TensorWorld привлекла более $100 млн в течение месяца после запуска
KuCoinFlashПоделиться
TensorWorld, физическая ИИ-стартап-компания, привлекла более $100 млн в финансирование проекта всего через месяц после запуска в июле 2026 года. Компания разрабатывает физически обусловленную ИИ-модель для улучшения взаимодействия машин с реальным миром, ориентируясь на робототехнику, автономное вождение и промышленное моделирование. Инвесторами являются Kaiwei Fund, Sequoia China, Ant Group и Meituan Strategic Investment. Быстрое привлечение средств подчеркивает высокий интерес к проекту, и в ближайшие месяцы ожидается анонс потенциального запуска токена.
Это одна из самых напряженных битв в индустрии ИИ прямо сейчас: по мере того как крупные языковые модели продвигают интеллект в цифровом мире, возможности ИИ расширяются на физический мир — эмбоди-интеллект, автономные автомобили, промышленное моделирование и т.д. Но физический мир не работает по токенам, у него есть свои собственные законы: гравитация, трение, столкновения, жидкости… Сложность по сравнению с языком возрастает экспоненциально.
На этом более сложном и фундаментальном направлении стартап TensorWorld, существующий всего четыре месяца, за месяц привлек финансирование в размере более чем 100 миллионов долларов. За спиной капитала — редкость, обусловленная их способностью сочетать академическую базу, технологическую направленность и практическую реализацию.
Какие проблемы должна решить индустрия?
На данный момент в общем сознании общества ИИ считается очень умным: он может писать код, находить уязвимости и даже решать математические задачи, которые беспокоят человечество сотни лет. Однако предсказывать траектории объектов в реальном мире и взаимодействовать с ними с «надежным» уровнем точности для роботов пока очень сложно. Причина в том, что ИИ еще не понимает физические законы, и переход от «программного интерфейса» к «физическому миру» — это абсолютно неизбежный этап.
Отрасль сталкивается с чрезвычайно жесткими условиями при попытке преодолеть этот разрыв: высокоточные физические аннотированные данные невероятно дороги — один промышленный аэродинамический симуляционный образец часто требует десятков тысяч CPU-часов; данные, собранные в 100 сценариях, с трудом обобщаются на 10 000 неизвестных сценариев; симуляторы с трудом полностью воспроизводят трение и деформацию реального мира — согласно отчету Stanford HAI, успешность выполнения задач роботами в программной симуляции может достигать 89,4%, но в реальных домашних условиях成功率 тех же задач составляет всего около 12,4%.
Как компания Wuyuan Technology решает эту проблему? Академическое развитие демонстрирует четкий путь.
В настоящее время мировые модели в отрасли можно условно разделить на два подхода: визуально ориентированные и физически ориентированные. Первый является доминирующим в отрасли, представленным генерацией видео, и направлен на достижение «реалистичного вида», оптимизируя пиксельную согласованность между кадрами. Его преимущества — относительно легкий доступ к данным и высокая реалистичность изображения, он широко используется в генерации видео, фабриках данных, предварительном моделировании сцен и восприятии на фронтенде VLA. Однако для надежного выполнения роботами задач в реальном физическом мире одного лишь понимания языка и визуальной информации недостаточно.
Таким образом, все больше отрасли признают альтернативную парадигму, основанную на моделировании физических законов, с целью достижения «более реалистичного вывода»; ее преимущества — проверяемость, измеримость и возможность поддержки планирования действий. Традиционные промышленные симуляторы (такие как MuJoCo, Isaac Sim) представляют собой «ручной подход» на этом пути — физические законы в значительной степени зависят от инженеров, которые вручную прописывают каждый из них; прогнозы точны, но дороги, а при работе с неправильными формами, гибкими телами и жидкостями затраты на инженерные усилия чрезвычайно высоки.
А Wuyuan Technology следует подходу физических базовых моделей, предлагая «создавать физическую реальность в тензорном мире» с целью научить модель на основе данных законам эволюции физического мира и достичь эффекта «понимания одного и применения к трем» — как у человека:
Например, исходный Transformer не обладает способностью к временному разложению; как заставить модель правильно понимать «время» в физическом мире? Autoformer значительно повысил точность долгосрочного прогнозирования, а TimesNet еще больше сделал временные данные более наглядными и визуализируемыми; например, как заставить модель понимать «пространство»? Uni3D расширил обучение трехмерным представлениям до масштаба в миллиард параметров, позволив модели сформировать понимание объектов, геометрии и пространственных отношений.
На этой основе GeoPT ответил на ключевой вопрос этой области: можно ли выучить «физическую интуицию» в процессе предварительного обучения модели? Ответ — да: он создал метод, позволяющий модели получать переносимые физические представления за счет предварительного обучения с использованием геометрии и синтетической динамики. В задачах промышленного физического моделирования этот подход сократил потребность в размеченных данных на 20–60% и ускорил сходимость до двух раз. Transolver продвинулся дальше, научив модель понимать силы, потоки и деформации в нерегулярных пространствах, что позволяет интерпретировать более сложные физические процессы. EfficientZero позволил агенту прогнозировать будущее на основе выученной модели мира и планировать действия на основе этих прогнозов.
Эти передовые достижения основаны на долгосрочном опыте основателей Wuyuan, которые прошли обучение в таких международных академических учреждениях, как Тсингхуа и MIT. Следуя последовательной логике «временная эволюция — пространственное представление — физические законы — планирование действий», они не просто накапливают отдельные научные статьи, а последовательно исходят из физических законов, чтобы достичь настоящего «высокого физического интеллекта», в итоге сформировав целостный облик физической базовой модели. Кроме того, команда Wuyuan ранее возглавляла продукты с миллионами пользователей и управляла инфраструктурой вычислительных мощностей, включающей сотни тысяч ускорителей, что дало им богатый практический опыт в промышленности. Если академические исследования определяют, насколько далеко может зайти способность модели, то инженерные возможности определяют, может ли модель быть применена в реальных бизнес-сценариях — вместе они составляют «две стороны одной медали» физической базовой модели.
Why is WuYuan Technology favored? The physics-driven paradigm is scarce.
Наблюдаемая техническая линия оригинала почти полностью направлена на решение трех основных проблем физического ИИ: на стороне данных — замена физических меток синтетической динамикой, что значительно снижает зависимость от дорогостоящих реальных данных; на стороне обобщения — глубокое объединение пространственной структуры, временной эволюции и физической динамики, позволяющее модели самостоятельно порождать универсальные физические законы; на стороне внедрения — базовые архитектуры, такие как Autoformer и Transolver, уже широко проверены и приняты промышленностью (например, NVIDIA PhysicsNeMo), что снимает опасения по поводу внедрения ИИ в реальных сценариях.
Редкость этого пересечения — «истинное понимание физических систем + планирование, основанное на моделях мира + инженерная способность масштабировать передовые исследования» — быстро привлекла внимание капитала. После основания в июле компания Wuyuan Technology привлекла более ста миллионов долларов США в течение одного месяца, завершив серии天使 и天使+. Серия天使 возглавлялась Kaihui Capital и Sequoia Capital China, с участием IDG Capital,鼎晖VGC, Starlink Capital и Ant Group. Серия天使+ возглавлялась Ant Group, Hillhouse Capital и Meituan Strategic Investment, с постоянным участием Dacheng Capital, NIO Capital, Jinghe Capital и рядом существующих инвесторов.
Этот список инвесторов также передает много информации: инвестиционное подразделение Meituan с огромным количеством сценариев для конечных пользователей, Ant Group в серьезных промышленных сценариях и NIO Capital в сценариях автономного вождения — все они подтверждают, что подход Wuyuan Technology обладает сильными обобщающими характеристиками и может соответствовать более широкому спектру отраслевых потребностей.
Сегмент мировых моделей уже начал становиться «переполненным», но такие проблемы, как накопление ошибок при долгосрочном прогнозировании, последний разрыв между симуляцией и реальностью, а также унификация стандартов оценки, все еще требуют доработки. Если путь, выбранный Wuyuan Technology, окажется успешным, это означает, что модели действительно приобретут способность понимать функционирование мира и предсказывать последствия действий. Их ценность выйдет далеко за рамки отдельных сценариев, таких как робототехника или автономные автомобили, и потенциально станет фундаментальным стандартом и основой для экосистемы Physical AI, прокладывая путь для будущего перехода ИИ из цифрового мира в физический.
(Источник: Ifnar)
Источник:Показать оригинал
Отказ от ответственности: Информация на этой странице может быть получена от третьих лиц и не обязательно отражает взгляды или мнения KuCoin. Данный контент предоставляется исключительно в общих информационных целях, без каких-либо заверений или гарантий, а также не может быть истолкован как финансовый или инвестиционный совет. KuCoin не несет ответственности за ошибки или упущения, а также за любые результаты, полученные в результате использования этой информации.
Инвестиции в цифровые активы могут быть рискованными. Пожалуйста, тщательно оценивайте риски, связанные с продуктом, и свою устойчивость к риску, исходя из собственных финансовых обстоятельств. Для получения более подробной информации, пожалуйста, ознакомьтесь с нашими Условиями использования и Уведомлением о риске.
