TensorWorld отримала більше $100 млн фінансування протягом місяця після запуску
KuCoinFlashПоділитися
TensorWorld, фізичний стартап з штучним інтелектом, отримав понад $100 млн фінансування на проект лише через місяць після запуску в липні 2026 року. Компанія розробляє фізично-орієнтовану модель ШІ для покращення взаємодії з реальним світом, зосереджуючись на робототехніці, автономному вожденні та промисловому моделюванні. Інвесторами є Kaiwei Fund, Sequoia China, Ant Group та Meituan Strategic Investment. Швидке фінансування підтверджує сильний інтерес до проекту, і очікується, що протягом наступних місяців буде оголошено про запуск токена.
Це один із найгостріших полів битви в індустрії ШІ зараз, оскільки великі мовні моделі сприяють швидкому розвитку інтелекту в цифровому світі — межі можливостей ШІ розширюються до фізичного світу: ембодід-інтелект, автономні автомобілі, промислове моделювання тощо. Але фізичний світ не працює з токенами — він має власні закони: гравітація, тертя, зіткнення, рідини… Складність порівняно з мовою зростає експоненційно.
На цьому складнішому та більш фундаментальному напрямку стартап TensorWorld, заснований лише чотири місяці тому, за місяць отримав фінансування на суму понад 100 мільйонів доларів США. За спробами капіталу стоїть рідкісність, що виникає завдяки їхній здатності поєднувати академічний бекграунд, технологічний підхід та практичну реалізацію.
Які проблеми повинна вирішити галузь?
Наразі в загальній свідомості вважається, що ШІ дуже розумний: він може писати код, знаходити вразливості та навіть вирішувати математичні задачі, що тривали сотні років, але передбачати траєкторії об’єктів у реальному світі та взаємодіяти з ними — це дуже важко зробити на рівні «надійності». Причина в тому, що ШІ ще не розуміє фізичні закони, і перехід від «програмного інтерфейсу» до «фізичного світу» — це абсолютно необхідний етап.
Галузь стикається з надзвичайно строгими умовами для подолання цієї прірви: високоякісні фізичні анотації коштують дуже дорого — один промисловий зразок аеродинамічного симулятора часто вимагає десятків тисяч CPU-годин; дані, зібрані в 100 сценаріях, важко узагальнити на 10 000 невідомих сценаріїв; симулятори важко повністю відтворити тертя та деформації реального світу — згідно зі звітом Stanford HAI, успішність виконання завдань роботами в програмному симуляторі досягає 89,4%, але та сама категорія завдань у реальних домашніх умовах має успішність лише близько 12,4%.
Як компанія WuYuan Technology вирішує цю проблему? Академічний розвиток має чіткий шлях
Наразі світові моделі в галузі можна умовно поділити на дві парадигми: з акцентом на візуальне керування та з акцентом на фізичне керування. Перша є домінуючою в галузі, з відеогенерацією як прикладом; її мета — «виглядати реалістично», а оптимізація зосереджена на піксельній логічності між кадрами. Її переваги — відносно легкий доступ до даних та висока реалістичність зображення, вона широко використовується у відеогенерації, фабриках даних, попередньому перегляді сцен та передньому сприйнятті VLA. Однак для надійного виконання роботами завдань у реальному фізичному світі одного лише мовного та візуального розуміння недостатньо.
Тому все більше галузі визнає іншу парадигму, що зосереджується на моделюванні фізичних законів з метою досягнення «більш реалістичного виведення»; її переваги — перевіряємість, вимірюваність та здатність підтримувати планування дій. Традиційні промислові симулятори (наприклад, MuJoCo, Isaac Sim) є представниками цього підходу — «ремесленного» напрямку, де фізичні закони високо залежать від інженерів, що вручну пишуть кожен закон: прогнози точні, але витратні, а при роботі з нерегулярними формами, гнучкими тілами та рідинами вклади інженерів дуже великі.
А Wuyuan Technology йде шляхом фізичних базових моделей, запропонувавши «створювати фізично правдоподібне у тензорному світі» з метою навчити модель вивчати закони еволюції фізичного світу з даних, досягаючи ефекту «один приклад — три розуміння», як у людини:
Наприклад, оригінальний Transformer не має здатності до розкладання часових рядів — як зробити так, щоб модель правильно розуміла «час» у фізичному світі? Autoformer значно підвищив точність довгострокового прогнозування, а TimesNet ще більше зробив часові дані наочними та візуальними; наприклад, як зробити так, щоб модель розуміла «простір»? Uni3D розширила навчання тривимірних представлень до розміру в мільярд параметрів, дозволивши моделі сформувати уявлення про об’єкти, геометрію та просторові відношення.
На цій основі GeoPT відповів на суттєве питання цієї галузі: чи можна навчити модель фізичній інтуїції під час попереднього навчання? Відповідь — так: вона креативно дозволила моделі отримувати переносні фізичні представлення шляхом об’єднання попереднього навчання з геометрією та синтетичною динамікою. У завданнях промислового фізичного моделювання цей метод зменшив потребу у позначених даних на 20–60% і прискорив збіжність до 2 разів. Transolver далі дозволив моделі розуміти сили, потоки та деформації в нерегулярних просторах, розпізнавати більш складні фізичні еволюції. EfficientZero дозволив агентам передбачати майбутнє на основі навченої моделі світу та планувати дії відповідно до цього.
Ці передові досягнення ґрунтуються на довголітньому досвіді засновників Wuyuan, які походять з таких міжнародно визнаних академічних закладів, як Тсінхуа та MIT. Дотримуючись послідовної логіки «часова еволюція — просторова репрезентація — фізичні закони — планування дій», вони не просто збирають окремі наукові статті, а постійно виходять із фізичних законів, щоб досягти справжньої «вищої фізичної інтелектуальності», що в кінцевому підсумку сформувало цілісний контур фізичного базового моделю. Крім того, раніше команда Wuyuan керувала продуктами з мільйонами користувачів та інфраструктурою обчислювальних потужностей з десятками тисяч прискорювачів, що надає їй багатий досвід реальних промислових застосувань. Якщо академічні дослідження визначають, наскільки далеко може зайти здатність моделі, то інженерні здібності визначають, чи може модель бути застосована у реальних бізнес-сценаріях — разом вони утворюють «дві сторони єдиного цілого» фізичного базового моделю.
Чому фізичні технології викликають інтерес? Фізичний підхід має рідкісність
Технологічний шлях Observa-Original майже повністю вирішує три головні проблеми фізичного ІІ: на стороні даних — використання синтетичної динаміки замість фізичних міток, що значно зменшує залежність від дорогих реальних даних; на стороні узагальнення — глибоке поєднання просторової структури, часових змін і фізичної динаміки, що дозволяє моделі самостійно виникати загальним фізичним законам; на стороні застосування — базові архітектури, такі як Autoformer і Transolver, вже широко підтверджені й прийняті промисловістю (наприклад, NVIDIA PhysicsNeMo), що зменшує занепокоєння щодо застосування ІІ у реальних сценаріях.
Рідкісність поєднання «справжнього розуміння фізичних систем + планування, що ґрунтується на моделях світу, + інженерної здатності масштабувати передові дослідження» швидко привернула увагу капіталу. Після заснування в липні компанія Wuyuan Technology протягом місяця успішно закрила серії фінансування «ангельська» та «ангельська+» на суму понад 100 мільйонів доларів США. У серії «ангельська» головними інвесторами стали Kairui Capital та Sequoia Capital China, а супутніми — IDG Capital,鼎晖VGC, Starlink Capital та Ant Group. У серії «ангельська+» головними інвесторами стали Ant Group, Hillhouse Capital та Meituan Strategic Investment, а супутніми — Dacheng Capital, NIO Capital, Jinghe Capital та кілька існуючих акціонерів.
Цей список інвесторів також передає багато інформації: інвестиційний підрозділ Meituan з великою кількістю C-бокових сценаріїв, Ant Group з серйозними промисловими сценаріями та NIO Capital зі сценаріями автономного вождення — усі вони підтверджують, що підхід Wuyuan Technology має сильні універсальні риси і може відповідати ширшому спектру галузевих потреб.
Гонка у сфері світових моделей вже почала ставати «переповненою», але проблеми, такі як накопичення похибок у довготривалих прогнозах, останній шлях між симуляцією та реальністю, та уніфікація стандартів оцінки, все ще потребують вдосконалення. Якщо підхід Wuyuan Technology виявиться успішним, це означатиме, що моделі справді зможуть розуміти функціонування світу та передбачати наслідки дій — їхня цінність вийде за межі окремих сценаріїв, таких як робототехніка чи автономні транспортні засоби, і стане фундаментальним стандартом та основою для екосистеми Physical AI, прокладаючи шлях для майбутнього переходу штучного інтелекту з цифрового світу у фізичний.
(Джерело: Ifnar)
Джерело:Показати оригінал
Відмова від відповідальності: Інформація на цій сторінці може бути отримана від третіх осіб і не обов'язково відображає погляди або думки KuCoin. Цей контент надається лише для загального інформування, без будь-яких запевнень або гарантій, а також не може розглядатися як фінансова або інвестиційна порада. KuCoin не несе відповідальності за будь-які помилки або упущення, а також за будь-які результати, отримані в результаті використання цієї інформації.
Інвестиції в цифрові активи можуть бути ризикованими. Будь ласка, ретельно оцініть ризики продукту та свою толерантність до ризику, виходячи з ваших власних фінансових обставин. Для отримання додаткової інформації, будь ласка, зверніться до наших Умов використання та Розкриття інформації про ризики.
