TensorWorld, kuruluşundan bir ay içinde 100 milyon doların üzerinde finansman sağladı
KuCoinFlashPaylaş
TensorWorld, fiziksel bir yapay zeka startup'ı, Temmuz 2026'da başlatıldıktan bir ay sonra projeye 100 milyon doların üzerinde fon topladı. Şirket, gerçek dünya makine etkileşimini geliştirmek için fizik temelli bir yapay zeka modeli geliştiriyor ve hedefleri robotik, otonom sürüş ve endüstriyel simülasyon. Yatırımcılar arasında Kaiwei Fonu, Sequoia Çin, Ant Group ve Meituan Stratejik Yatırım yer alıyor. Hızlı fon toplama, projeye olan güçlü ilgiyi gösteriyor ve önümüzdeki aylarda potansiyel bir token başlatımı haberi bekleniyor.
Bu, şu anda AI endüstrisinin en yoğun savaş alanlarından biri; büyük dil modellerinin dijital dünyada akıllılığı hızla ilerletmesiyle birlikte, AI'nın yetenek sınırları fiziksel dünyaya doğru genişliyor—vücutlu akıl, otomatik sürüş, endüstriyel simülasyon vb. Ancak fiziksel dünya tokenlere göre hareket etmez; kendi yasalarına sahiptir: yerçekimi, sürtünme, çarpışma, akışkanlar... Zorluk, dil karşılaştırıldığında üssel şekilde artar.
Daha zor ve daha temel bir yarışta, sadece dört aydır var olan TensorWorld物原科技, bir ay içinde yüz milyon dolarlık finansman aldı. Sermayenin bu yatırımı, şirketin "akademik arka plan + teknik yol + uygulama tekrarı" yeteneğinden kaynaklanan nadirlik üzerine kuruludur.
Sektörün çözmesi gereken sorunlar nelerdir?
Şu anda genel algıda, AI çok akıllı görünüyor, kod yazabiliyor, açıklar bulabiliyor ve hatta yüzlerce yıldır insanlığı meşgul eden matematiksel sorunları çözebiliyor; ancak robotların gerçek dünya nesnelerinin yörüngelerini tahmin etmesi ve bunlarla etkileşime geçmesi, “güvenilir” seviyeye ulaşmakta zorlu. Nedeni, AI'nın fizik yasalarını anlamaması; onu “yazılım arayüzü”nden “fiziksel dünyaya” taşımak, kaçınılmaz bir engel.
Endüstri, bu boşluğu aşmak için aşırı zor koşullarla karşı karşıya: yüksek doğrulukta fiziksel etiketlenmiş veriler inanılmaz derecede pahalı; bir endüstriyel aerodinamik simülasyon örneği genellikle on binlerce CPU saati gerektirir; 100 senaryoda toplanan veriler, 10.000 bilinmeyen senaryoya genelleştirilemez; simülatörler, gerçek dünyadaki sürtünmeyi ve deformasyonu tam olarak yeniden oluşturamaz; Stanford HAI raporuna göre, robotların yazılım simülasyonundaki görev başarı oranları %89,4 olabilir, ancak aynı türdeki görevlerin gerçek ev ortamlarındaki başarı oranları sadece yaklaşık %12,4'tür.
MateriOrigin Technology bu sorunu nasıl çözer? Akademik gelişim net bir yol izler.
Şu anda endüstrideki dünya modelleri genellikle görsel odaklı ve fizik odaklı olmak üzere iki paradigma ile sınıflandırılabilir. İlkisi, video üretimi ile temsil edilen endüstrinin ana akımıdır ve amacı "gerçekçi görünmek", optimize edilen şey ise arka arkaya kareler arasındaki piksel mantıklılığıdır; avantajları veri elde etmenin nispeten kolay olması ve gerçekçi görüntüler sunmasıdır ve genellikle video üretimi, veri fabrikası, sahne önizlemesi ve VLA ön algılama için kullanılır. Ancak robotların gerçek fiziksel dünyada güvenilir bir şekilde görevleri yerine getirebilmesi için sadece dil ve görsel anlama yeterli değildir.
Bu nedenle, fiziksel yasalara dayalı modelleme odaklı olan başka bir paradigmalar, endüstride giderek daha fazla kabul görmektedir; amacı “daha gerçekçi çıkarımlar yapmak” ve avantajları doğrulanabilirlik, ölçülebilirlik ve eylem planlamayı desteklemektir. Geleneksel endüstriyel simülasyon yazılımları (MuJoCo, Isaac Sim gibi) bu yoldaki “el emeği” yaklaşımıdır—fizik yasaları mühendisler tarafından tek tek elle yazılır, tahminler hassastır ancak maliyetlidir ve düzensiz şekiller, esnek cisimler, akışkanlarla karşılaşıldığında mühendislik çabası çok yüksektir.
而物原科技,走的就是物理基础模型的路线,他们提出“在张量世界中,构建物理真实”,目标是让模型从数据中学习物理世界的演化规律,像人类一样达到“举一反三”的效果:
Örneğin, orijinal Transformer'ın zaman serisi ayrıştırma yeteneği yoktur, modelin fiziksel dünyadaki “zaman” kavramını doğru şekilde anlaması nasıl sağlanır? Autoformer, uzun zaman serisi tahminlerinin doğruluğunu büyük ölçüde artırırken, TimesNet zaman verilerini daha da görsel ve anlaşılır hale getirir; başka bir örnek olarak, modelin “uzay” kavramını nasıl anlayacağı? Uni3D, üç boyutlu temsil öğrenimini milyarlarca parametre ölçeğine genişleterek modelin nesneler, geometri ve uzaysal ilişkiler konusunda bir kavrayış geliştirmesini sağlar.
Bu temel üzerinde GeoPT, bu alandaki temel soruyu yanıtladı — “fiziksel sezgi” modelin ön eğitimiyle kazanılabilir mi? Cevap evet; GeoPT, modelin geometri ve sentetik dinamiklerin ön eğitimiyle taşınabilir fiziksel temsiller elde etmesini yaratıcı bir şekilde sağlıyor ve endüstriyel fizik simülasyon görevlerinde etiketli veri gereksinimini %20 ile %60 azaltıyor ve yakınsama hızını en fazla iki katına çıkarıyor. Transolver, modelin düzensiz uzaydaki kuvvetleri, akışları ve deformasyonları anlamasını sağlayarak daha karmaşık fiziksel evrimleri anlamasını sağlıyor. EfficientZero ise ajanın öğrenilen dünya modeli üzerinden geleceği simüle etmesini ve buna göre plan yapmasını sağlıyor.
Bu öncü başarıları destekleyen, Tsinghua ve MIT gibi uluslararası üst düzey akademik kurumlar arasında uzun yıllar birikim kazanmış Wuyuan'un kurucu ekibidir. “Zaman evrimi—uzaysal temsil—fiziksel yasalar—hareket planlama” sıralı ana hattını takip ederek, yalnızca izole makaleler biriktirmek yerine, fiziksel yasalardan yola çıkarak gerçek bir “yüksek seviyeli fiziksel zeka” gerçekleştirmeyi amaçlamışlardır ve bu da fiziksel temel modelin tam bir çatısını oluşturmuştur. Ayrıca, Wuyuan ekibi daha önce milyonlarca kullanıcıya sahip ürünlerin liderliğini üstlenmiş, on binlerce hızlandırıcı karttan oluşan hesaplama altyapısını yönetmiş ve zengin endüstriyel uygulama deneyimine sahiptir. Akademik araştırma, modelin ne kadar ileri gidebileceğini belirliyorsa, mühendislik yetkinliği, modelin gerçek iş senaryolarında kullanılabilir olup olmadığını belirler; ikisi de fiziksel temel modelin “iki yüzü”nü oluşturur.
Fiziksel Veri Teknolojisi neden tercih ediliyor? Fiziksel temelli yaklaşım nadirdir.
Gözlem nesnesinin teknik yolu, fiziksel AI'nın üç ana sorununa neredeyse tam olarak odaklanıyor: Veri tarafında, maliyetli gerçek verilere olan bağımlılığı büyük ölçüde azaltmak için sentetik dinamikler kullanılıyor; Genelleştirme tarafında, uzaysal yapı, zamansal evrim ve fiziksel dinamikler derin bir şekilde entegre edilerek modelin kendi kendine genel fiziksel kuralları ortaya çıkarması sağlanıyor; Uygulama tarafında, Autoformer, Transolver gibi temel mimariler endüstride geniş çapta doğrulanmış ve benimsenmiştir (örneğin NVIDIA PhysicsNeMo), bu da AI'nın gerçek senaryolarda uygulanması konusundaki endişeleri gideriyor.
Fiziksel sistemlere gerçek anlayış + dünya modeli temelli planlama yeteneği + öncü araştırmaları ölçeklenebilir mühendislik çözümleriyle hayata geçirme yeteneği bu kesişimin nadirliği, kısa sürede sermaye ilgisini çekti. Temmuz'da kurulduktan sonra, WuYuan Technology bir ay içinde angel ve angel+ sermaye toplama döngülerini tamamladı; angel sermaye döngüsünde Kaihui Capital ve Sequoia Capital Çin ortak liderlik yaptı, IDG Capital,鼎晖VGC, Xinglian Capital ve Ant Group ortak olarak yer aldı; angel+ sermaye döngüsünde Ant Group, Hillhouse Capital ve Meituan Strategic Investment ortak liderlik yaptı, Dacheng Capital, NIO Capital, Jinghe Capital ve birden fazla eski hissedar sürekli olarak katıldı.
Bu sermaye toplama listesi aynı zamanda birçok bilgiyi de iletmektedir: Meeitun'un büyük C-tarafı senaryoları, Ant Group'un ciddi endüstriyel senaryoları ve Nio Capital'in otonom sürüş senaryoları, Wu Yuan Teknoloji'nin yolunun güçlü genelleştirilebilir bir yapıya sahip olduğunu ve daha geniş endüstri ihtiyaçlarına uygun olduğunu kanıtlamaktadır.
Dünya modeli yarışması artık “kalabalık” hale gelmeye başlamıştır, ancak uzun zaman serisi tahminlerindeki hata birikimi, simülasyon ile gerçek arasındaki son mesafe ve değerlendirme standartlarının birleştirilmesi gibi sorunlar hâlâ çözülmemiştir. Wu Yuan Teknoloji'nin yolu bir kez başarıyla izlense, modelin dünyanın işleyişini anlama ve eylemlerin sonuçlarını önceden tahmin etme yeteneğine sahip olduğu anlamına gelir; bu değer, robotik veya otonom araçlar gibi tekil senaryolara sınırlı kalmaz, fiziksel AI ekosisteminin temel standardı ve temeli haline gelme potansiyeline sahiptir ve gelecekteki AI'nın dijital dünyadan fiziksel dünyaya geçişini kolaylaştırır.
(Kaynak: Ifnar)
Kaynak:Orijinalini göster
Yasal Uyarı: Bu sayfadaki bilgiler üçüncü şahıslardan alınmış olabilir ve KuCoin'in görüşlerini veya fikirlerini yansıtmayabilir. Bu içerik, herhangi bir beyan veya garanti olmaksızın yalnızca genel bilgilendirme amacıyla sağlanmıştır ve finansal veya yatırım tavsiyesi olarak yorumlanamaz. KuCoin, herhangi bir hata veya eksiklikten veya bu bilgilerin kullanımından kaynaklanan sonuçtan sorumlu değildir.
Dijital varlıklara yapılan yatırımlar riskli olabilir. Lütfen bir ürünün risklerini ve risk toleransınızı kendi finansal koşullarınıza göre dikkatlice değerlendirin. Daha fazla bilgi için lütfen Kullanım Koşullarımıza ve Risk Açıklamamıza bakınız.
