司由兩位華為大模型核心人物聯手創辦：創始人、CEO李寅曾任華為雲大模型CTO，擁有萬卡級模型訓練及豐富的產業落地經驗；聯合創始人、首席科學家張含望是南洋理工大學教授，長期從事因果機器學習與多模態智能研究。

兩人選擇了一條技術門檻極高的路線：從底層研發原生物理基礎模型（Large Physics Model，LPM），希望通過一套通用底座，將物理智能能力推廣機器人、自動駕駛等不同產業場景，乃至科學計算領域。這一技術路線已取得階段性成果。在9月16日公佈的WorldArena 2.0全球總決賽榜單中，息壤開物在Track 1視頻質量賽道取得軌跡精度全球第一、物理合規性全球前三的成績。為什麼一家初創公司，要從底層重新研發一套物理基礎模型？回看數字AI的發展，在GPT等大語言模型出現之前，自然語言處理（NLP）領域高度依賴單場景定製，不同客戶、不同任務，往往需要單獨開發模型。

直到大語言模型出現，越來越多的企業開始基於統一底座開發應用，推動AI1.0時代到來。如今，AI正加速走向真實物理世界，具身智能融資與產品演示持續升溫，規模化商業落地卻仍面臨挑戰。機器人換一種物料、換一個工位，往往又要重新採集數據、訓練模型和工程適配。高昂的定製化成本，讓機器人能力難以快速複製到更多場景。AI 2.0時代，能否也出現一套通用基礎模型，讓機器人具備跨任務、跨本體、跨場景的泛化能力，讓更多行業客戶低成本開發自己的具身大腦？這正是息壤開物希望探索的問題。該公司本輪募集資金將主要用於原生物理AI模型的規模預訓練、真實物理交互數據建設、核心研發人才引入及場景驗證。

一、華為大模型雙子星聯手，工程基礎與理論研究強強結合 對於一家初創公司而言，從底層開展原生預訓練意味著持續的研發投入，也需要團隊具備從基礎模型設計、大規模訓練到實際應用的完整經驗。正是在這樣的技術判斷下，李寅與張含望選擇聯手創業，將各自在基礎模型領域的積累投入物理智能研發。其中，李寅畢業於清華大學，曾任華為雲大模型CTO、華為雲大模型0到1核心成員，長期統籌基礎模型、多模態、視頻生成、科學計算與行業大模型研發。她曾帶400人團隊、用1.5萬小時數據，在1.

5萬卡集群上2個月完成8B視頻大模型訓練發佈；主導過國內多地具身智能創新中心、頭部車企自動駕駛數據生成等行業AI解決方案，相關項目每年帶來數億元營收。張含望是南洋理工大學計算與數據科學學院President Chair Professor，長期聚焦因果機器學習與多模態智能，累計發表論文228篇，Google Scholar引用超4.2萬、H-index 81，2026年Google Scholar “causality”方向全球排名第8，曾獲新加坡總統科技獎青年科學家獎、IEEE AI’s 10-to-Watch等榮譽。兩位創始人的經歷，也讓息壤開物形成了理論研究與工程實踐相結合的硬核配置。

據瞭解，該公司核心成員也都來自華為大模型體系，擁有萬卡級訓練、視頻大模型、多模態研發及複雜行業交付經驗。對於準備從底層開展物理基礎模型研發的息壤開物而言，這些積累成為其探索原生物理預訓練、搭建配套工具鏈，並推動模型走向產業應用的重要基礎。二、不走增訓路線，押注原生物理基礎模型 目前，主流具身模型多采用“VLM+Action Head”的增訓路線，拿現成視覺語言模型當底座，補動作數據，接動作輸出頭。這種方式能夠利用已有的大模型能力，開發成本低，幫助團隊較快完成特定任務開發，不少本體廠商藉此快速拉昇估值。

但是，視覺語言模型主要從數字世界中的視覺和語言數據學習知識，對物理世界規律的抽象歸納存在侷限，在物理規律理解、長程決策及跨場景泛化方面仍面臨挑戰。息壤開物因此選擇從底層構建物理基礎模型LPM，通過原生物理預訓練，讓模型學習物理規律及狀態、動作之間的關係。物理基模有望解決機器人的泛化難題，不過真正從底層研發的團隊非常有限，因為這件事情難度實在太大了。

以常見的機器人在工廠抓取、搬運工件這件任務為例，看似簡單的操作，背後卻涉及物理基礎模型必須跨越的四道技術門檻： 物理世界連續、高維、不可完全觀測：機器人需要判斷工件的位置、重量和接觸狀態，連續處理變化的運動、接觸、形變及力覺信息，實時調整抓取力度，狀態空間比文本大出幾個數量級。長程決策的組合爆炸：從抓取、搬運到放置，每一步都有多種動作選擇，前一步的偏差還會影響後續操作，動作組合迅速膨脹。數據稀缺且異構：真實操作數據採集成本高，視頻、運動軌跡、力覺和觸覺等數據格式各異，難以直接用於統一訓練。

仿真與現實存在差距：仿真中能夠成功抓取的機器人，進入真實產線後，可能因摩擦力、接觸狀態等變化而失敗，需要根據真實反饋持續調整。所以，息壤開物選擇回到第一性原理，以貝爾曼方程的最優性原理作為模型的理論基礎。▲LPM = 貝爾曼遞推方程的最優解：讓模型逼近長期累計回報最優的決策 具體來說，貝爾曼方程把長程決策遞歸分解，讓模型同時學習世界轉移P、價值V與策略π——世界模型與策略模型（類似 VLA）的能力，在同一個基礎模型裡被統一。架構上，LPM將世界推演與視頻渲染解耦：AR自迴歸架構負責組織因果歷史、推演”發生什麼”，Diffusion 負責渲染”看起來什麼樣”。

息壤開物從物理交互數據的統一編碼、狀態—動作—結果建模和長程一致性學習切入，讓模型在預訓練階段就習得物理世界的規律，能力才有機會隨規模持續湧現。三、授人以魚不如授人以漁，讓行業客戶在基座上長出自己的模型 目前，具身智能的許多項目仍高度依賴單場景定製，企業需要針對客戶需求採集數據、訓練模型、調試設備，再完成現場交付。換一個客戶、增加一項任務，類似的流程可能又要重新來過，已有模型能力難以充分複用。息壤開物選擇了一條“授人以漁”的平臺化路線：讓製造企業、本體廠商和場景方能夠基於通用物理基礎模型及配套工具，通過行業增訓和應用適配，開發適用於自身場景的具身智能模型。

圍繞物理基礎模型LPM，息壤開物已經構建XR數據平臺和XR評測平臺，並提出通過配套開發工具支持行業模型增訓與適配，逐步形成從數據處理、模型訓練到能力驗證的開發工具體系。XR數據平臺 機器人執行任務時產生的真機軌跡、人類示教視頻，以及不同傳感器記錄的物理信息，格式和質量要求各不相同，缺乏統一標準，很難被高效地用到模型訓練上。息壤開物的XR數據平臺，覆蓋多模態數據接入、清洗、標註、質量檢查、版本管理與發佈的完整流程，並通過標準化具身大腦 API 對外提供能力調用。

同時，其還保持跨本體、跨模型的中立定位，把真機軌跡、人類示教、真實失敗案例等物理世界經驗，編譯成可訓練、可追溯、可迭代的高質量數據資產，提升不同來源數據的可用性和複用效率。▲數據平臺demo——數據展示 ▲數據平臺demo——數據過濾管線 ▲數據平臺demo——EGO數據管線 XR評測平臺 數據進入模型訓練流程後，接下來要判斷模型究竟學到了什麼。當前具身智能模型能力快速迭代，不同評測環境、機器人本體和任務設置下的成績卻很難直接比較，仿真表現也難以完整反映真實場景中的作業能力。

息壤開物的XR評測平臺已實現從場景構建、質量檢查、策略執行到報告生成的完整工作流程，支持評測場景複用，以及執行過程、評測報告的保存回查。平臺打通仿真場景構建、模型推理與結果可視化全鏈路，把過去高度依賴人工的工作鏈路打造為自動化閉環；失敗樣本可在此完成定位、補數與複驗，持續迴流至下一輪模型訓練，形成評測即飛輪、越評越強的迭代效應。▲評測平臺——理解、生成、執行三位一體，讓每次失敗都產生可用的訓練信號 這套體系能力已經得到第三方驗證。WorldArena是由清華大學等高校研究團隊推動的國際具身世界模型評測基準，聚焦於評估模型的感知質量及其在實際具身任務中的功能價值。

9月16日，WorldArena 2.0全球總決賽榜單公佈，息壤開物在Track1視頻質量賽道拿下Trajectory Accuracy（軌跡精度）全球第一、Physical Adherence（物理合規性）全球TOP3——前者考察給定動作策略後模型對運動軌跡的精確還原，後者直接衡量模型對物理規律的遵從，兩項都是最能體現物理建模能力的指標。四、200+項目、萬卡工程經驗打底，一套底座如何通向所有物理場景？基礎模型與平臺工具逐漸成形後，息壤開物還需要解決商業化落地問題：一套通用底座，究竟應該怎樣進入不同行業？

回看數字AI的發展，通用大語言模型的出現，讓企業能夠基於統一底座開發不同應用，減少面向每個客戶重新研發專用模型的投入。息壤開物希望將這一思路延伸至物理世界，通過複用通用物理能力，改善具身智能高度依賴單項目定製的成本結構。圍繞這一目標，息壤開物提出L0、L1、L2三層商業化架構： L0物理基礎模型（LPM）：提供理解物理規律、預測狀態演化、規劃長程動作、支撐閉環執行的通用物理能力。L1領域模型：在L0之上加入行業專業數據增訓，形成具身操作、自動駕駛、氣象、藥物分子等領域模型。

任務理解、長程規劃、閉環仿真、多尺度物理過程建模等行業級能力，都在這一層長成； L2垂域應用：蒸餾出面向具體場景的輕量應用，完成最終交付。從產線上的具身執行與規劃仿真，到智駕的閉環仿真與訓練數據合成，再到極端天氣預測、分子性質預測，任務越具體，模型越輕。這套架構的商業價值，落在不同層級之間的能力複用上。對於機器人本體廠商或製造企業而言，可以基於L0獲得通用物理智能能力，再結合自身行業數據形成L1領域模型，根據具體生產任務開發L2應用，逐步降低重複研發和部署成本。更重要的是，李寅此前積累的產業經驗，為息壤開物探索這條商業化路徑提供了實踐基礎。

李寅曾參與華為雲大模型從研發到產業應用的全過程，其過往團隊累計交付200多個行業AI項目，覆蓋金融、製造、能源、政務等30多個行業，相關項目累計金額超過10億元，深諳如何從客戶場景拿數據、做模型、交付結果，再把失敗樣本回流到下一輪訓練。同時，她還具備萬卡集群穩定訓練、萬億參數常穩訓練與極致推理優化的完整工程積累，集群可用度99.7%，擁有昇騰首個萬卡超節點集群調測實戰經驗。這些大規模模型訓練與產業交付經驗，也為息壤開物將通用物理基模的研發、訓練和場景驗證串聯起來，推動模型能力從單點任務向跨場景複用延伸，提供了重要的工程基礎。

在具體落地路徑上，息壤開物計劃優先在機器人領域建立商業化閉環：面向本體廠商，通過標準化API、SDK及模型授權輸出具身大腦能力；面向工業和物流客戶，則圍繞工業分揀、倉儲拆碼垛、柔性裝配等任務，探索行業模型增訓與聯合交付，並在實際應用中持續沉澱數據和開發工具。機器人場景只是息壤開物規劃中的第一步。其物理基礎模型希望學習的，是能夠跨領域複用的物理規律理解與狀態演化預測能力。沿著這一思路，該公司計劃將同一套底座延伸至自動駕駛的閉環仿真、極端天氣預測和中長期演化推演，以及藥物分子的生成與性質預測等領域，通過行業數據增訓與具體應用開發，探索通用物理智能能力在不同產業中的複用。

依託通用底座、標準化工具及既有產業交付經驗，息壤開物希望逐步降低新增場景的模型研發和部署成本，實現物理基礎模型的規模化商業落地。結語：構建基模訓練飛輪，打開物理智能長期增長空間 隨著物理智能走向更多產業場景，基礎模型和標準化開發工具的潛在需求正在拓展，帶來不少新機遇。息壤開物提到，國內多地正在建設具身智能創新中心與訓練場，公共底座與工具鏈是其中的剛需；海外市場對高質量物理數據與評測能力同樣飢渴，在完成合規與管制評估的前提下，標準品輸出具備可觀的想象空間。更重要的是，這些商業化路徑之間是相互咬合的：真實場景交付帶來數據，數據反哺基礎模型訓練，模型能力提升又進一步降低後續交付成本。

隨著這一循環持續運轉，商業化本身，也將成為推動基模持續進化的訓練飛輪。從真實物理世界中不斷汲取數據與經驗，讓通用智能持續生長，再將積累的能力應用於更多產業場景，“生生息壤，開物造智”，息壤開物走的，就是這樣一條難而正確的路。