世界模型赛道挤满算力叙事，但物理智能的缺口在数据端

过去一年，具身智能和世界模型的融资故事大多围绕同一个轴心展开：更大的参数、更强的算力、更贵的训练集群。投资人和创业者反复追问的是模型架构能不能再进一步，GPU 供给能不能跟上，却很少把问题推到更前端——训练这些模型的数据，究竟从哪里来，成本有多高，能不能规模化。

这个缺口正在被少数团队当作主攻方向。据36氪报道，公司认为，制约物理 AI 规模化发展的关键瓶颈不只是模型架构和算力，更是可规模化的真实物理数据。据36氪报道，这家从清华大学自动化系走出来的团队已经完成第三轮融资，半年内累计融资金额达数亿元人民币，投资方包括北京、深圳头部国资、知名美元资本和顶级 AI 生态投资基金等。

把融资消息放在这个节点看，它更像是对一条技术路线的下注：不是继续堆算力，而是重新定义物理智能的数据来源和利用效率。据36氪报道，公司聚焦的问题是：物理智能的最终来源是什么。公司的回答是，规模化的真实物理数据，而不是单纯的模型规模。

字段 内容
公司 幂级智能（DenseAI）
轮次 第三轮（具体轮次名称未披露）
金额 数亿元人民币（三轮累计口径）
投资方 北京、深圳头部国资，知名美元资本，顶级 AI 生态投资基金等；星连为本轮参与方之一
总部 未披露
创始人 封硕（联合创始人、首席科学家）；石梦凯（联合创始人、CEO）
官网 未披露

把数据端缺口单独拿出来看，世界模型赛道的竞争维度可能正在从“谁能训练更大的模型”转向“谁能以更低成本获得可复用训练信号”。36氪报道中提到的“大规模存量的、边际成本极低的真实物理数据”，意味着幂级智能试图把数据获取从项目制投入变成接近基础设施式的持续供给。如果这一路径成立，竞争壁垒可能不再体现在单次采集精度，而体现在数据体系的边际成本曲线能否持续下压。但这一判断仍需验证：来源并未披露公司实际掌握的数据规模、更新频率或清洗成本，因此“边际成本极低”目前仍是公司提出的目标状态，而非已公开验证的运营结果。

密集学习不是又一个训练技巧，而是对数据价值衰减的正面回应

幂级智能的技术叙事建立在一个被团队称为“稀疏度灾难”（Curse of Rarity）的理论判断上。据36氪报道，公司团队在系列研究中提出并从理论上论证：随着模型不断训练，数据的学习价值可能呈指数级衰减，高价值数据往往稀疏地分布在海量数据池中。大量低价值数据不仅难以持续提升模型能力，还可能淹没真正有价值的学习信号。

这个判断直接指向当前大模型训练中的一个现实问题：数据量在膨胀，但边际学习收益并不线性增长。对语言模型而言，互联网文本的存量足够大，低价值数据可以通过规模稀释；但对物理 AI 而言，真实交互数据的采集成本远高于文本，低价值数据的代价被放大。

幂级智能提出的密集学习（Dense Learning），核心是利用模型自身的内在学习信号，自动化识别和筛选高价值数据，并结合模型架构创新提高数据的信息密度。36氪的报道没有披露这一方法的具体实现细节，但将其定位为团队从学术研究延续到产业化的主线。据36氪报道，公司团队称其核心团队于2023年在《Nature》正刊发表密集强化学习研究成果，并被选为当期封面论文。这一学术记录来自公司单方转述，未见独立核验，将其直接等同于商业产品的技术壁垒，仍需要后续产品交付来验证。

“稀疏度灾难”如果成立，它对训练策略的隐含影响可能不止于筛选数据，还涉及训练预算的重新分配。传统思路倾向于扩大数据规模和训练轮次，而密集学习指向的是在有限预算内优先识别高价值样本。36氪报道将这一理论定位为团队从学术研究延续到产业化的主线，但来源没有给出该方法在商业模型训练中的量化对比结果。因此，目前能确认的是理论命题和学术发表记录，尚不能确认其在规模化物理模型训练中的效率优势是否可复现。

以世界为中心的真实交互视频，是一条绕开机器人本体依赖的数据路径

物理 AI 数据采集通常面临一个两难：要么绑定特定机器人本体，数据真实但成本高、泛化差；要么依赖仿真合成，成本低但存在 sim-to-real 差距。幂级智能选择的是第三条路：以世界为中心（World-centric）的真实交互视频数据。需要说明的是，来源并未给出该路径与仿真合成、本体采集在数据成本、泛化效果或 sim-to-real 差距上的量化对比，因此“第三条路”的优势目前是编辑基于技术逻辑的分析，而非已成立结论。

据36氪报道，公司认为物理世界模型的高价值数据源需要满足三个条件：足够低的边际成本、充分的真实物理信息，以及从第一天就具备大规模扩展的能力。围绕这一判断，公司重点探索利用人类在工业生产、日常生活等真实场景中自然产生的物理活动，构建预训练数据体系，降低对特定机器人本体和昂贵动作标注的依赖。

这条路径的逻辑是，人类活动视频天然包含物理规律、物体交互和运动模式，边际成本接近零，且存量巨大。问题在于，这些视频并非为机器人学习而生成，噪声高、标注缺失、视角不一致。密集学习在这里被赋予的角色，就是从这些低密度数据中提取高价值信号。据36氪转述公司说法，公司世界模型已在某全球机器人赛事中提供底层技术支撑，并开始在真实场景中商业化交付，初步完成产品市场验证。这一表述尚无独立第三方核证；赛事名称、客户类型、交付规模和合同金额均未披露。

以世界为中心的真实交互视频路径，本质上是在重新定义“可接受的数据质量”。传统机器人学习通常要求动作标注和本体状态信息，而人类活动视频缺少这些结构化字段。幂级智能的替代方案可能是把密集学习作为补偿机制，用模型自身信号从非结构化视频中提取可训练信息。这意味着该路径的可行性高度依赖密集学习的实际效果：如果筛选能力不足，低质量视频可能只是把成本从采集端转移到训练端。36氪报道没有披露公司在视频数据清洗、去噪或跨视角对齐方面的具体方法，因此这条数据路径的工程闭环仍待观察。

自主进化训练体系试图让智能体自己找难题，但验证链条还停留在实验阶段

幂级智能提出的另一个技术方向是自主进化（Self-Evolution）训练体系。据36氪报道，这一体系让智能体主动发现自身能力边界，动态创造更具挑战性的任务，并通过真实交互与反馈持续提升能力。换句话说，模型不只是被动接受人类标注的高价值数据，而是自己生成训练目标。

据公司披露，在多项真机任务中，采用密集强化学习的方法，失败率呈数量级下降。该数据来自公司单方披露，任务类型、基线方法、实验规模和统计口径均未公开，尚无独立验证。36氪的报道将这一结果描述为“阶段性实验进展”，并称其验证了高价值经验选择在提高机器人训练效率方面的潜力。

从技术逻辑看，自主进化的吸引力在于它可能突破人类标注的瓶颈。但风险同样明显：如果智能体生成的任务偏离真实场景分布，或者奖励信号设计不当，自主进化可能放大模型偏差而非修正它。目前公开信息不足以判断幂级智能在这一环节的工程成熟度。

自主进化训练体系与密集学习之间存在一个未被来源展开的衔接问题：智能体主动创造的新任务，是否同样需要经过高价值筛选。如果自我生成的任务数量快速膨胀，而筛选机制没有同步扩展，系统可能重新陷入低价值数据淹没信号的困境。36氪报道只提到“动态创造更具挑战性的任务”，没有说明任务生成与高价值数据识别之间如何耦合。这一机制设计可能决定自主进化是提升泛化能力，还是把训练分布推向更窄的自我偏好区域。

半年三轮累计数亿元，资本结构里国资与美元基金并存

本轮融资的披露方式本身值得注意。36氪的报道只给出“第三轮融资”和“半年内累计融资金额达数亿元人民币”，没有披露单轮金额、具体轮次名称、首次宣布或完成日期。这意味着“数亿元”是三轮合计口径，不能等同于单轮融资规模。

投资方构成上，36氪报道列举了北京、深圳头部国资、知名美元资本和顶级 AI 生态投资基金等。星连作为本轮参与方之一出现在报道标题中。国资与美元基金同时出现在同一轮，通常意味着项目兼具前沿技术属性和产业落地预期，但不同投资方的回报周期和退出逻辑可能存在差异。由于36氪报道没有披露具体机构名称、持股比例和条款安排，这种混合结构对公司后续战略节奏的具体约束无法进一步判断。

公司总部、官网和成立年份均未在本次来源中披露。这给外部评估公司成熟度留下了信息缺口。

半年内完成三轮融资，且投资方覆盖北京、深圳国资与美元基金，可能反映公司同时在不同区域和不同资本属性之间推进。北京与深圳国资的参与，通常与地方人工智能或机器人产业政策存在关联，但36氪报道没有披露具体机构名称，因此无法判断其产业协同深度。美元资本与国资在同一轮出现，也可能意味着公司在治理结构上需要同时回应两类诉求：一类偏向技术自主和区域落地，另一类偏向全球扩展和退出弹性。这种结构对早期公司的战略自由度可能形成额外约束，但具体影响取决于未披露的持股比例和条款安排。

从学术团队到商业公司，清华背景是起点而非护城河

幂级智能的创始团队配置在物理 AI 赛道属于典型的高学术密度组合。据36氪报道，联合创始人、首席科学家封硕是清华大学自动化系副教授、博士生导师，先后入选 MIT TR35 中国区榜单、获得达摩院青橙奖，并于2026年入选国家自然科学基金青年科学基金项目 A 类。联合创始人、CEO 石梦凯拥有清华大学自动化系本科、博士教育背景，曾联合创办自动驾驶领域创业公司并担任 CTO。

36氪还提到，公司汇聚了来自国家实验室、字节跳动、头部具身智能公司的核心研发人才，同时吸引了一批清华大学的青年 AI 人才。这些履历说明团队在学术和工程两端都有积累，但学术荣誉和商业竞争力之间没有自动转换关系。物理 AI 的产业化考验的是数据工程、模型部署、客户交付和成本控制，这些能力无法从论文引用量中直接推断。

封硕的学术记录中，2023年《Nature》封面论文与2026年国家自然科学基金青年科学基金项目A类入选，时间跨度较短，说明团队在密集学习方向上的学术产出仍在持续。但学术项目与商业产品面临不同的评价体系：前者看重理论贡献和同行认可，后者看重交付稳定性、客户续约和单位经济模型。36氪报道没有提供公司从学术成果到商业产品的转化节点，例如首个付费客户、首个可复制交付方案或模型部署成本数据。因此，清华背景和学术荣誉可以解释团队为何能快速获得资本关注，但不足以单独支撑商业壁垒的判断。

商业化验证刚刚开始，赛事支撑和真实场景交付的含金量有待拆解

36氪报道中关于商业化的信息只有两句：公司世界模型已在某全球机器人赛事中提供底层技术支撑，并开始在真实场景中商业化交付，初步完成产品市场验证。这两句话的信息密度很低，但方向不同。

赛事技术支撑说明团队的技术能力被外部组织认可，但赛事场景通常是受控环境，任务定义清晰，数据分布相对集中，与开放世界的真实部署存在差距。真实场景商业化交付则更接近产品验证，但36氪没有披露客户类型、交付规模、合同金额或续约情况。“初步完成产品市场验证”是据36氪转述的公司说法，不是可量化的商业指标，尚无独立第三方核证。

从已披露的信息看，幂级智能的商业化仍处于早期。世界模型赛道的付费方可能是机器人厂商、自动驾驶公司或工业自动化客户，但每一类客户的采购逻辑不同：机器人厂商关心模型能否降低本体数据采集成本，自动驾驶公司关心极端场景覆盖，工业客户关心可靠性和部署成本。幂级智能尚未公开其目标客户优先级，这意味着商业模式的清晰度仍然有限。

“初步完成产品市场验证”这一表述的边界需要进一步拆解。36氪报道没有说明验证的具体标准，是完成单次技术交付、获得付费合同，还是达到一定规模的重复采购。赛事技术支撑与真实场景交付可能分属不同验证层级：前者验证的是模型在受控任务中的可用性，后者才涉及客户付费意愿和持续使用。由于客户类型、交付规模和续约情况均未披露，目前只能确认公司已进入真实场景交付阶段，不能据此判断其商业模式已经跑通。

资金用途未披露，但技术路线的验证路径已经清晰

本轮融资的资金用途没有在36氪报道中披露。从公司技术路线和商业化阶段推断，资金大概率会投向数据体系建设、模型训练和场景交付三块，但这只是基于公开信息的合理推测，公司并未确认具体分配。

更值得关注的是，幂级智能的技术路线本身隐含了一条可验证的路径。第一层验证是数据体系：以世界为中心的真实交互视频能否在成本可控的前提下，持续产出对物理智能有效的训练信号。第二层验证是密集学习的效率提升：在相同数据规模下，模型能力提升是否显著优于传统方法。第三层验证是自主进化的稳定性：智能体自我生成的任务是否真的提升泛化能力，而不是在窄分布上过拟合。

这三层验证中，第一层决定数据飞轮能否转起来，第二层决定技术壁垒是否成立，第三层决定长期天花板。目前公开信息只提供了第三层的阶段性实验数据，且来自公司单方披露，前两层的量化结果尚未公开。这意味着投资人对本轮下注的判断依据，更多来自团队学术记录和技术路线逻辑，而非已公开的商业化数据。

在资金用途未披露的情况下，外部观察者只能通过技术路线反推可能的投入优先级。36氪报道提到的“场景产生数据、数据训练模型、模型反过来赋能场景”飞轮，意味着公司可能需要同时投入数据获取、模型训练和场景交付三个环节。对早期公司而言，这种并行投入可能带来资源分散风险：如果数据体系尚未形成规模，模型训练效率提升就缺乏足够样本支撑；如果场景交付推进过快，又可能被客户定制需求拖累基础模型迭代。公司未公开各环节的资金分配，因此无法判断其是否选择了阶段性聚焦策略。

半年内完成三轮融资，可能反映资本对该方向的关注，但单轮金额与投资方具体名单未披露，不能据此判断资本对技术路线的独立验证。幂级智能把赌注压在真实数据和密集学习上，方向与行业痛点吻合，但“方向正确”和“路径可行”之间的距离，需要比一篇融资报道更多的证据来填平。

RecodeX 极客视：当世界模型公司都在比谁的算力账单更大时，幂级智能把问题拉回数据本身。密集学习的理论逻辑自洽，但真正的考验不在论文里，而在能否用真实场景数据持续训练出可交付的物理智能。半年三轮融资说明资本愿意为这个方向买单，接下来要看的是，公司能否把“失败率数量级下降”的实验结果，变成客户愿意续约的产品指标。

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。