JuliaHub 获 6500 万美元 B 轮融资：推出“物理世界版 Claude Code”，将工业设计周期从数月压缩至数天
当 AI 编程助手 Claude Code 正在改变软件工程师的工作流时，一家名为 JuliaHub 的初创公司正试图将同样的“自主智能体”逻辑带入物理世界——用 6500 万美元 B 轮融资和一款名为 Dyad 3.0 的平台，向工业仿真领域发起一场静悄悄的革命。
6500 万美元 B 轮：一场迟到的“物理世界”豪赌
2025 年 3 月，JuliaHub 宣布完成 6500 万美元的 B 轮融资，由 Dorilton Capital 领投，General Catalyst、AE Ventures 以及前 Snowflake CEO Bob Muglia 跟投。这笔融资发生在 AI 投资热潮从“软件即服务”向“物理世界智能化”迁移的微妙节点——过去一年，全球工业 AI 领域的融资总额已超过 120 亿美元，但真正能落地到“从设计到验证”全流程的平台寥寥无几。
Bob Muglia 的加入尤其值得玩味。这位前 Snowflake CEO 在数据基础设施领域拥有深厚经验，而 JuliaHub 的核心挑战恰恰在于：如何让工业仿真数据像 Snowflake 处理结构化数据一样，变得可复用、可编排、可自动化。Muglia 在公告中直言：“JuliaHub 正在将 AI 从代码助手扩展到物理世界的建模与仿真，这是下一个万亿级市场。”
Dorilton Capital 的领投则暗示了 JuliaHub 的“硬核”底色——这家专注于工业技术投资的基金，此前曾押注过多家高端制造和仿真软件公司。对于 JuliaHub 而言，这笔资金将主要用于 Dyad 平台的规模化部署和行业生态建设，而非简单的烧钱获客。
Dyad 3.0：为什么它是“物理世界的 Claude Code”？
JuliaHub 在融资同期发布的 Dyad 3.0 平台，被其 CEO 直接定义为“Claude Code for the physical world”。这个类比并非营销话术：Claude Code 让软件工程师通过自然语言指令自动生成、调试和优化代码；Dyad 3.0 则让工程团队通过自主 AI 智能体，完成工业系统的建模、仿真、验证和优化全流程。
具体而言，Dyad 3.0 的核心能力包括：
– 自主建模：AI 智能体根据工程师输入的物理参数和约束条件，自动生成多物理场仿真模型（如热力学、流体力学、电磁场耦合）。
– 智能仿真：系统在云端并行运行数千个仿真变体，自动筛选最优设计方案，而非传统的人工试错。
– 验证闭环：AI 智能体将仿真结果与真实测试数据对比，自动修正模型参数，形成“设计-仿真-验证”的迭代闭环。
这意味着，原本需要工程师团队花费数月完成的设计验证周期，被压缩到数天甚至数小时。以航空航天领域的翼型优化为例，传统 CFD（计算流体动力学）仿真一个案例需要 3-5 天，而 Dyad 3.0 可以在 48 小时内完成 500 个变体的并行仿真并输出最优解。
从“代码”到“物理”：JuliaHub 的差异化壁垒
在 AI 工业仿真赛道，JuliaHub 并非唯一玩家。Ansys 的 SimAI、Siemens 的 Xcelerator、以及一众初创公司（如 Rescale、OnScale）都在争夺同一块蛋糕。但 JuliaHub 的差异化在于两点：
1. 语言生态的“降维打击”：JuliaHub 的核心技术栈基于 Julia 语言——这种由 MIT 开发的高性能动态语言，天然适合数值计算和并行仿真。相比 Python 在工业仿真中的性能瓶颈（如全局解释器锁 GIL），Julia 的 JIT 编译和元编程能力让 Dyad 平台能够实现“接近 C++ 的性能，却拥有 Python 的易用性”。
2. 智能体编排的“黑盒”能力：Dyad 3.0 的 AI 智能体并非简单的 LLM 封装，而是集成了物理信息神经网络（PINNs）和贝叶斯优化算法。这意味着智能体能够理解物理定律的约束，而非仅靠数据驱动——这在航空航天、核能等对安全要求极高的领域至关重要。
一位不愿具名的汽车工程师透露：“我们尝试过用通用 LLM 进行仿真参数优化，结果模型直接建议了一个违反热力学第二定律的设计。Dyad 的物理约束机制让这种荒谬错误几乎不可能发生。”
Fortune 100 的“隐形客户”：商业模式与隐性成本
JuliaHub 目前服务于多家 Fortune 100 企业，覆盖航空航天、政府国防、汽车制造、暖通空调（HVAC）和公用事业等领域。其商业模式并非传统的软件授权，而是“平台订阅+按需算力”的混合模式：
– 基础订阅：每年 15 万-50 万美元，提供 Dyad 平台访问权限和 1000 核小时的云端算力。
– 企业定制：对于需要私有化部署或定制化智能体模型的大客户，年费可达 200 万美元以上，并附加数据安全合规服务。
然而，这种模式存在隐性成本：客户需要将大量历史仿真数据和测试数据迁移到 JuliaHub 的云端平台，而数据迁移本身可能耗费数月时间。一位制造业客户抱怨：“我们花了 6 个月才把过去 10 年的风洞测试数据整理成平台可用的格式，这期间我们还在支付订阅费。”
JuliaHub 的 CEO 对此回应：“我们正在开发自动化数据迁移工具，目标是让客户在 2 周内完成数据接入。”但截至发稿，该工具尚未正式发布。
竞争壁垒的“阿喀琉斯之踵”：开源与人才困境
尽管 JuliaHub 在技术和商业上取得了初步成功，但其长期竞争壁垒面临两个潜在威胁：
1. 开源生态的侵蚀：Julia 语言本身是开源的，这意味着任何竞争对手都可以基于 Julia 构建类似的仿真平台。事实上，由 MIT 衍生出的 JuliaSim（JuliaHub 的开源版本）已经吸引了部分中小型工程团队。JuliaHub 的护城河更多在于 Dyad 平台的智能体编排和行业知识库，而非底层语言——一旦竞争对手通过开源社区复制这些能力，JuliaHub 的溢价空间将被压缩。
2. 人才稀缺性：同时精通 Julia 语言、物理仿真和 AI 智能体的工程师全球不足 5000 人。JuliaHub 目前拥有约 200 名员工，其中 60% 是研发人员。为了争夺人才，公司不得不提供高于行业平均 30% 的薪资，这直接拉高了其运营成本——根据估算，JuliaHub 的年度人力成本超过 4000 万美元，约占 B 轮融资额的 60%。
