机器人还没有“物理常识”，这是当前具身智能最昂贵的一道裂缝
一台机械臂可以稳稳抓起水杯，却会在杯口朝下时继续执行“倒水”指令；一台人形机器人能走完一段复杂地形，却无法判断踩在湿滑钢板上和踩在干燥水泥地上需要不同的步态策略。这不是传感器精度问题，也不是算力不足，而是模型本身没有真正理解物理世界的状态转移规则。2026年的具身智能赛道已经挤满了做本体、做关节、做灵巧手的公司，但“让机器人真正理解物理规律”这件事，仍然横在所有人面前。
行业里常见的做法是拿互联网视频数据训练视觉语言模型，再叠加仿真环境里的强化学习。这条路线能产出流畅的演示视频，却很难回答一个朴素的问题：模型推演出的下一帧画面，到底是因为它理解了重力、摩擦和接触力学，还是因为它见过足够多相似的像素排列？当机器人从演示环境走进真实工厂、矿山或家庭，这个区别会直接决定它是稳定执行还是频繁失效。
9月23日，一家成立仅两个多月的公司宣布连续完成种子轮及天使轮融资，试图从模型底座层面回答这个问题。息壤开物（XIRRA）称，其自研的物理基础模型LPM（Large Physics Model）以贝尔曼方程最优解为理论根基，将世界推演与视频渲染解耦，走“原生物理预训练”路线。据投资界消息，本轮累计融资金额达数亿元，由敦鸿资产领投，华控基金、三花控股、银杏谷资本、泽然资本、本坚基金、上海天使会、标朴投资等机构跟投，公司披露估值达5亿美元。
| 字段 | 内容 |
|---|---|
| 公司 | 息壤开物（XIRRA） |
| 轮次 | 种子轮及天使轮 |
| 金额 | 数亿元人民币（具体金额未披露） |
| 投资方 | 敦鸿资产（领投），华控基金、三花控股、银杏谷资本、泽然资本、本坚基金、上海天使会、标朴投资跟投 |
| 总部 | 未披露 |
| 创始人 | 李寅（创始人）；张含望（即将出任联合创始人、首席科学家） |
| 官网 | 未披露 |
把“世界推演”和“视频渲染”拆开，LPM的架构选择指向一个明确的产业判断
息壤开物对LPM的技术描述里，最值得注意的不是“物理基础模型”这个标签，而是它明确提出的架构分离：统一自回归架构负责组织因果历史、推演“发生什么”，扩散模型负责渲染“看起来什么样”。据公司披露，这一设计的理论根基是贝尔曼方程最优解——把长程决策递归分解，让模型在长期累计回报最大化的统一目标下，同时学习世界转移P与策略π。
这个选择背后有一个清晰的产业判断：视频生成模型的能力不等于物理推演能力。过去两年，Sora类视频模型已经证明扩散架构可以生成以假乱真的连续画面，但画面逼真并不保证物理约束被遵守。物体质量、摩擦系数、接触刚度这些真实物理量在像素空间里没有直接对应物。息壤开物把推演和渲染解耦，意味着它试图让模型先在一个更抽象的物理状态空间里完成“会发生什么”的计算，再单独处理“看起来什么样”的视觉输出。从已披露的架构描述看，这意味着LPM的训练目标不是最小化下一帧像素误差，而是逼近一个与长期回报最优解一致的物理状态转移函数；但公司尚未披露状态空间的具体表示方式、物理量编码方案或训练数据规模，因此这一架构的实际实现边界仍不清晰。
“原生物理预训练”是另一个需要拆解的说法。据公司披露，其路线是从物理交互数据的统一编码、状态—动作—结果建模和长程一致性学习切入，让模型在预训练阶段就习得物理规律。这与“先训练通用视频模型、再在机器人数据上微调”的路线形成对比。但“原生”到什么程度，取决于预训练数据里真实物理交互的占比和质量。公司称其XR数据平台覆盖多模态数据接入、清洗、标注、质量检查、版本管理与发布流程，能把真机轨迹、人类示教、真实失败案例编译成可训练数据资产。然而，真机数据的采集成本远高于互联网视频，息壤开物在成立两个月内能积累多少真实物理交互数据、这些数据覆盖多少本体形态和场景类型，均未披露。
创始人从华为云带来万卡集群经验，但工程能力能否迁移到物理模型训练是另一回事
息壤开物的创始团队配置在早期项目中属于重量级。据投资界消息，创始人李寅毕业于清华大学，曾任华为云大模型CTO、华为云行业大模型开发部部长，被描述为“华为大模型0到1核心成员”，长期统筹基础模型、多模态、视频生成、科学计算与行业大模型研发。公司披露，李寅曾带领400人团队，依托百万小时视频数据集、万卡算力集群，历时2个月完成视频大模型的训练与发布，并主导国内多地具身智能创新中心在当地产业的落地，交付智驾、矿山、金融、医疗、气象等大模型解决方案，相关项目每年带来数亿元营收。
即将出任联合创始人、首席科学家的张含望，现任华为多模态首席科学家、南洋理工大学AI领域校长讲席教授。据公司披露，张含望长期深耕因果机器学习与多模态智能，其研究方向被描述为“让AI超越相关性、掌握因果性”。这一学术背景与LPM的因果历史组织架构形成呼应，但张含望目前仍是“即将出任”，尚未正式到岗，这意味着息壤开物在首席科学家层面的技术领导力存在一个过渡期。
公司披露的工程能力包括：万卡集群稳定训练、万亿参数长稳训练与极致推理优化的完整工程积累，集群可用度达99.7%，拥有昇腾首个万卡超节点集群调测实战经验。这些数字来自公司口径，目前没有独立第三方验证。如果属实，它们意味着息壤开物在国产算力栈上的工程经验是其差异化资产之一——尤其在英伟达高端芯片供应受限的背景下，能在昇腾集群上稳定训练万卡规模模型的能力，对国内客户和部分投资方具有实际价值。但需要区分的是：万卡集群训练语言模型或视频模型的经验，能否直接迁移到物理基础模型的训练，取决于LPM的训练范式、数据管线和优化目标与前者有多大重合。公司未披露LPM当前参数量级、训练算力消耗或已完成的预训练规模，因此“万亿参数长稳训练”目前更应理解为团队历史工程记录，而非LPM已实现的状态。
200多个行业AI项目是营收底盘，但和LPM的商业化之间隔着一条未验证的鸿沟
息壤开物披露，其累计交付200+行业AI项目，覆盖金融、制造、能源、政务等30+行业，项目累计金额10亿+。这个数字放在一家成立两个月的公司身上，显然不是新公司的从零积累，而是创始团队在华为云期间的交付记录。公司未明确说明这200+项目是否属于息壤开物主体，还是创始团队历史业绩。从时间线推断，后者的可能性更大。
这一历史业绩对投资方的意义在于：它证明团队有能力把AI模型变成企业客户愿意付费的解决方案，而不是只会发论文或做demo。但它的局限性同样明显——金融、政务等行业的AI项目，与物理基础模型要服务的机器人、制造、能源场景，在数据形态、交付模式、客户决策链上差异巨大。一个给银行做风控模型的团队，和一个给机械臂做物理推演模型的团队，面对的是两套完全不同的验证标准：前者看准确率和召回率，后者看真实环境下的任务成功率和失效成本。
公司披露的商业化路径是L0/L1/L2分层结构：L0通用物理基础模型提供可复用通用物理能力，L1在行业专业数据上增训形成领域模型，L2蒸馏出面向具体场景的应用模型完成交付闭环。这套逻辑在行业大模型领域已经被反复使用，本质上是一个“底座—适配—交付”的三层漏斗。问题在于，L0本身是否成立——如果通用物理基础模型无法在预训练阶段真正习得可泛化的物理规律，那么L1和L2的增训与蒸馏只是在给一个不稳固的地基加楼层。息壤开物尚未披露LPM在任何公开物理推理基准上的评测结果，也没有披露任何L1或L2层级的客户验证案例。从已披露信息看，L0/L1/L2目前是一个商业架构设计，而非已被验证的交付路径。
5亿美元估值、两个月、数亿元融资：资本结构里藏着什么信号
一家2026年7月成立、9月即宣布完成种子轮及天使轮的公司，估值达到5亿美元，这在早期投资市场属于显著偏高的定价。作为参照，多数具身智能或基础模型公司在种子轮阶段的估值通常在1亿至2亿美元区间，天使轮后达到5亿美元估值的案例主要集中在创始人已有极高行业声望、且赛道处于资本密集竞争期的情形。息壤开物同时满足这两个条件：李寅的华为云大模型CTO背景提供了机构认可的工程信用，Physical AI赛道在2026年处于融资热度高位。
投资方组合值得逐一看。敦鸿资产作为领投方，在AI和先进制造领域有布局；华控基金背靠清华产业体系，与李寅的清华背景形成网络协同；三花控股是制冷控制元器件和汽车热管理领域的制造业龙头，其参与投资可能意味着对物理AI在制造场景应用的战略兴趣，但公司未披露是否存在业务合作安排；银杏谷资本长期关注硬科技早期项目；泽然资本、本坚基金、上海天使会、标朴投资则构成跟投层。值得注意的是，投资方中没有出现具身智能或机器人本体公司作为战略投资方，这意味着本轮融资更多是财务资本对“物理基础模型”这一叙事的下注，而非产业链上下游的深度绑定。
“种子轮及天使轮连续完成”的表述也值得推敲。公司未披露种子轮与天使轮各自的金额、估值和投资方分配。一种可能是两轮间隔极短、实质上合并披露；另一种可能是天使轮在种子轮后迅速追投，反映出资方对团队的争抢。无论哪种情形，5亿美元估值对应的数亿元融资额，意味着稀释比例在10%上下，这在早期轮次中属于较低稀释，通常需要极强的创始方议价能力。公司未披露资金到账节奏、是否有对赌条款或里程碑条件，这些信息的缺失使得“数亿元融资”的实际可用资金规模存在不确定性。
物理基础模型没有独立评测标准，这是比竞争对手更根本的挑战
息壤开物在公开材料中没有列出直接竞争对手。这不是因为赛道空旷，而是因为“物理基础模型”这个品类本身还没有形成公认的竞争坐标系。如果以“世界模型”为参照，Google DeepMind的Genie系列、Meta的V-JEPA、以及国内多家具身智能公司的世界模型项目都在同一方向上推进；如果以“机器人基础模型”为参照，Figure的Helix、Physical Intelligence的π0、Skild AI的机器人基础模型都在争夺“通用物理智能底座”的定位。息壤开物用LPM这个名称，试图在“语言大模型”和“视频世界模型”之外划出一个新品类，但品类定义权最终取决于它能否拿出可被独立验证的物理推理能力证据。
这里触及一个行业级空白：物理基础模型没有类似语言模型的MMLU、数学模型的GSM8K那样的标准化评测集。一个模型是否“理解物理规律”，目前缺乏公认的量化标尺。息壤开物披露其XR评测平台已实现从场景构建、质量检查、策略执行到报告生成的完整工作流程，支持评测场景复用和执行过程、评测报告的保存回查，失败样本可定位、补数与复验。这套平台解决的是内部迭代效率问题，但无法替代行业公认的外部基准。如果息壤开物希望以“底座型公司”定位获得溢价，它需要推动建立或至少参与定义一套物理智能评测标准，否则“物理基础模型”的能力边界将始终依赖公司自述。
另一个结构性风险来自数据。物理交互数据的采集成本远高于文本和图像。真机轨迹需要真实机器人执行，人类示教需要熟练操作者，失败案例的采集意味着让机器人在真实环境中反复试错。息壤开物称其XR数据平台保持“跨本体、跨模型的中立定位”，这个定位如果执行到位，可以吸引机器人本体厂商贡献数据，形成数据飞轮；但它同时要求息壤开物不与任何本体厂商形成排他绑定，这在商业化初期可能限制其从单一客户获取深度场景数据的能力。公司未披露XR数据平台目前的数据来源、数据量级或合作本体厂商名单，数据飞轮是否已经开始转动，无法判断。
资金用途指向预训练和数据建设，但真正的验证节点在场景侧
据公司披露，本轮募集资金将主要用于原生物理AI模型的规模预训练、真实物理交互数据建设、核心研发人才引入与场景验证。四个用途中，“规模预训练”和“数据建设”是花钱的大头，也是物理基础模型能否成立的前提；“场景验证”排在最后，却是决定公司能否在下一轮融资前证明商业价值的关键。
从已披露信息看，息壤开物面临的核心待验证假设有三个。第一，LPM的贝尔曼方程最优解理论框架能否在规模预训练中稳定收敛，并产生随模型规模增长的物理推理能力涌现——公司称这是其“原生物理预训练”路线的核心信念，但尚未有公开实验证据。第二，真实物理交互数据的采集、清洗和训练价值转化能否跑通单位经济性——如果每单位有效物理数据的成本远高于互联网数据，LPM的规模扩张将受限于数据供给而非算力。第三，L0/L1/L2分层商业化能否在机器人之外的行业找到第一批付费客户——公司历史交付的200+项目集中在金融、政务等领域，这些客户对物理基础模型的需求强度尚未被证明。
公司披露的风险提示也指向同一方向：AI行业竞争加剧，原生物理AI技术落地或不及预期，研发及商业化进度存在不确定性。这三条风险在创投项目的风险披露中属于标准表述，但对息壤开物而言，每一条都有具体含义。竞争加剧意味着Google、Meta等巨头和国内头部具身智能公司可能在12至18个月内推出能力相近的物理模型；技术落地不及预期意味着LPM可能在真实机器人场景中暴露出仿真到现实的迁移鸿沟；商业化进度不确定则与前述L0尚未被验证直接相关。
从资本结构看，息壤开物用5亿美元估值和数亿元融资买到了一段相对宽裕的研发窗口。但物理基础模型的研发周期通常以年计，而早期投资人的耐心窗口通常以轮次计。公司需要在资金耗尽前，至少在一个真实物理场景中证明LPM的推演能力优于现有替代方案——无论是传统物理仿真引擎、强化学习策略，还是视频生成模型加微调的路线。这个验证节点不会出现在新闻稿里，但它会决定息壤开物是成为物理智能时代的底座，还是成为又一个停留在架构叙事阶段的世界模型项目。
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：息壤开物把赌注押在一个尚未被定义清楚的品类上——物理基础模型。它的创始团队有万卡集群的工程信用，投资方给了5亿美元估值的信任票，但LPM目前仍是一个理论框架加架构宣言。贝尔曼方程最优解听起来像第一性原理，真正的考验是它能否在真实机械臂、真实矿山、真实产线上，比一个调参充分的传统控制器更少犯错。物理世界不认叙事，只认失败率。
信息来源
本文在采集与核验阶段引用了以下公开来源，按站点去重列出；来源内容归原发布方所有，其口径不代表 RecodeX 的核实结论。