华为大模型双子星联手造物理基模，刚融资数亿元

作者 许丽思

编辑 漠影

智东西9月23日报道，近日，物理AI公司息壤开物（XIRRA）已在两个月内连续完成数亿元种子轮及天使轮融资，由敦鸿资产领投，华控基金、三花控股、银杏谷资本、泽然资本、本坚基金、上海天使会、标朴投资等知名机构跟投。

这家公司由两位华为大模型核心人物联手创办：创始人、CEO李寅曾任华为云大模型CTO，拥有万卡级模型训练及丰富的产业落地经验；联合创始人、首席科学家张含望是南洋理工大学教授，长期从事因果机器学习与多模态智能研究。

两人选择了一条技术门槛极高的路线：从底层研发原生物理基础模型（Large Model，LPM），希望通过一套通用底座，将物理智能能力推广机器人、自动驾驶等不同产业场景，乃至科学计算领域。

这一技术路线已取得阶段性成果。在9月16日公布的 2.0全球总决赛榜单中，息壤开物在Track 1视频质量赛道取得轨迹精度全球第一、物理合规性全球前三的成绩。

为什么一家初创公司，要从底层重新研发一套物理基础模型？

回看数字AI的发展，在GPT等大语言模型出现之前，自然语言处理（NLP）领域高度依赖单场景定制，不同客户、不同任务，往往需要单独开发模型。直到大语言模型出现，越来越多的企业开始基于统一底座开发应用，推动AI1.0时代到来。

如今，AI正加速走向真实物理世界，具身智能融资与产品演示持续升温，规模化商业落地却仍面临挑战。

机器人换一种物料、换一个工位，往往又要重新采集数据、训练模型和工程适配。高昂的定制化成本，让机器人能力难以快速复制到更多场景。

AI 2.0时代，能否也出现一套通用基础模型，让机器人具备跨任务、跨本体、跨场景的泛化能力，让更多行业客户低成本开发自己的具身大脑？

这正是息壤开物希望探索的问题。该公司本轮募集资金将主要用于原生物理AI模型的规模预训练、真实物理交互数据建设、核心研发人才引入及场景验证。

一、华为大模型双子星联手，工程基础与理论研究强强结合

对于一家初创公司而言，从底层开展原生预训练意味着持续的研发投入，也需要团队具备从基础模型设计、大规模训练到实际应用的完整经验。

正是在这样的技术判断下，李寅与张含望选择联手创业，将各自在基础模型领域的积累投入物理智能研发。

其中，李寅毕业于清华大学，曾任华为云大模型CTO、华为云大模型0到1核心成员，长期统筹基础模型、多模态、视频生成、科学计算与行业大模型研发。

她曾带400人团队、用1.5万小时数据，在1.5万卡集群上2个月完成8B视频大模型训练发布；主导过国内多地具身智能创新中心、头部车企自动驾驶数据生成等行业AI解决方案，相关项目每年带来数亿元营收。

张含望是南洋理工大学计算与数据科学学院 Chair ，长期聚焦因果机器学习与多模态智能，累计发表论文228篇， 引用超4.2万、H-index 81，2026年 “”方向全球排名第8，曾获新加坡总统科技奖青年科学家奖、IEEE AI’s 10-to-Watch等荣誉。

两位创始人的经历，也让息壤开物形成了理论研究与工程实践相结合的硬核配置。

据了解，该公司核心成员也都来自华为大模型体系，拥有万卡级训练、视频大模型、多模态研发及复杂行业交付经验。

对于准备从底层开展物理基础模型研发的息壤开物而言，这些积累成为其探索原生物理预训练、搭建配套工具链，并推动模型走向产业应用的重要基础。

二、不走增训路线，押注原生物理基础模型

目前，主流具身模型多采用“VLM+ Head”的增训路线，拿现成视觉语言模型当底座，补动作数据，接动作输出头。

这种方式能够利用已有的大模型能力，开发成本低，帮助团队较快完成特定任务开发，不少本体厂商借此快速拉升估值。

但是，视觉语言模型主要从数字世界中的视觉和语言数据学习知识，对物理世界规律的抽象归纳存在局限，在物理规律理解、长程决策及跨场景泛化方面仍面临挑战。

息壤开物因此选择从底层构建物理基础模型LPM，通过原生物理预训练，让模型学习物理规律及状态、动作之间的关系。

物理基模有望解决机器人的泛化难题，不过真正从底层研发的团队非常有限，因为这件事情难度实在太大了。

以常见的机器人在工厂抓取、搬运工件这件任务为例，看似简单的操作，背后却涉及物理基础模型必须跨越的四道技术门槛：

物理世界连续、高维、不可完全观测：机器人需要判断工件的位置、重量和接触状态，连续处理变化的运动、接触、形变及力觉信息，实时调整抓取力度，状态空间比文本大出几个数量级。

长程决策的组合爆炸：从抓取、搬运到放置，每一步都有多种动作选择，前一步的偏差还会影响后续操作，动作组合迅速膨胀。

数据稀缺且异构：真实操作数据采集成本高，视频、运动轨迹、力觉和触觉等数据格式各异，难以直接用于统一训练。

仿真与现实存在差距：仿真中能够成功抓取的机器人，进入真实产线后，可能因摩擦力、接触状态等变化而失败，需要根据真实反馈持续调整。

所以，息壤开物选择回到第一性原理，以贝尔曼方程的最优性原理作为模型的理论基础。

LPM = 贝尔曼递推方程的最优解：让模型逼近长期累计回报最优的决策

具体来说，贝尔曼方程把长程决策递归分解，让模型同时学习世界转移P、价值V与策略π——世界模型与策略模型（类似 VLA）的能力，在同一个基础模型里被统一。架构上，LPM将世界推演与视频渲染解耦：AR自回归架构负责组织因果历史、推演”发生什么”， 负责渲染”看起来什么样”。

息壤开物从物理交互数据的统一编码、状态—动作—结果建模和长程一致性学习切入，让模型在预训练阶段就习得物理世界的规律，能力才有机会随规模持续涌现。

三、授人以鱼不如授人以渔，让行业客户在基座上长出自己的模型

目前，具身智能的许多项目仍高度依赖单场景定制，企业需要针对客户需求采集数据、训练模型、调试设备，再完成现场交付。换一个客户、增加一项任务，类似的流程可能又要重新来过，已有模型能力难以充分复用。

息壤开物选择了一条“授人以渔”的平台化路线：让制造企业、本体厂商和场景方能够基于通用物理基础模型及配套工具，通过行业增训和应用适配，开发适用于自身场景的具身智能模型。

围绕物理基础模型LPM，息壤开物已经构建XR数据平台和XR评测平台，并提出通过配套开发工具支持行业模型增训与适配，逐步形成从数据处理、模型训练到能力验证的开发工具体系。

机器人执行任务时产生的真机轨迹、人类示教视频，以及不同传感器记录的物理信息，格式和质量要求各不相同，缺乏统一标准，很难被高效地用到模型训练上。

息壤开物的XR数据平台，覆盖多模态数据接入、清洗、标注、质量检查、版本管理与发布的完整流程，并通过标准化具身大脑 API 对外提供能力调用。

同时，其还保持跨本体、跨模型的中立定位，把真机轨迹、人类示教、真实失败案例等物理世界经验，编译成可训练、可追溯、可迭代的高质量数据资产，提升不同来源数据的可用性和复用效率。

数据平台demo——数据展示

数据平台demo——数据过滤管线

数据平台demo——EGO数据管线

XR评测平台

数据进入模型训练流程后，接下来要判断模型究竟学到了什么。当前具身智能模型能力快速迭代，不同评测环境、机器人本体和任务设置下的成绩却很难直接比较，仿真表现也难以完整反映真实场景中的作业能力。

息壤开物的XR评测平台已实现从场景构建、质量检查、策略执行到报告生成的完整工作流程，支持评测场景复用，以及执行过程、评测报告的保存回查。

平台打通仿真场景构建、模型推理与结果可视化全链路，把过去高度依赖人工的工作链路打造为自动化闭环；失败样本可在此完成定位、补数与复验，持续回流至下一轮模型训练，形成评测即飞轮、越评越强的迭代效应。

评测平台——理解、生成、执行三位一体，让每次失败都产生可用的训练信号

这套体系能力已经得到第三方验证。是由清华大学等高校研究团队推动的国际具身世界模型评测基准，聚焦于评估模型的感知质量及其在实际具身任务中的功能价值。

9月16日， 2.0全球总决赛榜单公布，息壤开物在视频质量赛道拿下 （轨迹精度）全球第一、 （物理合规性）全球TOP3——前者考察给定动作策略后模型对运动轨迹的精确还原，后者直接衡量模型对物理规律的遵从，两项都是最能体现物理建模能力的指标。

四、200+项目、万卡工程经验打底，一套底座如何通向所有物理场景？

基础模型与平台工具逐渐成形后，息壤开物还需要解决商业化落地问题：一套通用底座，究竟应该怎样进入不同行业？

回看数字AI的发展，通用大语言模型的出现，让企业能够基于统一底座开发不同应用，减少面向每个客户重新研发专用模型的投入。息壤开物希望将这一思路延伸至物理世界，通过复用通用物理能力，改善具身智能高度依赖单项目定制的成本结构。

围绕这一目标，息壤开物提出L0、L1、L2三层商业化架构：

L0物理基础模型（LPM）：提供理解物理规律、预测状态演化、规划长程动作、支撑闭环执行的通用物理能力。

L1领域模型：在L0之上加入行业专业数据增训，形成具身操作、自动驾驶、气象、药物分子等领域模型。任务理解、长程规划、闭环仿真、多尺度物理过程建模等行业级能力，都在这一层长成；

L2垂域应用：蒸馏出面向具体场景的轻量应用，完成最终交付。从产线上的具身执行与规划仿真，到智驾的闭环仿真与训练数据合成，再到极端天气预测、分子性质预测，任务越具体，模型越轻。

这套架构的商业价值，落在不同层级之间的能力复用上。对于机器人本体厂商或制造企业而言，可以基于L0获得通用物理智能能力，再结合自身行业数据形成L1领域模型，根据具体生产任务开发L2应用，逐步降低重复研发和部署成本。

更重要的是，李寅此前积累的产业经验，为息壤开物探索这条商业化路径提供了实践基础。

李寅曾参与华为云大模型从研发到产业应用的全过程，其过往团队累计交付200多个行业AI项目，覆盖金融、制造、能源、政务等30多个行业，相关项目累计金额超过10亿元，深谙如何从客户场景拿数据、做模型、交付结果，再把失败样本回流到下一轮训练。

同时，她还具备万卡集群稳定训练、万亿参数常稳训练与极致推理优化的完整工程积累，集群可用度99.7%，拥有昇腾首个万卡超节点集群调测实战经验。

这些大规模模型训练与产业交付经验，也为息壤开物将通用物理基模的研发、训练和场景验证串联起来，推动模型能力从单点任务向跨场景复用延伸，提供了重要的工程基础。

在具体落地路径上，息壤开物计划优先在机器人领域建立商业化闭环：面向本体厂商，通过标准化API、SDK及模型授权输出具身大脑能力；面向工业和物流客户，则围绕工业分拣、仓储拆码垛、柔性装配等任务，探索行业模型增训与联合交付，并在实际应用中持续沉淀数据和开发工具。

机器人场景只是息壤开物规划中的第一步。其物理基础模型希望学习的，是能够跨领域复用的物理规律理解与状态演化预测能力。

沿着这一思路，该公司计划将同一套底座延伸至自动驾驶的闭环仿真、极端天气预测和中长期演化推演，以及药物分子的生成与性质预测等领域，通过行业数据增训与具体应用开发，探索通用物理智能能力在不同产业中的复用。

依托通用底座、标准化工具及既有产业交付经验，息壤开物希望逐步降低新增场景的模型研发和部署成本，实现物理基础模型的规模化商业落地。

结语：构建基模训练飞轮，打开物理智能长期增长空间

随着物理智能走向更多产业场景，基础模型和标准化开发工具的潜在需求正在拓展，带来不少新机遇。

息壤开物提到，国内多地正在建设具身智能创新中心与训练场，公共底座与工具链是其中的刚需；海外市场对高质量物理数据与评测能力同样饥渴，在完成合规与管制评估的前提下，标准品输出具备可观的想象空间。

更重要的是，这些商业化路径之间是相互咬合的：真实场景交付带来数据，数据反哺基础模型训练，模型能力提升又进一步降低后续交付成本。随着这一循环持续运转，商业化本身，也将成为推动基模持续进化的训练飞轮。

从真实物理世界中不断汲取数据与经验，让通用智能持续生长，再将积累的能力应用于更多产业场景，“生生息壤，开物造智”，息壤开物走的，就是这样一条难而正确的路。