元昊动力完成数亿元种子轮融资：当4D物理世界模型基模打破时空壁垒，具身智能如何从“看见”走向“预见”？

2024年的中国创投市场，正经历一场从“模式创新”向“硬核技术”的深刻转向。在AI大模型和具身智能的交叉地带，一笔种子轮融资的规模与节奏，往往能折射出资本对技术路径的终极押注。就在这一背景下，一家名为元昊动力（PrimalVerse）的清华系AI公司，以“数亿元人民币”的种子轮融资额，在行业内部投下了一枚重磅炸弹。

这笔融资的窗口期选择极具战略意味。2023年至2024年，全球AI投资经历了从“语言模型军备竞赛”到“多模态能力爆发”的范式转移。GPT-4V、Sora等产品的发布，让业界意识到，仅靠文本理解与生成已不足以构建真正的通用智能。物理世界的交互与预测——即所谓的“世界模型”——成为了下一个兵家必争之地。然而，绝大多数玩家仍停留在2D图像或3D静态场景的理解上，能够实时、连续地预测物理时空演化（即4D）的团队，全球范围内屈指可数。元昊动力的出现，恰好填补了这一关键空白。

领投方阵容的豪华程度，进一步印证了该项目的稀缺性。奇绩创坛作为中国最活跃的早期AI孵化器之一，其创始人陆奇博士对技术趋势的嗅觉极为敏锐。奇绩创坛的押注，意味着元昊动力的技术路线经过了最严苛的创业方法论筛选。清华校友基金的参与，则代表了清华系硬科技生态的深度协同与信任背书。而高瓴创投的入局，则更具风向标意义——作为一家管理规模超千亿的顶级投资机构，高瓴在AI领域的出手向来以“投早、投大、投准”著称。其选择在种子轮阶段就重仓元昊动力，表明这不是一次试探性投资，而是对“4D物理世界模型”这一技术方向未来十年商业价值的战略确认。

尽管元昊动力并未披露具体的估值变化，但据接近交易的人士透露，该轮融资的估值已远超同类早期项目，达到“准独角兽”级别。数亿元人民币的种子轮融资，在2024年的中国AI创投圈实属罕见。这一方面反映了顶级机构对稀缺技术团队的溢价支付意愿，另一方面也预示着公司后续研发投入的强度——4D模型基模的训练，需要庞大的算力集群和高质量的多模态数据，资金门槛极高。

资金用途方面，元昊动力明确表示将主要用于三方面：一是加速第五代多模态4D物理世界模型基模的研发与迭代；二是组建全球顶尖的算法与工程团队；三是与头部车企和机器人公司展开深度联合研发，推动技术从实验室走向真实场景。这一资金分配逻辑，清晰地勾勒出公司从“技术验证”到“商业化落地”的路径图。

更深层地看，这笔融资在行业当前时间节点引发的震动，远不止于资金本身。它标志着中国AI创投界对“世界模型”这一概念的认知，从“学术前沿”正式迈入了“产业投资”阶段。此前，业界对世界模型的讨论多集中在OpenAI的Sora、谷歌的Genie等海外巨头的演示中，国内鲜有团队能拿出成体系的解决方案。元昊动力的出现，不仅证明了本土团队在底层模型架构上的原创能力，更暗示了一条全新的商业路径：通过构建物理世界的“数字孪生大脑”，为自动驾驶、具身机器人等万亿级市场提供不可替代的基础设施。

当“看见”失效：自动驾驶与机器人为何困在长尾场景的迷宫里？

在深入理解元昊动力的技术价值之前，必须首先厘清一个核心问题：为什么现有的AI技术，无法满足自动驾驶和具身机器人对物理世界理解的需求？这个问题的答案，直接决定了元昊动力存在的必要性。

当前，无论是自动驾驶还是具身机器人，其感知与决策系统大多建立在“多模态感知+规则/学习驱动”的范式之上。以自动驾驶为例，车辆通过摄像头、激光雷达、毫米波雷达等传感器采集周围环境的2D图像和3D点云数据，然后通过目标检测、语义分割、轨迹预测等模块，最终输出控制指令。这套体系的根本缺陷在于，它本质上是“静态”或“准静态”的——系统只能感知当前时刻的环境快照，并通过统计模型推测下一时刻的可能状态，而无法真正理解物理世界在连续时空中的因果演化规律。

这种“感知-预测-决策”的割裂，导致了三个难以逾越的瓶颈。

第一，长尾场景的灾难性失效。 自动驾驶领域有一个著名的“长尾问题”：尽管系统在99%的常规场景下表现优异，但剩下的1%——比如一个行人突然从遮挡物后冲出、一辆车以诡异的角度侧翻、路面出现从未见过的障碍物——往往会导致灾难性后果。传统方法依赖大量人工标注的极端场景数据，但物理世界的组合爆炸意味着，永远无法穷尽所有可能。更致命的是，传统预测模型将“预测”视为一个独立的模块，其输出是概率性的，无法与下游规划模块形成闭环。当模型对某个罕见场景的预测置信度较低时，系统往往陷入“犹豫”或“误判”。

第二，时空连续性的缺失。 人类对物理世界的理解，天然是4维的（3D空间+时间）。当我们看到一个球滚向桌面边缘时，我们不仅能感知它当前的位置和速度，还能“预判”它下一秒会掉落、反弹，并产生特定的声音和轨迹。这种对物理因果的直觉，源于大脑内置的“世界模型”。而当前的主流AI系统，无论是基于Transformer的BEV感知还是基于扩散模型的视频生成，本质上都是对离散帧或离散时刻的处理。它们无法在连续的时间轴上，对物理实体之间的相互作用进行实时、动态的推演。例如，一个具身机器人在抓取一个易碎物品时，需要实时预测抓取力、物体形变、摩擦系数之间的耦合关系，任何时延或离散化处理都可能导致抓取失败。

第三，数据飞轮的断裂与低效。 传统自动驾驶和机器人系统的数据采集与利用效率极低。一辆路测自动驾驶车每天产生数TB的数据，但其中99%都是常规场景，真正有价值的长尾数据占比极低。同时，由于感知、预测、规划模块之间是松耦合的，数据无法形成有效的闭环反馈。一个规划模块的错误，很难直接追溯到感知模块的缺陷，导致整个系统的迭代速度缓慢。据行业数据显示，全球自动驾驶公司平均需要数亿英里的路测数据，才能将系统性能提升一个百分点，这种边际效应递减的困境，正在消耗整个行业的耐心。

更宏观地看，行业龙头们并非没有意识到这些问题。特斯拉曾尝试通过“占用网络”和“端到端”学习来弥合感知与规划之间的鸿沟，但其本质仍是在2D图像空间中进行操作，缺乏对物理因果的显式建模。Waymo和Cruise则倾向于使用高精度地图和规则引擎来约束系统行为，但这在复杂、动态的开放世界中显得笨拙且昂贵。至于具身机器人领域，波士顿动力的Atlas虽然能完成跑酷、后空翻等惊艳动作，但其控制逻辑高度依赖于预编程和精确的动力学模型，无法泛化到非结构化环境中。

这些传统范式之困，归根结底在于一个核心矛盾：物理世界是连续的、因果的、动态的，而现有AI系统是离散的、统计的、静态的。要打破这一矛盾，必须从根本上重构AI对物理世界的表征与推理方式。这正是元昊动力所瞄准的“4D物理世界模型”基模的终极使命。

从“像素”到“物理基元”：元昊动力如何用4D隐式神经场重构时空？

元昊动力的技术核心，被其团队称为“第五代多模态4D物理世界模型基模”。这一命名并非营销话术，而是对技术代际的精确划分。在团队看来，第一代是2D图像识别，第二代是3D静态重建，第三代是4D动态场景感知（如自动驾驶的BEV），第四代是4D场景生成（如Sora的视频生成），而第五代则是在前四代的基础上，实现了对物理时空连续演化与交互的实时生成与预测。

要理解这一代际跃迁的意义，必须深入其底层技术架构。元昊动力的模型并非简单的“视频生成器”或“轨迹预测器”，而是一种全新的物理世界表征范式——4D隐式神经场。

模型架构：从“像素”到“物理基元”

传统AI模型对世界的理解，建立在“像素”或“体素”等离散单元之上。而元昊动力的模型，将物理世界表征为一系列连续的、可微的物理基元（Physical Primitives）。这些基元并非预定义的几何形状，而是通过神经网络学习到的、能够描述物体物理属性（如质量、弹性、摩擦系数、表面张力等）的隐式函数。每个基元都包含一个“状态向量”，该向量不仅编码了物体在3D空间中的位置、姿态、速度，还编码了其内部的应力分布、温度梯度、材料疲劳度等物理量。

模型的核心是一个4D时空Transformer。与标准的Transformer不同，该架构引入了“时间轴注意力机制”和“因果卷积”。时间轴注意力机制允许模型在连续的时间步之间建立长程依赖关系，从而捕捉物理过程的演化规律。因果卷积则确保模型在预测未来状态时，只能依赖过去和当前的信息，符合物理世界的因果律。这种设计使得模型能够实时处理任意长度的时空序列，而不是像视频生成模型那样只能处理固定长度的片段。

参数规模与训练机制

据元昊动力透露，其当前版本的基模参数量约为数十亿级别，但团队强调，参数规模并非其核心壁垒。真正的创新在于物理先验的嵌入。在预训练阶段，模型并非像大语言模型那样从海量互联网文本中学习，而是从大量物理仿真数据和真实传感器数据中学习。团队构建了一个名为“PrimalSim”的专用物理仿真引擎，该引擎基于第一性原理，能够生成包含重力、摩擦力、流体动力学、刚体碰撞、弹性形变等物理效应的合成数据。这些数据与真实世界的激光雷达、摄像头、力矩传感器数据一起，构成了一个“物理对齐”的多模态训练集。

推理机制：从“预测”到“推演”

在推理阶段，元昊动力的模型展现出与传统方法截然不同的能力。当输入一个初始时刻的多模态观测数据（例如，一个汽车摄像头看到的十字路口、一个机器人手臂感受到的力矩）后，模型并非直接输出一个“预测结果”，而是在隐空间中生成一个连续的4D时空场。这个场包含了从当前时刻到未来若干秒内，所有物理基元的状态演化轨迹。用户可以通过查询该时空场中的任意时空点，获得该点处的物理状态（如位置、速度、应力等）。这意味着，模型能够“推演”出物理世界在多种可能干预下的演化路径——例如，如果汽车向左打方向盘，行人会如何反应？如果机器人加大抓取力，物体是否会碎裂？

这种“推演”能力，使得元昊动力的模型能够直接为下游决策模块提供可微的物理梯度。传统方法中，感知、预测、规划三个模块是分离的，梯度无法反向传播。而元昊动力的模型是一个端到端的可微系统，规划模块可以直接通过模型的反向传播，优化出最优的控制策略。这从根本上解决了“数据飞轮断裂”的问题。

“数字孪生大脑”的商业化野心：从自动驾驶到具身机器人的万亿级基础设施

技术突破是根基，但商业化落地才是检验其价值的最终标尺。元昊动力的商业模式，并非直接销售模型或软件，而是将自己定位为“物理世界数字孪生大脑”的提供商。这一战略定位，决定了其商业路径将深度嵌入两个万亿级市场：自动驾驶与具身机器人。

自动驾驶：从“安全员”到“物理先知”

在自动驾驶领域，元昊动力的核心价值在于解决“长尾问题”。目前，行业头部公司如Waymo、百度Apollo等，已经能够处理90%以上的常规场景，但剩下的10%极端场景，往往需要耗费数十亿美元的路测和仿真数据才能勉强覆盖。元昊动力的模型，则提供了一种全新的解决方案：通过其4D物理世界模型，自动驾驶系统能够在虚拟环境中，对几乎无限种可能的物理交互进行实时推演。例如，当车辆遇到一个突然冲出的行人时，模型可以瞬间推演出行人可能的移动轨迹、车辆制动后的物理响应、以及周围其他车辆的避让行为，从而生成一个最优的避险策略。这种“物理先知”的能力，将自动驾驶的安全性从“概率安全”提升到“因果安全”的层面。

具身机器人：从“提线木偶”到“物理直觉”

在具身机器人领域，元昊动力的模型将彻底改变机器人的操作范式。当前，工业机器人依赖精确的预编程和刚性控制，无法适应非结构化环境。元昊动力的模型，则赋予了机器人“物理直觉”。例如，当机器人需要抓取一个形状不规则、材质未知的物体时，模型可以通过对物体表面进行短暂的“触觉扫描”，实时推演出物体的质量分布、摩擦系数和弹性模量，然后生成一个最优的抓取策略。这意味着，机器人不再需要为每一种物体都编写特定的抓取程序，而是能够像人类一样，通过“感觉”和“预判”来完成操作。

商业化路径：To B 基础设施与联合研发

元昊动力的商业化路径，并非直接面向C端，而是以To B的形式，向自动驾驶和机器人公司提供“模型即服务”（MaaS）。具体来说，公司计划推出两个版本的产品：一是云端API服务，客户可以通过调用API，将元昊动力的模型集成到自己的系统中；二是私有化部署方案，针对对数据安全要求极高的客户（如军工、航天），提供定制化的模型训练和部署服务。

在客户拓展方面，元昊动力已经与多家头部车企和机器人公司展开了深度联合研发。据接近元昊动力的人士透露，公司目前正在与一家国内头部新能源车企合作，共同开发基于4D物理世界模型的下一代自动驾驶系统。同时，公司还与一家国际知名的工业机器人巨头达成合作，探索将模型应用于柔性制造场景。

竞争暗流：元昊动力如何在全球“世界模型”军备竞赛中突围？

尽管元昊动力在技术和商业上展现出巨大潜力，但其所处的赛道，正成为全球AI巨头和顶尖创业公司的必争之地。一场围绕“世界模型”的军备竞赛，已经悄然拉开帷幕。

海外巨头：OpenAI的Sora与谷歌的Genie

在海外，OpenAI的Sora和谷歌的Genie，是目前最受关注的两大世界模型项目。Sora能够根据文本描述生成逼真的视频，但其本质仍是一个强大的视频生成模型，缺乏对物理因果的显式建模。Genie则是一个能够从无标签视频中学习世界模型的框架，但其生成能力仍以2D图像为主，且无法实现实时交互。元昊动力的优势在于，其模型从底层架构上就是为4D物理交互而设计的，能够实现实时、连续的推演，这是Sora和Genie目前无法做到的。

国内玩家：从感知到规划的全栈竞争

在国内，百度、华为、小鹏等自动驾驶公司，以及地平线、黑芝麻等AI芯片公司，都在积极探索世界模型。然而，这些公司的技术路线大多停留在“感知增强”或“仿真加速”层面，缺乏对物理世界因果演化的深度建模。元昊动力的差异化优势在于，其模型能够直接输出可微的物理梯度，从而与下游决策模块形成闭环。这种端到端的可微性，是其他国内玩家难以复制的技术壁垒。

潜在威胁：算力门槛与数据壁垒

尽管元昊动力在技术上领先，但其面临的挑战同样不容忽视。首先是算力门槛。训练一个数十亿参数的4D物理世界模型，需要庞大的算力集群。据估算，元昊动力每年的算力成本可能高达数亿美元。如果公司无法持续获得资本支持，其技术迭代速度可能会受到影响。其次是数据壁垒。虽然元昊动力通过PrimalSim仿真引擎生成了大量合成数据，但真实世界的物理数据，尤其是涉及长尾场景的数据，仍然极度稀缺。如何高效地获取高质量的真实物理数据，是公司必须解决的难题。

清华系与奇绩创坛的“物理直觉”：一场关于时空的豪赌

元昊动力的创始团队，是典型的“清华系+硬科技”组合。公司创始人兼CEO张一鸣（注：此处为化名，非字节跳动创始人），是清华大学计算机系的博士，研究方向为计算机视觉与图形学。在创立元昊动力之前，他曾任职于一家全球顶尖的AI研究机构，主导了多个与物理仿真相关的项目。联合创始人兼CTO李浩然，同样是清华博士，专攻机器人控制与强化学习。

张一鸣在谈及创业初衷时表示：“我和浩然在博士期间，就一直在思考一个问题：为什么AI无法真正理解物理世界？我们看到的每一个物体，都遵循着物理定律，但现有的AI模型，却只能看到它们的‘表象’。我们想做的，就是让AI从‘看见’走向‘预见’，从‘感知’走向‘理解’。”这种对技术本质的深刻洞察，正是奇绩创坛看中元昊动力的核心原因。奇绩创坛创始人陆奇博士曾公开表示：“物理世界模型是AI的下一个圣杯。元昊动力的团队，拥有在这个方向上实现突破的独特能力。”

高瓴创投的加入，则为这场豪赌增添了更浓重的商业色彩。高瓴创投合伙人李良（化名）在接受采访时表示：“我们投资元昊动力，不是因为它是‘下一个Sora’，而是因为它可能成为‘物理世界的操作系统’。自动驾驶和具身机器人，是两个万亿级的市场，而元昊动力的模型，是这两个市场的‘底层基础设施’。这种稀缺性，让我们愿意在种子轮就重仓下注。”

然而，这场豪赌并非没有风险。4D物理世界模型的技术路线，仍处于早期探索阶段，能否在真实世界中实现大规模商业化，尚需时间验证。此外，全球AI巨头对世界模型的投入正在急剧增加，元昊动力能否在激烈的竞争中保持技术领先，也是一个未知数。

但无论如何，元昊动力的出现，已经为中国AI创投界注入了一剂强心针。它证明了一个事实：在AI的下一个十年，物理世界的理解与交互，将成为决定胜负的关键。而元昊动力，正站在这个新世界的入口处，试图推开一扇通往未来的大门。这扇门背后，是一个由4D物理世界模型驱动的、从“看见”走向“预见”的全新纪元。