当大模型把互联网上的公开文本几乎“读尽”之后，一个更棘手的问题浮出水面：那些真正决定科研与工业走向的知识，并不在网页里。它们藏在托卡马克装置的偏滤器结构里，藏在同步辐射光束线的光学元件排布中，藏在深空探测器的多层隔热组件之间。这些对象没有现成的结构化语料，通用AI无法直接理解，更无法调用。于是，人工智能向专业场景的推进，在数据入口处就卡住了。

2026年10月15日，安徽可视科学技术有限公司（品牌名SciVisual）宣布完成天使轮及天使+轮融资，累计金额数千万元人民币。投资方包括上海未来产业基金、厚雪资本、浦东创投，云道资本担任公司长期独家财务顾问。这家成立于2023年的公司，试图把上述“卡住”的环节变成自己的业务起点：它从国家大科学装置与前沿科研场景切入，围绕复杂科学与工业对象积累三维建模、数据处理与AI生产能力，定位为“科学3D AI基础设施企业”。

这轮融资的真正看点，不在于金额本身。数千万元的天使轮在创投市场上并不罕见，罕见的是它所指向的资产类型：不是模型层，不是通用工具，而是把科学装置、工程样机、实验对象转化为可交互、可加工、可复用的三维数据资产。换句话说，可视科学想做的，是AI进入真实科研场景之前的那道“翻译层”。

字段 内容
公司 安徽可视科学技术有限公司（SciVisual）
轮次 天使轮及天使+轮
金额 数千万元人民币（累计）
投资方 上海未来产业基金、厚雪资本、浦东创投
总部 安徽
创始人 杨远帆
官网 未披露

科学可视化只是入口，三维数据加工才是被押注的能力

外界最早认识可视科学，大概率不是因为它的技术架构，而是因为它的作品出现在央视春晚、央视新闻和新华社平台上。据公司通稿称，其创始人兼CEO杨远帆长期参与国家大科学装置数字化及前沿科研成果可视化工作，相关成果曾登上上述国家级媒体平台。公司也与新华社合作，参与国家级科学可视化相关平台建设。

但若把这轮融资理解为“科学动画公司拿钱”，就会错过投资方真正下注的东西。公司通稿称，其能力链条包括复杂科学对象建模、三维数据处理、模型轻量化及交互应用，并正在从科学可视化应用延伸至科学三维数据处理、AI工具与平台化产品。厚雪资本在投资声明中给出了更具体的表述：帮助科研工作者把“数十万套科学装置与工程样机”沉淀为“可交互、可加工的标准化AI数字资产”。

这里的关键词是“可加工”。一个用于展示的三维模型，只需要看起来准确；一个用于AI训练或工程复用的三维资产，则需要在几何精度、物理属性、语义标注、数据层级上都达到可计算的标准。两者的生产逻辑完全不同。可视科学所称的技术积累，核心不在于渲染效果，而在于能否把复杂科学对象从“看得见”推进到“算得动”。

这种差异也决定了公司能力链条的重心。公司通稿把“精准三维建模、专业数据处理、结构化及AI智能生产”并列提出，但真正具有基础设施属性的，可能是后三者。建模解决的是对象能否被数字化的第一层问题；数据处理解决的是模型能否被计算、被分析的问题；结构化解决的是不同学科、不同装置之间的数据能否被统一调用的问题；AI智能生产则关系到这套能力能否从人工密集走向规模化。四层能力中，任何一层缺失，都可能导致公司停留在项目交付层面，而无法形成可复用的数据资产。

从大科学装置里长出来的数据入口，既是壁垒也是窄门

据公司介绍，其团队已深度服务60余位院士、800余名科学家，覆盖20余座国家大科学装置、300余个前沿科学设施，累计参与300余个科研及产业项目。公司通稿还称，其业务已深入核聚变、同步辐射、深空探测、量子科技等高复杂度科研场景。

这些数字需要被放在正确的语境中理解。它们来自公司单方面披露，尚无独立第三方验证；其统计口径——何为“深度服务”、何为“参与项目”——并未公开。但即便打一个折扣，这些数字仍然指向一个事实：可视科学在极短时间内进入了中国科研体系中门槛最高的场景。大科学装置不是普通客户，它们对数据准确性、模型精度和工程可靠性有近乎苛刻的要求，且采购决策链条长、验证周期久。一家2023年成立的初创公司能够进入这些场景，本身就说明其团队在科研圈层中的信任积累，远早于公司注册时间。

创始人背景为这种信任提供了部分解释。公司通稿称，杨远帆为中国科学技术大学力学博士、95后连续创业者，具有有限元仿真与科学计算交叉背景。这意味着他既理解科学对象的物理与数学表达，也具备把科学问题转化为工程实现的能力。团队还汇聚了来自中国科大等高校院所的跨学科人才，覆盖科学研究、三维技术、人工智能和工程化应用。这种复合背景，可能是公司能够进入大科学装置场景的关键原因。

然而，这个入口同时也是窄门。大科学装置的数量有限，单项目制服务的天花板清晰。如果可视科学只停留在为科研机构做定制化三维项目，它的收入结构将高度依赖少数客户和财政科研预算，难以支撑一家“基础设施企业”的估值逻辑。因此，真正的商业问题不是它能否服务大科学装置，而是它能否把在大科学装置中形成的处理能力，转化为可复制、可规模化交付的产品。

投资方的逻辑：赌的是科研数据资产化的中间层

三家投资方的表态，提供了观察这轮融资逻辑的窗口。

上海未来产业基金称：“科学数据是未来产业的底层生产要素。可视科学在国家级大科学装置场景中跑通了从数据入口到结构化资产的闭环，并逐步将相关能力拓展至企业端。”厚雪资本则强调“标准化AI数字资产”和“降低科研与工程开发的数字化门槛”。浦东创投的表述更偏产业生态视角，认为科学对象的数字化、结构化与智能化表达“是链接科研创新与产业研发的关键环节”。

三方的共同判断可以归纳为：AI在专业场景的瓶颈，正从算力和模型转向高质量专业数据的供给。而可视科学被视作一个潜在的数据供给节点。这个判断本身并不新鲜，但它落在了一个相对空白的细分位置——不是做科研数据库，不是做科学计算软件，也不是做通用3D建模工具，而是做科学对象的3D数据加工与结构化。这个位置的尴尬之处在于，它既没有数据库公司的标准化产品形态，也没有软件公司的可复制收入模型，至少在公开信息中尚未体现。

上海未来产业基金和浦东创投的参与，还带有明显的产业政策含义。两家机构均具有上海国资背景，它们的投资逻辑可能不局限于财务回报，而更关注科学数据基础设施对区域产业生态的长期价值。厚雪资本作为市场化机构，其表态中“期待团队持续推进”的措辞，则透露出商业化验证尚未完成的事实。三类资本在同一轮中出现，意味着公司同时承载了政策期待与市场期待，这既是资源，也是压力。

商业模式尚未定型：从项目制到平台化的距离

公司通稿对其商业模式的描述是：面向科研机构与产业企业提供科学三维数据处理、AI工具与平台化产品。但“提供”这个词，掩盖了项目制与产品化之间的巨大差异。

从已披露信息看，可视科学当前的主要业务形态更接近高门槛项目制服务：深度参与科研项目，为特定科学对象建模、处理数据、交付可视化或交互应用。这种模式的优势是客单价高、技术壁垒明显、客户粘性强；劣势是收入非线性、交付重、难以快速扩张。公司通稿也承认，相关技术与产品能力“正逐步向科研、工业及企业应用场景拓展”——“逐步”一词说明，企业端收入尚未成为可验证的主营业务。

从项目制走向平台化，需要跨越的不仅是技术问题。科学3D数据的标准化程度、不同学科之间的数据格式差异、科研机构与工业客户对数据安全和知识产权的敏感度，都是平台化路上的硬约束。可视科学能否从“为大科学装置做项目”走到“为千行百业提供可复用的数据基础设施”，目前没有公开证据可以证明。投资方厚雪资本用了“期待”一词，这本身就意味着它仍是一个待验证假设。

另一个尚未被回答的问题是产品形态。公司通稿提到了“AI工具与平台化产品”，但没有说明这些产品是面向科研机构的桌面软件、云端处理平台，还是嵌入客户工作流的API服务。不同的产品形态对应完全不同的收入模型、销售周期和竞争格局。在公开信息缺失的情况下，外界只能判断公司有平台化意图，而无法判断它已经拥有了平台化产品。

竞争不在明处：替代方案是内部团队与通用工具的组合

本轮公开材料没有列出直接竞争对手。这并不奇怪，因为“科学3D AI基础设施”本身是一个新造的词，市场上几乎没有以同样标签运行的公司。但这不代表没有替代方案。

在科研场景中，可视科学的潜在替代者不是另一家创业公司，而是科研机构内部的计算团队、工程制图团队，以及通用三维软件与AI工具的组合。一个同步辐射实验室可以选择自己培养可视化工程师，也可以用商业CAD/CAE软件加生成式AI工具完成部分工作。可视科学的价值主张，必须强到足以让这些机构放弃内部方案或通用工具，转而采购外部基础设施服务。这需要它在交付效率、专业精度或成本结构上形成明显优势，而目前公开信息并未提供可比较的数据。

在产业端，情况更复杂。工业三维数据处理是一个成熟市场，西门子、达索、PTC等工业软件巨头深耕数十年，拥有从CAD到数字孪生的完整工具链。可视科学若向工业场景拓展，将直接面对这些公司的产品生态。它的差异化可能在于“科学级精度”和“AI原生”的数据结构，但这两点在工业客户那里的付费意愿，尚未被验证。

更隐蔽的竞争来自数据本身。科研机构内部积累的原始数据、实验记录和工程图纸，本身就是一种非结构化的数据资产。如果这些机构未来选择自建数据处理能力，或者与更大型的云厂商、AI平台合作，可视科学可能面临被绕过的风险。它当前的优势在于已经进入了大科学装置场景，但这种优势能否转化为排他性，取决于它能否在数据接口、处理标准和客户工作流中建立起足够深的嵌入。

资金用途与资本结构：一个模糊但方向明确的信号

关于本轮资金用途，公司通稿只给出了一句方向性表述：“继续加强科学三维数据与AI技术的融合，推动相关技术和产品在科研与产业场景中应用。”没有披露研发、市场、团队扩张的具体分配，也没有披露天使轮与天使+轮各自的金额拆分。公司估值、股权结构同样未披露。

从投资方组合看，这轮融资带有明显的政策与区域色彩。上海未来产业基金和浦东创投都是上海国资背景的产业资本，它们的参与，意味着可视科学在上海的落地与产业协同可能比纯粹的财务回报更受关注。厚雪资本作为市场化机构，则承担了更多关于商业化验证的期待。云道资本担任长期独家财务顾问，说明公司在后续轮次中可能保持连续的资本运作节奏。

一个值得注意的细节是：公司注册主体在安徽，创始人来自中国科学技术大学，而本轮投资方中有两家来自上海。这种“安徽研发+上海资本与产业资源”的结构，在长三角科创企业中并不少见，但它也意味着公司需要在两个区域之间管理好人才、客户与政策资源的分配。上海方面可能看重的是科学数据基础设施对本地未来产业的支撑作用，而安徽方面则可能更关注公司与中国科大及本地科研机构的绑定关系。这种跨区域结构能否形成合力，而不是分散公司精力，仍有待观察。

真正的风险：科学数据资产化的验证路径仍不清晰

投资界在报道中总结的风险点，值得被认真对待：专业数据处理及产业应用能力需持续迭代，市场化落地节奏存在不确定性。这不是套话，而是对这家公司当前阶段最准确的描述。

可视科学面临的第一个验证问题，是数据资产的权属与复用边界。科学装置产生的三维数据，往往涉及国家科研项目、多单位协作和保密要求。公司为某个大科学装置建成的模型，能否作为“标准化AI数字资产”沉淀下来，用于服务其他客户？如果不能，那么每一个项目都是孤立的交付，无法形成数据飞轮；如果能，那么权属、授权和安全机制如何设计？这些问题在公开材料中没有答案。

第二个验证问题，是AI能力的真实性。公司通稿反复提及“AI智能生产”“AI工具”，但没有任何信息说明这些AI能力是基于自研模型、调用第三方大模型，还是传统算法与机器学习方法的组合。在2026年的语境下，“AI”这个词的信息量已经很低。如果可视科学的核心能力仍是高精度三维建模与数据处理，那么它的估值逻辑应该按专业数据服务公司来算；如果它真的掌握了科学3D数据的AI生成与结构化能力，那将是完全不同的故事。目前，外界无法从公开信息中区分这两种情况。

第三个验证问题，是收入质量。60余位院士、800余名科学家、300余个项目，这些数字如果主要来自科研课题合作，那么公司的商业化收入占比可能很低。一家以“基础设施”为定位的公司，最终需要证明它能从企业客户那里获得经常性收入，而不是依赖科研项目经费。这个转变能否完成，是决定其下一轮估值的关键。

还有一个更基础的问题：科学3D数据的标准化是否真的可行。不同学科对同一物理对象的描述方式可能完全不同，核聚变装置的结构数据与深空探测器的热控数据，在几何表达、物理单位和语义体系上几乎没有交集。如果标准化只能停留在几何层面，而无法统一物理语义，那么“标准化AI数字资产”的复用价值可能被高估。厚雪资本提到的“数十万套科学装置与工程样机”，如果每一套都需要单独定义数据标准，那么规模化的难度将远超想象。

从已披露的有限信息看，可视科学拥有一个稀缺的起点：它站在中国最高复杂度科研场景的数据入口处，且团队具备跨越科学与工程的复合背景。但起点不等于壁垒，场景不等于产品，数据入口不等于数据资产。这家公司真正的考验，是在大科学装置的光环之外，找到一条可复制、可规模化、可验证的商业化路径。在那之前，它仍是一家值得关注但尚未被证明的科学数据公司。

RecodeX 极客视：科学3D数据是AI进入真实科研场景的潜在入口，但入口本身不产生价值，产生价值的是把入口变成可复用资产的能力。可视科学拿到了一个稀缺的起点，也接下了一个更难的命题：如何让大科学装置里的三维数据，不再只是某个项目的交付物，而成为能够跨场景流动的生产要素。这个命题的答案，不在融资通稿里，而在它接下来能否交出第一份可验证的企业端收入结构中。

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。