数据真空中的“反向制造”：比特无限与它的3D打印数据飞轮

想象这样一个场景：你刚买了一副新耳机，却希望在清晨通勤时能有一个分层收纳盒，既保护耳机不受书包里的钥匙刮擦，又能收纳充电线和备用耳塞。你翻遍Thingiverse和Printables等主流模型库，发现要么尺寸不对，要么结构过于简单，没有一处能恰好适配你这款小众耳机型号。

这不是一个孤例。全球超过5亿的“Makers”（创客）和1亿活跃的3D打印用户，几乎每天都在经历这种“创意丰满，现实骨感”的困境。他们需要的不是一张华丽的渲染图，而是一个能放进打印机、能完美装配、能承受日常使用物理压力的实体模型。

然而，现有的解决方案几乎都存在致命缺陷：传统人工建模产能低下、成本高昂，一个简单的定制隔板报价动辄数百元，制作周期以天计算；市面上通用AI生成的3D模型更像是“视觉空壳”，它们没有内部尺寸标注，没有装配逻辑，哪怕只是修改一个孔距就需要从头开始。更致命的是，当你将这些“空壳”模型放入仿真环境测试，物体会直接相互穿透；将其导出进行3D打印，往往在层间分割时就已宣告失败。

就在这种结构性数据极度稀缺的行业真空中，一家成立仅一年的年轻公司浮出水面。它的名字叫比特无限（BitInf），定位并非传统意义上的建模软件公司，而是一家通过3D打印和全球海量Makers为入口，自研物理3D大模型的“数据引擎”公司。

在不久前的WAIC大会期间，央视将镜头对准了这家公司。画面中，一支全90后的团队正在演示一个名为Sparkoh.ai的Web Agent工具。用户只需用自然语言描述“我想要一个能放下蓝牙耳机并带有充电线卡槽的抽屉盒”，系统便会自动生成一份包含精确尺寸标注、装配公差和打印支撑结构的可编辑物理3D模型。用户每一次对模型的修改（比如缩小某个格子的宽度）和每一次反馈（比如打印出来发现卡槽太紧），都会回流至后台的大模型中，使其下一次生成更为精准。

“我们需要一个能持续从‘真实世界意图与交互反馈’中产生数据的引擎。”比特无限CEO李士麒在接受采访时如此解释其商业逻辑的核心。回顾过往，只有少数数据引擎能真正形成规模化飞轮：谷歌依靠全网文本标注形成第一代视觉数据引擎，特斯拉则通过车辆采集路况搭建第二代FSD（全自动驾驶）数据闭环。极少有公司能构建起一个以真实物理世界交互为数据源头的飞轮系统。

而比特无限发现了一个被忽视的群体——全球5亿Makers，这群人每天都在产生大量真实的制造意图和物理反馈数据。这让比特无限得以用一种“反向制造”的路径，绕开了传统工业软件需从零构建物理数据的高昂成本。

正如投资界在《首发| 比特无限连续完成天使轮与天使+轮融资，三个月估值涨10倍》报道中揭示的那样，这家位于上海模速空间的“水下”公司，在短短三个月内，估值增长了10倍。这在当前AI泡沫逐渐退潮、投资人愈发审慎的融资寒冬中，显得格外扎眼。

“谁能率先补齐物理3D数据短板，谁就能握住物理AI时代的入场券。”李士麒的判断揭示了一个行业共识：物理AI（具身智能、机器人、仿真训练）的瓶颈，不再是算力算法，而是高质量的结构化物理数据。正如LLM的出现需要海量高质量文本数据的涌现，物理AI的“GPT时刻”也需要物理3D数据的大爆发。而比特无限所做的，正是以3D打印这个真实物理制造场景为切入口，系统性地构建这种稀缺数据。

从盘古大模型二号位到物理3D：一场技术灵魂的迁移

比特无限的崛起，离不开其背后两位极具反差感的联合创始人的故事。

CEO李士麒，36岁，拥有多年的海外AI To C创业经验。他曾在欧美市场打造出两款百万月活级别的AI工具，因此对海外创作者社群的运营逻辑了如指掌。他的面孔出现在投资界报道中时，带着一种明显的“95后创业者”特质：目标感极强，对商业节奏敏感，且深知如何在全球各地撬动流量杠杆。他是一个典型的“产品经理型”CEO，善于发现藏在用户需求缝隙中的巨大商机。

联合创始人周平义博士，则是另一极。提到他时，行业内的第一反应是其“华为盘古大模型二号核心研发人员”的身份。作为驱动过万亿参数规模的MOE大模型完整训练的极少数人之一，周平义博士更像一个沉浸在技术深水区的“极客”。在投资界披露的数据中，全球范围内主导过万亿参数大模型完整训练的人大约只有3000人，其中70%在海外大厂，20%在科研机构，全职创业的凤毛麟角。

周平义博士从大语言模型转向物理3D大模型的动机，极具技术洞见。他将大语言模型的技术灵魂——参数化代码生成、自回归建模、多轮迭代，迁移至物理世界。他意识到，大语言模型能够写出结构严谨的代码，而3D模型本质上不也是一种需要严格遵循几何、力学和装配规则的结构化“代码”吗？

“大多数Text-to-3D模型生成的是形状，但我们的模型生成的是可编辑的设计。”周平义在一次内部技术分享中提到。这句话清晰地划定了比特无限与市面上AI 3D生成公司的技术边界。比特无限的模型不仅仅是“绘制”一个视觉上看起来像收纳盒的图形，而是生成一段参数化代码，这段代码包含了所有尺寸、装配关系、边角倒角和公差等物理约束。

CEO李士麒与CTO陈立韬则负责将这种技术灵魂落地为商业闭环。陈立韬，同样拥有6年华为从业经历，精通仿真与后训练全栈技术。他清楚如何将物理约束（比如：抽屉必须能够沿轨道滑动，壁厚必须满足打印强度）纳入大模型的训练流程，并使用基于强化学习的后训练技术，让模型在面对用户修改时，自动调整全部关联参数。

“我们团队中，有懂数据飞轮的，有懂大语言模型架构的，有懂物理仿真的，还有懂海外用户心理的。”李士麒用一句话总结了团队的核心竞争力。这种跨界组合——从LLM技术大牛到传统工业仿真专家，再到资深的海外To C产品经理——使得比特无限能够在一个极其冷门的交叉领域（AI+3D打印+物理仿真）迅速构建起几乎不可替代的技术壁垒。

Arko-T问答：当40亿参数模型开始理解“可用性”而非“美观性”

在WAIC的展台上，比特无限贴出了一张关键的测试榜单数据。支撑其快速发展的核心模型——Arko-T，是一部有别于其他AI 3D模型的技术内核。

在认知物理学界评判模型能力的核心标准集Text2CAD-Bench上，Arko-T的表现令人震惊。这项评测包含了零件设计（CAD模型）生成的所有困难指标，如零件数量、装配复杂度、尺寸合规性以及功能正确性。比特无限将Arko-T与7款前沿通用大模型进行12项指标全面对比，结果显示，Arko-T在8项关键指标上排名第一，另有3项指标位列第二。

最关键的颠覆并不在于“排第几”，而在于其架构与成本。Arko-T是一款40亿参数的专用物理3D大模型，其推理成本仅为ChatGPT、DeepSeek等通用大模型的十分之一甚至更低。为什么这么便宜？因为它们解决的是完全不同的需求。

当通用大模型被要求生成一个“水杯”时，它可能依据概率分布生成一张视觉上像是水杯的图片，其中可能有复杂的把手、不合理的杯壁厚度，甚至把手与杯壁是分离的。这种模型无法直接用于3D打印，因为其输出本质上是对“水杯”这个概念的视觉模仿，而未触及水杯的物理本质。

Arko-T的核心演变是——它不是为了生成好看的“水杯”，而是为了生成“可用的水杯”。

它的本质是参数化代码生成。当你描述一个“带有滑轨的抽屉”时，Arko-T内部的Harness Agent调度框架会自动拆解需求：它知道抽屉的宽度必须比柜体内部的宽度小1毫米（公差），它知道滑轨与抽屉底部的连接处需要均匀分布受力点，它还会根据输入的力量来推断壁厚。它不再理解图像，而是理解装配约束和物理运动规律。

以下为Arko-T在行业中的差异化能力对比：

  • 视觉生成类模型：输出是三角形网格或点云，无法编辑尺寸，无物理属性，适合游戏资产或渲染展示。
  • 通用大模型辅助：输入提示词，模型输出脚本或伪代码，但通常无视工业标准的装配约束，需要人工大量修正。
  • Arko-T物理3D模型：输出的是包含完整可编辑参数（尺寸、伸缩、开孔、装配索引）的结构化代码，并且Harness Agent可自动校验碰撞、装配干涉和打印可行性。

李士麒在采访中强调：“我们要的不是‘好看’，而是‘能用’。一旦将这个问题转换到‘可用’这个赛道上，竞争对手就从所有做3D生成的大厂变成了那些需要深刻理解物理制造工艺的专业化团队。” 这解释了为何比特无限能以40亿参数的超轻量级模型，实现比万亿参数通用大模型高出数倍的垂直领域效果。

支撑这一切的，是比特无限构建的独特数据引擎。数据来源分为三层：第一层是自有的千万级端到端数据工程（包含从设计草图到打印成品的完整轨迹）；第二层是向全球Makers开放的免费建模工具Sparkoh.ai，每一次用户的实际修改和满意确认，都回流至模型，自动完成后训练优化；第三层则是工业客户的仿真反馈数据。

90后团队与资本博弈：三个月估值暴涨10倍的逻辑与暗线

从4月种子轮浮出水面，到7月完成天使轮与天使+轮融资，比特无限完成了三轮融资，累计金额达4500万元。更为外界所震惊的是其估值增长速率：“不到三个月，估值涨了10倍”。

在资本叙事普遍趋于理性的2026年，一家公司仅凭一个2024年才成立、定位于“物理3D数据”这一极度垂直领域的团队，能有如此迅猛的估值升腾，其背后是投资逻辑的一次深刻重组。

本轮领投阵容极为豪华且具有高度协同性。种子轮由清华系卓源亚洲领投，后者曾投资生数科技（国内AI视频生成头部）、基流科技等多家明星AI项目。天使轮到天使+轮阶段，容亿投资、普华资本、壹德资本等机构悉数加入。一个值得玩味的细节是：容亿投资此前布局了宇树科技、银河通用等具身机器人本体投资；普华资本也投了智平方等具身独角兽。这些具备机器人先验知识的产业资本，此时一起将目光投向了比特无限，其画外音不言自明：

当人形机器人本体已经奔跑起来，当3D打印厂商开始占据家庭，当智能汽车需要对道路上的所有物体做仿真遍历——支撑这一切海量物理仿真和训练的物理学3D数据基础设施，依然完全空白。

这解释了为什么这是一场FOMO（害怕错过）的押注。前几年，资本狂砸人形机器人，那是资本相信“身体”重要；之后资本投向具身智能算法，因为“大脑”重要；现在，他们已经看清，无论是“身体”还是“大脑”，都依赖“记忆/训练素材”——即大规模、高保真、物理可交互的3D资产。而这正是比特无限所卡住的位置。

根据投资界独家报道，在比特无限CEO李士麒位于上海模速空间的办公室，前来对接的新一轮投资人明显多了。投资人们看到了一个危险而又有趣的机会：如果比特无限成功，未来每一个工业机器人的虚拟训练室、每一台家用3D打印机输出的实物，都可能被这家公司“收税”。

但创业公司的危机与机遇往往并存。相比通用大模型公司动辄数十亿美金的烧钱速度，比特无限目前融到的4500万不算多。团队面临的打法挑战相当清晰：他们需要在18个月的窗口期内快速完成从“验证技术可行性”到“实现大规模用户增长与商业化闭环”的跨越，否则，大厂（尤其是具备自研物理引擎的企业，如英伟达、达索系统等）一旦开始垂首自建数据管道，比特无限的先发优势可能会迅速被稀释。

两种商业化路径下的数据寄生：C端养模型，B端养钱

一个理想化的商业模型可以通过两个对比强烈的路径来综合。比特无限构建了一个完整的、双向反馈的商业飞轮。

C端路线：养模型，养用户心智。

面向海外数亿Makers和DIY爱好者，比特无限推出了免费的Web Agent工具——Sparkoh.ai。用户无需下载任何专业软件，直接在网页输入咒语或画个草图即可。它的收费模式极为精巧：Token订阅计费，基础功能免费（以吸引最广大的用户群），高精度、多零件装配、透明支撑等高级功能收费。

这个设计充满了心理学魔法：每次用户生成一个新模型，就是一次低成本反馈；每次用户调整尺寸，就是一次高质量预标注。这些用户不会意识到，他们源源不断的创意和试错，正在源源不断地喂养着Arko-T的底层代码。而算力成本低至通用大模型十分之一的事实，保障了这项烧钱生意具有长期经济效益。

B端路线：与物理AI产业接口

与C端微薄的客单价（甚至是零客单价）不同，B端路径才是盈利主导。比特无限向工业设计、机器人仿真及Physical AI研发企业开放API接口，以API订阅或按资产单价计费。客户可以按需批量生成符合工业标准（如OpenUSD、STEP）及物理完整性的仿真资产。

例如，一台正在训练“捡起玻璃杯”操作的人形机器人，需要模拟上千种不同高度、直径、壁厚、把手的杯子；每一个杯子在与机械爪接触时，必须有真实的材质摩擦系数和破损模拟。而这些杯子的模型，以前需要3D建模师手动逐个绘制（一只杯子成本约200美元）。比特无限的物理3D大模型可一键生成数百个版本，并附带完整的物理属性参数。

这种B端反哺C端的商业结构，令投资人看到了迅速盈利的可能。因为C端可以高效规模化，而面向具身机器人的B端则是纯粹的高毛利业务。目前，比特无限加入了英伟达Inception初创加速计划，并在智谱官方生态合作伙伴名单中，这意味着其已经获得顶级算力平台的底层支持，使其算力成本大幅下降。此外，公司入驻上海模速空间，享有AI算力专项补贴，这为其商业化准备了充足的弹药。

值得注意的是，这种商业模型具有“寄生”性质。它寄生在用户的设计激情之上，寄生在3D打印普及的浪潮之上，寄生在具身智能的历史级需求之上。它并非高高在上凭空创立一个市场，而是小心翼翼插在一条已经千兆美元并且正在野蛮增长的产业链缝隙中，为自己的技术寻找最大化的数据增长极。

物理3D的“GPT时刻”：18个月后的世界，谁将握住入场券？

“从当前阶段到生成式物理3D的GPT时刻，窗口期大约18个月。” 比特无限的内部时间表已经给出。

当我们回望2022年底ChatGPT刚出现时的世界，很难想象两年的变化会如此剧烈。那时候，大语言模型还是少数研究员的代码和论文；如今，它已经是数十亿人的超级办公助理。

同样，当下的物理3D生成正处于类似的拐点前夜。如果说大语言模型的“GPT时刻”是《自然》杂志上那篇关于涌现能力的论文，或是某位教授在推特上演示的代码翻译，那么物理3D世界的“GPT时刻”很可能来自这样一个场景：一位不会任何设计软件的零售店主，用语音描述了他的货架布局，然后一台消费级3D打印机在几小时内打出了完全贴合他店内的收纳支架；或者，一个机器人开发者在云端一键召唤了上万个物理真实的仿真物体，用于训练它的机器狗拆弹算法——而全流程只需要一条语音。

比特无限的创始人对此清醒而坚定。他们看到了走向这一时刻需要攻克的三大要塞：

其一，模型的收敛能力。Arko-T需要在不到18个月内继续在Text2CAD（文本到计算机辅助设计）这个评价标准上扩大绝对领先优势，必须从40亿参数进一步缩小模型规模，却要保持输出物理精度。因为能够部署到边缘设备（如3D打印机主控芯片）上的AI模型，才是决定下一代硬件入口的关键。

其二，用户规模与数据壁垒。Sparkoh.ai海外平台刚刚收获超百万曝光，月活正在快速增长。但用户增长曲线能否走出“J型曲线”，直接决定了数据飞轮能否从涓涓细流变为滔滔洪流。大厂不是不差算力，他们差的是“理解Makers真实物理需求”的这层用户数据积累。而比特无限的先发优势，正在于它所构建的这个C端社区所持续供给的真实制造反馈数据。

其三，行业渗透的深度。物理3D数据不止于打印个玩具。它更将深远地影响工业产品研发周期。工程师不再需要耗费大量时间绘制基础零件，AI自动生成带完整装配关系和尺寸约束的方案，研发周期和人力成本大幅下降；而在机器人训练领域，中层仿真资产的供给瓶颈一旦解决，人形机器人从实验室演示走向工厂、走向家庭的速度将开始指数级加速。

李士麒在采访中引用了李飞飞关于世界模型的分层理论：Render（渲染层）、Simulate（模拟层）、Plan（规划层）。 他特别指出，比特无限解决的是“Simulate”层的问题——其输出的物理3D数据，为物理世界的模拟器提供了可靠的训练与测试载体。

“我们不是在做一个更好的建模软件，”李士麒说，“我们是在修一条从数字代码到真实物理世界的路。当这条路修通之后，每个人脑子里闪过的创造物，都可以在当天被打印出来、用起来。‘所想即所得’的时代距离我们还有18个月，但这18个月，我们一块砖都不会少垒。”

时钟已经在拨动。资本重注已下，创始团队已集结，技术密码已破译。当物理3D的“GPT时刻”降临之时，比特无限正在争取成为那个提供最大共识与动力的平台。而此刻，更多的Makers以及机器人本体制造商，正通过第一代Sparkoh.ai用户生成的作品，悄然触摸到下一个时代的轮廓。