当一次仿真要跑三天，工程师只能赌一个设计
2026年秋天，一家英国公司把聚变反应堆、火箭发动机和半导体刻蚀机放进同一个问题框架里：这些机器的共同点不是行业，而是它们都卡在同一个地方——物理仿真太慢。
等离子体在托卡马克里的湍流行为、火箭燃烧室里的极端热流、晶圆刻蚀中气体放电的微观演化，每一个场景的单次高保真仿真都可能耗时数天甚至数周。这意味着，一个工程团队在项目周期内能认真评估的设计方案数量，往往用两只手就能数完。Zenithon的创始人Alex Higginbottom在融资披露中把这个问题说得更直白：当单次仿真或实验需要数天时，即使是最好的工程团队也只能探索可能设计空间的一小部分。
这家总部位于伦敦的AI初创公司刚刚披露了一笔1000万美元的融资，用于构建它所说的“首个面向极端物理的世界模型”。公司成立于2025年，由Alex Higginbottom与Abetharan Antony联合创立，试图用AI模型学习复杂物理系统的行为，并在极短时间内预测不同设计的结果。但在这笔融资背后，有一个比“AI for Science”更具体的产业约束：仿真速度已经成为聚变商业化、下一代火箭和先进制程芯片的共同瓶颈，而解决这个瓶颈的尝试，正在从传统数值计算转向数据驱动的世界模型。
| 字段 | 内容 |
|---|---|
| 公司 | Zenithon（Zenithon AI） |
| 轮次 | 种子轮（部分来源未明确轮次） |
| 金额 | 1000万美元（创始人称合并了过去一年两轮融资） |
| 投资方 | Backed（据投资方声明为领投）、Lunar Ventures、Seraphim Space、MMC Ventures、SOSV，以及来自领先超大规模云厂商的创始人和董事 |
| 总部 | 英国伦敦 |
| 创始人 | Alex Higginbottom、Abetharan Antony |
| 官网 | https://zenithon.ai/ |
“世界模型”进入物理领域，但定义比自动驾驶里的更苛刻
“世界模型”这个词在过去两年被自动驾驶和视频生成领域反复使用，含义已经相当宽泛。Zenithon把它搬进极端物理场景时，给出的定义要具体得多。据公司披露，其世界模型是对真实环境进行“完整、准确的空间与时间表征”，能够学习复杂物理系统的行为并快速预测不同设计结果，同时可以直接从真实世界实验中学习。
这个定义的关键不在“快”，而在“空间与时间表征”和“从真实实验学习”的组合。传统物理仿真——无论是有限元、计算流体力学还是粒子模拟——本质上是在求解偏微分方程，精度高但计算成本极高。数据驱动的代理模型可以快，但往往只在训练数据覆盖的分布内有效，一旦遇到训练集之外的物理状态，精度就会急剧下降。Zenithon试图占据的是两者之间的位置：用世界模型的表征能力去捕捉物理系统在空间和时间上的演化规律，而不是简单地对输入输出做映射。
投资方SOSV在声明中给出了一个具体的技术口径：据投资方声明，Zenithon的模型通过创建复杂物理系统的空间和时间表征，在单张GPU上比现有仿真快一百万倍。公司方面则称，其模型可以在仿真一次所需的时间内探索一百万个设计点。这两个数字指向的是同一种能力——把设计空间探索从“串行试错”变成“并行搜索”。但需要明确的是，这些性能数据目前均来自公司或投资方口径，尚无独立第三方验证。
从已披露的技术路径看，Zenithon聚焦的是等离子体物理。SOSV在声明中特别提到，公司CEO拥有人工智能博士学位，CTPO拥有等离子体与高温物理博士学位，两人职业生涯都横跨AI、聚变能源和商业化。这个背景组合并非偶然：等离子体物理是少数几个同时具备“数据稀缺”和“仿真极慢”双重特征的领域，而这两个特征恰好是世界模型最需要解决的问题，也是最难解决的问题。
聚变、火箭、刻蚀机：三个场景共享同一个数据瓶颈
把聚变反应堆、火箭和半导体制造放在同一家公司里，表面上看起来像是三个互不相干的赛道。但Zenithon选择这三个场景的逻辑，可以从物理仿真的成本结构里找到解释。
聚变领域是最典型的例子。托卡马克中等离子体的湍流输运仿真，单次高保真运行可能需要数天到数周。Commonwealth Fusion Systems（CFS）这样的公司正在推进高温超导托卡马克，其设计迭代对仿真精度的要求极高。Zenithon的顾问名单里恰好有CFS联合创始人、前CTO Dan Brunner，以及Meta董事会成员、微软前战略主管Charlie Songhurst，还有NYU助理教授Zongyi Li。据公司披露，这三位顾问分别覆盖了聚变工程、科技产业战略和机器学习研究三个维度。顾问名单本身不构成商业背书，但它提示了Zenithon试图嵌入的产业链位置：不是替代CFS这样的聚变公司，而是向它们提供设计探索的基础设施。
半导体制造是另一个被低估的等离子体物理场景。先进制程芯片的刻蚀和沉积工艺本质上是对低温等离子体的精确控制。SOSV在声明中把这一点和Physical AI的需求直接挂钩：据投资方声明，使用等离子体制造先进芯片需要更低的延迟、更高的带宽和更低的能耗，而Zenithon的世界模型是这一基础设施的关键使能者。这个判断的逻辑链是清晰的——如果AI芯片的需求持续增长，先进制程的工艺迭代速度就必须加快，而工艺迭代的瓶颈之一就是等离子体仿真的速度。但这条逻辑链的薄弱环节同样明显：从“模型跑得快”到“工艺真的能用”，中间隔着fab厂极其保守的验证流程和良率数据，这些数据通常不会对一家初创公司开放。
火箭场景的物理挑战则在燃烧和空气动力学。高超声速飞行器和火箭发动机的设计同样依赖昂贵的仿真，但这一领域的客户集中度极高，且多数项目带有政府背景，商业化路径与聚变和半导体都不相同。Zenithon把火箭纳入场景列表，更多是在展示其世界模型对“极端物理”的泛化能力，而非已经验证的商业落地。
一百万倍加速的承诺，与尚未回答的精度问题
“快一百万倍”是一个极具传播力的数字，但在物理仿真领域，速度从来不是唯一指标。一个快一百万倍但精度不可控的模型，在工程上几乎没有价值。Zenithon面临的真正考验，不是能不能跑得快，而是能不能在速度提升的同时，把误差控制在工程可接受的范围内。
从已披露的信息看，Zenithon尚未公布任何关于模型精度的量化数据。公司称其模型可以“直接从真实世界实验中学习”，这是一个重要的技术声明，但同样没有披露学习机制的具体细节。世界模型从真实实验中学习，通常意味着模型需要在稀疏、带噪声的实验数据上进行持续更新，这与从大规模仿真数据中训练有本质区别。前者要求模型具备某种形式的在线学习或微调能力，后者则更接近传统的监督学习范式。Zenithon究竟采用的是哪一种路径，目前公开材料无法确认。
另一个值得注意的细节是，公司计划每三个月发布一个新模型。这个节奏在AI领域不算激进，但在物理仿真领域却相当快。传统仿真软件的版本迭代以年为单位，因为每一次更新都需要经过大量基准测试和工程验证。Zenithon选择三个月一个版本的节奏，说明它更接近AI公司的产品逻辑，而非传统CAE软件公司的逻辑。这种节奏的优势是快速迭代、持续吸收新数据；风险则在于，物理仿真领域的用户——尤其是聚变和半导体行业的工程师——对模型版本变动极为敏感，频繁更新可能反而增加采纳阻力。
从已披露的“单张GPU”和“一百万倍加速”这两个约束条件看，Zenithon的模型在推理阶段的算力需求确实很低，这意味着它有可能嵌入到工程师的日常工作流中，而不是作为一个需要专门集群才能运行的重量级工具。但推理成本低的前提是训练成本可控，而训练世界模型所需的算力和数据规模，恰恰是这笔1000万美元融资最需要回答的问题。
1000万美元的资本结构，比金额本身更值得拆解
这笔融资最容易被误读的地方，是“1000万美元种子轮”这个标签。创始人Higginbottom在Tech Startups的报道中明确表示，这1000万美元的披露实际上合并了过去一年内的两轮融资，因此应该理解为“新披露的融资”，而非今天单笔完成的1000万美元。这个口径差异很重要：它意味着Zenithon的实际融资节奏可能比“单笔种子轮”所暗示的更分散，也可能意味着公司在过去一年里已经经历了至少一次估值调整或投资方变更。
轮次本身也存在表述不一致。Seraphim Space的声明称这是“initial funding round”，由Backed领投；SOSV的声明称这是1000万美元种子轮，与BACKED、Lunar Ventures、Seraphim Space、MMC及其他基金和天使投资人共同参投。而tech.eu的原文在投资者名单处存在明显缺失——原文写的是“Its backers include , Lunar, Seraphim, MMC, and SOSV”，逗号前的领投方名称是空的。综合投资方声明，缺失的领投方应为Backed，但tech.eu原文本身并未写出这一名称。
这种来源间的不一致，在早期融资报道中并不罕见，但它对理解这笔交易有实际影响。如果1000万美元确实是两轮融资的合并披露，那么单轮金额、估值变化和投资方进入时点都无法从现有信息中推断。公司未披露本轮估值，也未披露股权与债权的构成。对于一家成立仅一年、尚无公开客户和收入的公司来说，这些未披露项比已披露的金额更能说明问题。
投资方组合本身值得注意。Backed是一家以欧洲早期科技投资为主的基金，Lunar Ventures专注深度科技和开发者工具，Seraphim Space是航天领域的垂直基金，MMC Ventures是伦敦本地的多阶段基金，SOSV则通过其HAX项目切入硬科技。这个组合的显著特征是：没有一家是传统意义上的“AI基础模型”投资方，也没有一家是聚变或半导体领域的产业资本。这意味着本轮投资逻辑更多建立在“AI for physical world”的通用叙事上，而非某个垂直行业的深度绑定。SOSV在声明中提到了与普林斯顿等离子体物理实验室（PPPL）的合作关系，并称期待与Zenithon在等离子体数据上协作，但这一协作的具体形式和深度尚未披露。
资金用途指向算力和旧金山，但商业模式的空白仍然醒目
据公司披露，资金将分配于招聘与算力，使公司能够每三个月发布新模型，并在旧金山及美国各地扩展团队。创始人Higginbottom在traded.co的报道中说得更直接：“我们用1000万美元来训练面向极端物理的大型世界模型……没有这笔钱，我们无法训练这么大的模型，也无法拥有这么强的能力。”
把大部分资金投向算力和招聘，对于一家以模型训练为核心的公司来说是合理选择。但“扩展旧金山及美国各地团队”这个动作，暗示Zenithon的商业重心正在向美国倾斜。这不难理解：聚变领域最活跃的公司（CFS、Helion、TAE）在美国，先进制程半导体的核心厂商在美国和亚洲，火箭领域的关键客户也在美国。伦敦作为研发中心可以接触到欧洲的聚变研究资源（如英国的JET和MAST-U装置），但商业化落地大概率需要在美国建立更近的客户关系。
然而，在所有已披露的信息中，Zenithon的商业模式完全空白。公司没有披露任何客户、收入、定价模式或合作意向。对于一家声称要服务聚变、半导体和航空航天三个行业的公司来说，这三个行业的采购逻辑差异极大：聚变公司数量少但单笔合同可能很大，半导体fab厂对供应商的验证周期以年计，航空航天客户则高度分散且预算周期不稳定。Zenithon究竟是以软件授权、按仿真次数计费、还是以定制模型开发的方式变现，目前没有任何公开信息可以回答。
这种商业模式的空白，在种子轮阶段并非致命问题，但它把验证压力全部推到了未来十二到十八个月。如果公司真的按计划每三个月发布一个新模型，那么到2027年底它将拥有至少四到五个公开可评估的模型版本。届时，市场关注的将不再是“快一百万倍”的口号，而是这些模型在真实工程任务中是否真的能替代哪怕一部分传统仿真工作。
竞争不在AI公司之间，而在工程师的工作习惯里
Zenithon的竞争格局有一个容易被忽略的特点：它最直接的对手不是其他AI公司，而是工程师已经使用了几十年的传统仿真工具，以及工程师对这些工具的信任惯性。
在聚变领域，主流的等离子体仿真代码——如GYRO、GENE、XGC——大多来自国家实验室和学术机构，经过数十年的验证和基准测试。这些代码的精度是公认的，速度也是公认的慢。Zenithon的模型如果要进入这个领域，面对的不仅是技术指标的对比，还有一套极其保守的验证文化。聚变工程师不会因为一个模型“快一百万倍”就放弃使用经过验证的代码，他们需要看到模型在足够多的工况下与高保真仿真结果一致，才会考虑将其纳入设计流程。
在半导体制造领域，情况类似但更封闭。先进制程的工艺仿真被Synopsys、Cadence、Lam Research等公司的工具链深度绑定，fab厂的数据几乎不会流出。Zenithon声称其模型可以直接从真实世界实验中学习，但如果没有fab厂愿意开放实验数据，这一能力就无法在半导体场景中兑现。SOSV在声明中提到与PPPL的合作可能为Zenithon提供等离子体数据，但PPPL的数据以聚变等离子体为主，与半导体刻蚀中的低温等离子体在物理参数上差异显著。
从已披露的信息看，Zenithon没有公开任何竞争对手的对比数据，也没有披露其模型在任何标准基准测试上的表现。在AI领域，缺乏基准测试结果通常意味着模型尚未达到可以公开比较的成熟度；在物理仿真领域，缺乏基准测试结果则几乎等同于“尚未进入工程评估阶段”。这是一个比融资轮次更值得关注的信号。
从“首个”到“可用”，中间隔着一条未经验证的鸿沟
Zenithon在融资公告中使用了“首个面向极端物理的世界模型”这一表述。据公司披露，这是其对自己技术定位的描述。但“首个”这个说法在AI领域几乎每天都会出现，它的实际意义取决于定义有多窄。如果把“世界模型”限定为“对等离子体物理进行空间和时间表征的AI模型”，那么Zenithon可能确实是较早公开提出这一方向的公司之一；但如果把范围扩大到“用机器学习加速物理仿真”，那么过去五年里已经有多家公司和学术团队在做类似的事情，包括NVIDIA的Physics-ML方向、DeepMind的天气预测模型，以及多个国家实验室的代理模型项目。
Zenithon真正的差异化，可能不在于“世界模型”这个概念本身，而在于它把模型训练的目标设定为“直接从真实世界实验中学习”。这个能力如果成立，意味着模型可以绕开传统仿真数据不足的限制，直接从实验装置中获取训练信号。但这一能力的验证难度也最高：真实实验数据通常稀疏、带噪声、且受限于特定装置的工况范围，如何从这样的数据中训练出具有泛化能力的世界模型，是一个尚未被解决的研究问题。
从投资逻辑看，Backed、Seraphim Space和SOSV等机构押注的是一个“如果成立，价值巨大”的命题：如果世界模型真的能在保持工程可用精度的前提下把物理仿真加速一百万倍，那么聚变、半导体和航空航天领域的设计范式将被彻底改写。但这个命题的验证路径漫长且昂贵，1000万美元在这个方向上只是入场券。公司需要在未来几个季度内证明的，不是模型跑得有多快，而是模型在至少一个真实工程场景中，能产生传统工具无法产生的设计洞察。
Zenithon的顾问团队构成——CFS前CTO、Meta董事会成员、NYU机器学习助理教授——为这个验证路径提供了一定的产业和学术连接，但顾问的参与深度和实际贡献在公开材料中无法评估。同样，SOSV提到的PPPL合作如果落地，可能成为Zenithon获取高质量等离子体数据的关键通道，但这一合作的正式程度和排他性均未披露。
从已披露的“每三个月发布新模型”和“在旧金山及美国各地扩展团队”这两个计划看，Zenithon正在按一家典型AI公司的节奏推进，而非按传统深度科技公司的节奏。这个选择本身是一种信号：它意味着公司认为模型迭代速度比单点精度更重要，也意味着它需要在短时间内向市场证明持续产出能力。但物理仿真领域的用户是否接受这种节奏，仍然是一个悬而未决的问题。
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：Zenithon把“世界模型”从视频生成带进了等离子体物理，这个迁移的野心值得认真对待。但一百万倍加速的承诺，只有在精度被工程界接受之后才有意义。1000万美元能训练出多大的模型、能买到多少高质量实验数据、能说服多少个工程师放弃他们信任了二十年的仿真代码——这三个问题的答案，将决定这家公司是物理AI的基础设施，还是又一个把“首个”写进新闻稿的种子轮故事。
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。