清雁科技完成数亿元A轮融资：几何物理驱动的物理AI，能否定义中国通用范式？

当大模型还在用文字预测下一个 token 时，另一场更安静的竞赛已经转向了物理世界。机器人能否在未标注的真实环境中稳定抓取、装配、行走，不再只取决于神经网络有多少参数，而取决于机器是否理解质量、摩擦、形变与时空连续性。2026 年 8 月，一家成立不到四年的北京公司用一笔数亿元融资，把“物理 AI 基础设施”这个仍显生涩的命题推到了台前。

清雁科技（北京）有限公司近日宣布完成数亿元 A 轮融资，由君联资本领投，苏创投、宁波亿时跟投。与多数 AI 公司先讲模型、再补数据的故事不同，清雁科技把叙事起点放在微分几何上：据公司披露，其自主研发几何物理引擎，并以此为核心底座构建世界模型，试图建立“底层数学理论—几何物理引擎—世界模型”的全链路。这个链条在公开材料中被反复强调，但具体到每一层如何工程化、性能如何验证，公司尚未披露。

真正让这笔融资值得被拆解的，不是金额本身，而是它所指向的一个问题：当物理 AI 的竞争从模型层下沉到数学与数据基础设施层，一家由学术机构孵化的公司，能否把微分几何的确定性，转化为机器人进入真实世界的产业确定性？

从微分几何到世界模型：一条少有人走的技术路线

清雁科技成立于 2022 年 11 月，由清华大学与北京雁栖湖应用数学研究院联合孵化。据证券之星转引天眼查信息，它同时是清华大学丘成桐数学科学中心、清华大学经济所、北京雁栖湖应用数学研究院首个技术转移孵化公司。这个出身决定了它的技术叙事与多数具身智能公司不同：起点不是机器人本体，也不是强化学习框架，而是数学。

据公司披露，其核心技术是“基于微分几何理论的几何物理引擎”。君联资本在投资声明中进一步解释，这支团队“从微分几何的底层理论出发，构建从数学基础通向物理世界的完整链路”，并称其尝试“为物体建立统一几何物理表征”。这一表述指向一个明确的技术野心：不把物理规律当作神经网络的外挂约束，而是把几何结构作为物理表征的底层语言。

从技术逻辑上看，这种路线有其合理性。传统物理仿真引擎多基于离散化数值方法，在刚性、摩擦、接触等边界条件下容易出现误差累积；而基于几何的方法如果能在连续框架下描述物体运动与形变，理论上可以提供更好的稳定性与可解释性。但需要明确的是，目前公开材料中没有任何第三方测试或基准对比能够验证清雁科技几何物理引擎的实际性能。公司称其“自主研发高效的几何物理引擎”，这一“高效”的具体含义——计算速度、精度、可扩展性、与现有仿真器的对比——均未披露。

更关键的问题在于“世界模型”这一层。世界模型在物理 AI 语境下通常指能够预测环境状态转移的生成模型，它既可以是视频预测模型，也可以是隐空间动力学模型。清雁科技把世界模型构建在几何物理引擎之上，意味着它选择的可能是一条“物理先验驱动”而非“纯数据驱动”的路径。这与 OpenAI Sora、Google Genie 等以视频生成为核心的世界模型路线形成差异，但也带来一个待验证问题：当真实世界的复杂性与噪声远超数学模型的描述能力时，强物理先验是否会限制模型的泛化边界？

从产业链位置看，这种技术选择还可能影响清雁科技与上下游的接口方式。如果几何物理引擎能够以可嵌入的软件组件形式输出，它可能成为机器人训练管线中的一个中间层；如果它必须与自建世界模型绑定使用，则可能抬高潜在客户的迁移成本。公开材料没有说明引擎的交付形态、编程接口或与现有机器人开发框架的兼容性，因此这些可能性目前都只能停留在推断层面。

“模数共振”：数据与模型的双飞轮，还是尚未闭合的叙事环

苏创投相关领导在投资声明中给出了一个关键词：“模数共振”。其逻辑是：4D 世界状态数据持续喂养世界模型，模型反向提升数据价值，形成复利。清雁科技董事长孙明明也在公司愿景中确认，未来将持续投入“物理 AI 基座模型研发与数据基础设施的‘模数共振’飞轮建设”。

这个叙事在产业逻辑上并不新鲜。数据飞轮几乎是所有 AI 公司的共同话术，但物理 AI 领域的数据飞轮有特殊难度：文本和图像数据可以从互联网低成本获取，而 4D 世界状态数据——包含三维空间坐标与时间维度的动态物理信息——必须通过真实采集或多物理场仿真生成，成本与标准化难度远高于语言数据。清雁科技把“4D 世界状态数据采集中心”列为本轮资金的核心用途之一，说明它已经意识到数据供给是物理 AI 基础设施的关键瓶颈。

但“模数共振”能否真正转起来，取决于两个未披露的前提。第一，数据采集中心的规模、传感器方案、场景覆盖范围与数据标注成本均未公开。第二，模型是否已经具备从这些数据中提取可泛化物理规律的能力，也没有任何公开案例可以佐证。从已披露信息看，清雁科技同时布局“可信数据基础设施”与“世界模型研发”，这在国内物理 AI 公司中确实形成差异化；但“数据与模型相互成就”目前仍是投资方的判断，而非已被验证的商业事实。

还需要追问的是，4D 数据与模型之间的反馈回路在工程上如何设计。数据飞轮要真正转动，至少需要数据采集、清洗、标注、训练、评估、再采集的闭环能够持续运行，且每一轮迭代都能带来可测量的性能提升。清雁科技没有披露这一闭环是否已经跑通，也没有披露任何模型版本迭代或性能提升的数据。因此，“模数共振”更像是一个被投资方认可的战略方向，而不是一个已经进入运转状态的系统。

一家没有客户名单的基础设施公司，如何定义商业化

清雁科技在公开材料中被描述为“物理 AI 基础设施研发团队”，其产品包括几何物理引擎、世界模型和 4D 世界状态数据采集中心。但截至本轮融资披露，公司未公布任何客户、付费项目或具体应用案例。其商业模式也未明确披露。

这构成了一个典型的“基础设施悖论”。基础设施公司的价值在于被广泛使用，但基础设施的采用周期通常比应用层更长，且早期客户往往来自产业界而非学术界。清雁科技的学术孵化背景为其提供了理论深度，但也可能带来商业化距离。北京市“专精特新”及国家级高新技术企业的资质，说明公司在技术研发投入和知识产权方面达到了一定门槛，但这并不等同于商业验证。

从产业链位置看，清雁科技可能的商业化路径有三条：向机器人公司提供物理仿真与训练环境，向自动驾驶或工业自动化企业提供 4D 数据服务，以及向科研机构提供几何物理引擎工具。但这三条路径在公开材料中均未得到确认。相比之下，同一时期获得融资的觅蜂科技被描述为“物理 AI 数据服务平台”，元点科技则聚焦“物理 AI 数据基础设施”，说明物理 AI 数据层已经出现细分竞争。清雁科技与这些公司的差异化，目前主要停留在“几何物理引擎”这一技术标签上，而非可比的商业指标。

另一个被忽略的问题是定价权。基础设施类产品的商业价值通常取决于它能为下游节省多少成本或提升多少成功率。如果清雁科技的引擎或数据服务能够显著缩短机器人公司的训练周期，它可能获得与价值匹配的定价空间；如果性能优势无法被量化，客户可能倾向于使用开源仿真器或自建数据管线。在没有客户案例和性能基准的情况下，清雁科技的商业化能力仍然是一个开放问题。

君联资本为何押注“数学确定性”

君联资本在本轮投资中的表态，是所有公开材料中最具信息量的一段。它没有用“市场规模”“增速”等通用框架，而是把投资逻辑建立在“数学确定性”上：“将这份源于数学与物理的确定性，转化为机器人走向真实世界的产业确定性。”

这个判断的隐含前提是：物理 AI 的瓶颈不在算力，而在表征。当前具身智能模型普遍面临仿真到现实的迁移鸿沟，其根源之一就是物理规律在模型中的表达不够稳定。如果一家公司能在数学层面建立统一的几何物理表征，理论上可以从根本上改善这一问题。君联资本作为长期关注硬科技的机构，选择在这个节点领投，说明它认为物理 AI 的竞争正在从“谁能训练更大的模型”转向“谁能定义更好的物理表征”。

但“数学确定性”与“产业确定性”之间的距离，恰恰是这笔投资最大的不确定性。微分几何理论是确定的，但从理论到可工程化的几何物理引擎，再到能够支撑真实机器人训练的世界模型，每一步都存在大量未公开的工程细节。君联资本在声明中使用了“Neo Lab”这一表述来类比清雁科技，但 Neo Lab 本身也是一个尚未被产业验证的概念。投资方的信心可以理解，但它目前更多是基于团队背景与技术路线的判断，而非基于客户验证或收入数据的判断。

从投资组合逻辑看，君联资本长期关注硬科技与底层创新，其领投行为可能意味着它判断物理 AI 基础设施的窗口期已经打开。但窗口期打开不等于赢家已经产生。在物理 AI 数据与仿真工具领域，技术路线尚未收敛，开源与闭源之争未定，客户需求仍在形成中。君联资本押注的，可能不是清雁科技当前的产品成熟度，而是它在数学层面积累的先发优势能否在后续工程化中转化为壁垒。这个判断需要更长时间来验证。

资金用途背后的战略优先级

本轮数亿元融资的用途被明确为两个方向：物理 AI 基座模型的工程化研发，以及 4D 世界状态数据采集中心的落地建设。这个分配本身透露了清雁科技对自身短板的认知。

“工程化研发”意味着公司承认其技术目前仍处于从理论到工程的转化阶段。几何物理引擎如果只停留在数学框架层面，无法直接服务于产业客户；它需要变成可调用、可扩展、可嵌入现有机器人开发流程的软件系统。这个过程需要的不是更多数学证明，而是大量工程人才与测试迭代。清雁科技是否具备这样的工程化团队，公开材料未披露。

“4D 世界状态数据采集中心”则是更重的投入。与互联网数据不同，4D 物理数据的采集需要实体场地、多传感器阵列、运动捕捉系统、力觉与触觉采集设备，以及数据清洗与标注管线。这是一项资本密集型基础设施，数亿元融资能支撑的规模有限。清雁科技需要在资金耗尽前证明，这个采集中心能够产出足够高质量、足够差异化的数据，并且这些数据能够转化为可销售的资产或服务。

从资金分配顺序看，清雁科技把模型工程化排在数据采集中心之前，这可能意味着它认为模型能力是数据价值的前提。如果世界模型无法有效利用 4D 数据，那么数据采集中心就只是一项昂贵的固定资产。反过来，如果数据采集中心能够率先产出稀缺的物理交互数据，它也可能在模型成熟之前形成独立的数据服务收入。这两种路径的优先级选择，公开材料没有说明，但它将直接影响本轮资金的使用效率。

竞争格局：物理 AI 基础设施的窗口期与拥挤度

清雁科技并非物理 AI 基础设施赛道的唯一玩家。从近期融资动态看，物理 AI 数据服务与基础设施正在成为资本密集涌入的方向。觅蜂科技、元点科技等公司都在相近时间完成融资，分别从数据服务和数据基础设施角度切入。更上游的仿真引擎领域，英伟达 Isaac Sim、MuJoCo、Bullet 等开源或商业平台已经占据开发者心智；更下游的具身智能公司则倾向于自建数据采集与训练体系。

清雁科技的差异化主张在于“几何物理引擎”这一底层技术。如果该引擎确实能在精度、效率或泛化能力上形成代差，它有机会成为上游仿真与中游数据之间的关键组件。但截至目前，公司未披露任何与现有仿真器的基准对比，也未公布任何采用其引擎的第三方案例。在缺乏独立验证的情况下，“极少数实现全链路”这一公司口径，只能被视为技术定位陈述，而非竞争壁垒证明。

另一个值得注意的竞争维度是开源生态。物理仿真与数据工具领域，开发者社区对开源方案有强烈偏好。如果清雁科技选择闭源商业化，它需要提供足够强的性能优势来对抗免费方案；如果选择开源，它又需要找到可持续的商业模式。这个战略选择在公开材料中完全没有涉及。

从时间窗口看，物理 AI 基础设施的竞争可能比应用层更早进入淘汰期。基础设施一旦被头部客户采用，迁移成本会迅速上升；但基础设施的采用决策又比应用层更谨慎，客户往往需要看到多个成功案例才会跟进。这意味着清雁科技需要在窗口期内同时完成技术验证、标杆客户获取和生态卡位，而这三件事的难度都不低。觅蜂科技和元点科技的存在说明，资本已经开始在物理 AI 数据层进行多线布局，清雁科技能否凭借“几何物理引擎”的技术标签在拥挤的赛道中建立辨识度，仍需观察。

风险与待验证假设：光环之下，什么还没有被证明

清雁科技面临的风险，在公开材料中被概括为“行业竞争可能带来挑战，技术研发进度及成果转化存在不确定性”。这个表述过于笼统，真正需要被追问的假设至少有三个。

第一，几何物理引擎能否在真实复杂场景中保持理论优势。微分几何方法在处理理想化连续介质时表现优异，但真实世界的接触、碰撞、摩擦、断裂往往涉及非连续性与多尺度耦合。从数学理论到鲁棒工程系统之间的鸿沟，是清雁科技必须跨越的第一道坎。

第二，4D 数据采集中心能否形成可持续的数据壁垒。数据壁垒的前提是数据具有独占性或累积性。如果采集的是开放场景通用数据，竞争对手可以通过类似设备获得相近数据；如果采集的是特定场景数据，其市场空间又可能受限。清雁科技需要在“通用”与“独占”之间找到平衡，而这一策略尚未公开。

第三，学术孵化背景能否转化为商业组织能力。清华大学与北京雁栖湖应用数学研究院的联合孵化，为清雁科技提供了顶尖的数学与物理人才储备，但基础设施公司的竞争最终是产品、销售与生态的竞争。创始人具体姓名和背景未披露，这在一定程度上增加了评估团队商业能力的难度。一家以“数学根基”为标签的公司，能否同时具备工程交付与客户获取的能力，是比技术路线更现实的考验。

从已披露的 A 轮融资、投资方组合与资金用途看，清雁科技已经获得了继续验证这些假设的资本窗口。数亿元资金在物理 AI 基础设施领域不算充裕，但足以支撑一轮严肃的工程化尝试。接下来真正值得关注的，不是它是否发布了新的技术概念，而是它能否在某个具体产业场景中，拿出可被第三方验证的性能数据与客户证据。

验证边界与可复核指标

本文涉及的“首个、唯一、最大、领先”、订单、出货、性能等表述，如无另行说明，均是公司、创始人或投资方在现有公开材料中的披露口径；RecodeX未在本次采集材料中找到独立审计或第三方测试结论，因而不将其视为已经独立确认的事实。文中的产业协同、竞争位置和商业路径属于基于已披露产品与融资用途的编辑分析，不代表相关结果已经实现。

• 技术侧应核验第三方测试条件、样本规模、良率、稳定性及与可比方案一致口径的结果；
• 商业侧应核验去重后的付费客户、可执行合同、收入确认、复购率以及订单转化；
• 资本与产业协同应以工商股权、关联交易、联合开发、采购或量产文件为准。

RecodeX 极客视：清雁科技的故事之所以值得记录，不是因为它讲了一个更宏大的物理 AI 叙事，而是因为它把竞争的起点推到了数学层。当大多数公司还在争夺模型参数与数据规模时，它试图回答一个更根本的问题：物理世界能否被一套统一的几何语言所描述。这个问题在数学上有答案，在产业上还没有。数亿元 A 轮融资买下的，正是从前者走向后者的验证时间。唯一可以确定的是，如果这条路线被证明可行，物理 AI 的竞争格局将不再只是算力与数据的竞赛；如果不可行，它至少会为后来者标出一条代价高昂的岔路。