飞捷科思完成A1轮数亿元融资：国产物理AI底座能否破解具身智能“卡脖子”？

当一个机械臂试图将一颗葡萄放入玻璃杯时，现实世界给出了最冷酷的答案。在仿真软件里完美运行上万次的程序，落到实体机器人上，葡萄可能被捏爆，可能滑落，也可能在离杯口三厘米的地方悬停——虚拟环境中那座“完美的玻璃杯”，从未真正存在过。算法理解了空间关系，却在材质摩擦力、弹性形变和流体扰动面前彻底失语。这就是具身智能产业集体面临的“物理幻觉”，它揭示了当前AI从数字世界迈向物理世界最核心的断裂带：软件定义的秩序，远不足以描述物理世界的混沌。

要消除这种幻觉，仅靠堆砌真实场景的训练数据是徒劳的——物理仿真数据采集成本极高，且无法覆盖现实世界无穷的工况组合。产业真正的瓶颈，卡在了一层比大语言模型更底层、更接近物理法则的软件上——物理仿真引擎。这个由英伟达PhysX、微软Havok和Ansys等海外产品长期垄断的赛道，对精度、实时性和计算效率有着苛刻要求，长期以来是国内产业工具箱中最沉默、也最难突破的一块短板。

2026年8月6日，物理智能公司飞捷科思智能科技（上海）有限公司宣布完成A1轮数亿元融资，试图为这块短板补上来自中国的代码。本轮由老股东泰达科投携手海松资本、复旦科创共同领投，毅达资本、优势资本、踊跃资本、汇融基金、财鑫资本、湘江国投作为新增投资方参与；云启资本、硅港资本、中赢创投、常垒创投等现有股东继续追加投资。在具身智能赛道整体融资节奏趋缓的背景下，本轮融资吸引十三家机构、其中半数以上为新进资方，令飞捷科思在2026年的资本寒冬中显得尤为突出。

重新发明物理引擎：从PhysX的“视觉真实”到Fysics的“物理真实”

飞捷科思的技术底色，与创始人张立华的职业轨迹密不可分。张立华是英伟达PhysX物理仿真引擎的核心奠基人之一，曾担任该引擎研发团队负责人。PhysX是全球应用最广泛的实时物理仿真引擎之一，被集成在Unity、Unreal Engine等主流开发平台中，长期服务于游戏、影视与早期的机器人仿真。然而，PhysX的底层架构诞生于2000年代初，其设计初衷是为视觉渲染提供足够满足人眼的“真实感”——碰撞、刚体运动、粒子效果，只要看起来合理即可，无需在物理量上达到工程级精度。

这意味着，当具身智能产业需要一个能够精确模拟柔性材料撕裂、流体与颗粒物耦合、接触面微观弹性形变的物理底座时，PhysX的旧有框架已难以承载。真实世界的物理规律是不连续、非线性且充斥着耦合效应的，这与游戏引擎“看起来对就行”的简化逻辑根本不在同一技术维度。张立华离开英伟达后回国，加入复旦大学，担任智能机器人与先进制造创新学院副院长、智能机器人研究院常务副院长。飞捷科思正是诞生于这一技术判断之下，其核心使命不是对海外引擎的修补或改良，而是构建一套从底层求解器到上层应用完全自主研发的物理智能技术体系。

公司目前对外披露了五大核心产品线：可微分物理引擎Fysics、具身智能仿真训练平台MoziSim、物理AI全模态基础模型OmniFysics、物理世界模型Fysiverse，以及全链路物理AI数据解决方案FysiData。这套产品矩阵从底层解算、仿真训练、基础模型到数据生成纵向贯穿。飞捷科思自称已搭建起国内首个全栈自研物理智能技术体系，其产品布局完整性在国内物理智能赛道具有独特性，意味着其核心求解器代码不依赖任何海外闭源组件，这一定位直接触碰了国内物理仿真工具链最深的自主化瓶颈。

可微分引擎的分水岭：为何这是一条高代价的技术路径

五大产品中，Fysics物理引擎是整个技术体系的基石。飞捷科思将其描述为一款可微分物理引擎，这一路径选择将其与PhysX等传统引擎划清了根本界限。传统物理引擎的求解器是“黑箱”：输入参数、输出运动轨迹，但算法难以反向推导——一个机器人脚步打滑，引擎只能告诉你它摔倒了，却无法精确告诉你地面摩擦系数需要修正多少才能避免摔倒。可微分的本质，是让物理仿真对输入参数可导、可优化，从而使AI模型能够像训练神经网络一样，通过反向传播直接学习物理参数的精细调整。这在场景泛化能力上可能带来质的提升：一旦机器人学会在某种地面材质上行走，它也许能够自行推导出在相近材质上的最优步态。

然而，这条技术路线的工程难度极高。刚体碰撞的接触面求解本身已经是不连续的非线性问题，引入柔性体、流体、颗粒物之后，求解器必须在大规模并行计算框架下实现可微分，这需要从底层数值算法到GPU加速架构的完整重构。目前全球范围内对此尚处于研究主导的阶段，真正能够将其产品化的团队屈指可数。飞捷科思选择这条路，意味着其在求解器层面的研发投入可能远高于做一层传统引擎“外挂”的方案，但一旦成功，技术壁垒也相应更高。

在Fysics之上，MoziSim定位为具身智能仿真训练平台。具身智能企业的普遍痛点是：真实训练数据采集成本极高，且覆盖场景极为有限；而将虚拟环境训练的模型迁移到真实场景时，微小的物理参数偏差就会导致动作策略崩溃——这被业界称为“虚实迁移失真”。MoziSim的价值主张是通过高精度仿真缩小这一迁移间隙，但具体的技术指标、迭代效率以及在不同机器人本体上的泛化表现，公司尚未公开披露，其实际效果仍需等待外部测评验证。

OmniFysics和Fysiverse则分别指向物理AI的基础模型层和世界模型层。在2026年世界人工智能大会（WAIC）上，飞捷科思发布了新一代物理世界模型Fysiverse，并牵头集结32家产学研用资单位成立国内首个物理智能创新联合体，推出仿真测试场、国产训练工作站、工业物理模型等六项联合落地成果。从公开信息看，该联合体更偏向产业生态层的资源整合，意图通过共性需求拉动技术迭代。FysiData则是一套全链路数据解决方案，旨在为物理世界模型和机器人大脑训练提供合成数据——这可能是飞捷科思产品矩阵中逻辑上最接近商业付费的一环。具身智能公司对高质量合成数据的饥渴已是行业共识，因为真实采集成本太高，而开源数据质量又难以保证。

十三家资方的共识与赌注：一笔对长周期的“信任票”

A1轮融资吸引了十三家机构参与，多方背景的交叉构成了一幅耐人寻味的资本图谱。领投方包括泰达科投、海松资本和复旦科创。泰达科投具有天津开发区国资背景，其投资逻辑通常与产业引导和区域战略布局相关；复旦科创直接挂钩复旦大学的技术成果转化体系，更注重前沿技术的早期孵化与知识产权变现；海松资本则是专注于硬科技和医疗的私募机构，偏好技术壁垒高的长周期投资。国资、高校转化平台、市场化私募基金的组合，是典型的“深科技+长周期”投资配伍，意味着投资方可能接受物理AI底层基础设施在数年内难以产生正向现金流。在产业资本对回报周期容忍度普遍下降的2026年，这一配结构是一个值得注意的信号。

飞捷科思的历史融资节奏相当密集。据公开资料，公司此前已完成多轮融资，先后引入经纬创投、东方富海、云启资本、鼎峰科创、致道资本等市场化VC，以及沐曦股份、驰星创投等产业资本。天眼查未显示公司具体成立年份，但在2026年3月的Pre-A2轮融资中，飞捷科思已是两个月内连续完成近亿元融资，资本密度在硬科技初创中并不常见。从Pre-A2到A1轮仅相隔约五个月，融资规模从近亿元跃升至数亿元，投资方阵容从早期的市场化VC扩展到国资与产业资本的合围，这可能意味着公司估值在短时间内经历了显著变化，且资方已从“押注团队”阶段进入“押注产品化能力”阶段。

然而，飞捷科思的公开信息存在两个显著的“盲盒”：客户和商业模式。创业邦、央广网和36氪等权威媒体的报道均未提及任何已签约客户或付费用户。公司产品矩阵虽覆盖从引擎到数据的完整链条，但究竟是向机器人公司收取引擎授权费、按算力消耗收取仿真训练服务费、还是以项目制交付解决方案，公司官方并未说明。对于一家声称产品线已经如此丰富、并牵头成立产业联合体的企业，付费验证的缺失使得当前的技术叙事暂时缺少商业注脚。这在硬科技融资中并不罕见，但同样是后续轮次估值能否持续提升的关键变量。

可以参照的是海外对标格局。英伟达通过PhysX与Isaac Sim平台，将仿真能力包装为GPU硬件和Omniverse订阅的增值服务，其商业逻辑高度依赖于硬件生态的锁定效应；谷歌DeepMind在内部使用物理世界模型辅助机器人研究，但未独立商业化。飞捷科思作为独立第三方物理AI公司，没有任何硬件可捆绑，必须自己说服客户为其纯软件工具付费，这可能比依附于硬件平台的内部工具高出一个量级的商业难度。

商业化的三条可能路径与未经验证的定价权

尽管公司未披露具体商业模式，依据其产品矩阵和行业需求，飞捷科思的商业化可能沿三条路径展开。第一条是Fysics引擎本身的授权模式，类似于工业软件的传统打法：向机器人公司、车企或高端制造企业收取年度许可费，按部署规模分级定价。这条路径的挑战在于，国内制造业对付费软件的接受度历来是一大障碍，尤其是在开源替代方案持续涌现的情况下。

第二条路径是将MoziSim仿真平台与FysiData数据方案打包，向具身智能公司提供“仿真训练+合成数据”的一站式服务，按算力使用量或训练时长收费。这条路径的付费逻辑更接近云计算，客户的采纳门槛相对较低，但单位毛利也更容易受到算力成本波动的挤压。考虑到物理仿真的GPU消耗远超普通云端推理，定价能否覆盖成本并产生有吸引力的利润率，仍需验证。

第三条路径是项目制交付，即为大型工业客户定制特定场景的物理数字孪生方案。这条路径在短期内可能带来单笔高额收入，但规模化受限，且容易让研发团队陷入无止境的定制化需求中。目前从飞捷科思牵头产业联合体、推出“工业物理模型”等落地成果来看，项目制可能已经是其早期收入的一部分来源，但其规模和客户名称均未披露，外界无从判断这一收入是否足以支撑公司的长期研发投入。

竞争纵深：不是没有对手，而是赛道刚刚开启

飞捷科思自称“国内首个全栈自研物理智能技术体系”，这一表述作为市场定位是合理的，但绝不意味着没有竞争压力。实际上，其面临的竞争者分布在三条战线，任何一条战线上的变局都可能重塑飞捷科思的市场空间。

第一条战线是海外仿真巨头。英伟达Isaac Sim、Ansys、西门子Simcenter等产品占据了工业仿真绝大部分存量份额，它们正在将传统有限元分析能力与AI训练需求进行结合，且拥有强大的硬件绑定和生态网络效应。国内具身智能创业公司目前普遍使用英伟达Isaac Sim做机器人训练仿真，因为其与英伟达GPU硬件深度绑定，迁移成本低，学习资料丰富。飞捷科思作为后来者，需要在一个已被巨头生态渗透的市场中说服客户切换工具链，这本身可能比技术性能的竞争更艰难。不过，巨头们在特定场景的柔性体、颗粒物高精度可微分仿真上同样面临架构升级的挑战，这或许能留给飞捷科思一个差异化的窗口。

第二条战线来自国内同类公司和潜在进入者。同样聚焦物理仿真引擎的方向可追溯到部分高校孵化项目与独立团队，但公开完成大额融资并构建全栈产品体系的，飞捷科思的确是第一家。此外，部分头部机器人公司自行研发了内部用的简易仿真环境，但它们不是第三方工具提供商。这对飞捷科思既构成威胁——潜在的大客户可能转向自研，从而不再需要外采工具；也构成机会——自研成本高企、维护负担重，或许会迫使中小型机器人企业最终选择第三方专业引擎。这一平衡点的走向，可能是观察飞捷科思市场天花板的一个关键指标。

第三条战线来自开源社区，这也是飞捷科思最值得警惕的中长期竞争者。以斯坦福大学的SAPIEN、MIT的DiffSim为代表的开源可微分物理仿真项目正在快速成熟，它们在工业级精度和生态支持上尚远不及闭源产品，但开源社区的迭代速度和零成本分发优势不可低估。一旦某个开源项目达到“足够好用”的水位线——能够覆盖大多数常见仿真场景且拥有活跃的开发者社区——飞捷科思的付费墙将面临严重的价值质疑。对于一家以纯软件为商业基础的公司，开源替代是最难防御的竞争形态。

尚待验证的核心假设与工程落地的多重风险

飞捷科思的故事建立在一系列尚未被市场验证的假设之上。第一个也是最关键的假设：可微分物理引擎是否真的是具身智能产业规模化的刚性需求？产业界对此远未形成共识。如果最终被证明替代路径更有效，飞捷科思围绕可微分引擎投入的数亿元研发投入的边际价值将急剧衰减。

第二个假设关乎付费意愿与支付能力。飞捷科思的定价策略是否能在覆盖自身高昂研发和算力成本的同时，又不将中小企业挡在门外，这个商业方程目前完全未知。如果早期客户以科研院所和国有项目为主，付费可能更偏向政策驱动而非市场驱动，这也会影响其后续商业化的可复制性。

第三个风险点来自组织能力的边界。飞捷科思同时推进五大产品线、牵头32家单位的联合体、在WAIC上高调发布，体现了极强的行业资源整合欲。但初创公司资源有限——尤其是在团队规模、管理精力和资金储备上都远不及大公司——同时推行五款产品加上一个生态联盟，可能意味着在任何一个垂直方向上都难以做到极致深度。如果五大产品中最终只有一到两款能跑通商业化，其余是否会被战略性整合或收缩，将在未来两到三年内见分晓，而这个过程可能伴随着组织震荡。

此外，张立华的双重身份也值得长期观察。他既是飞捷科思的创始人和技术领袖，又担任复旦大学智能机器人与先进制造创新学院副院长。国内教授创业的案例数不胜数，但能够完全从实验室跨入公司日常管理、平衡好学术研究与商业运营，并最终成功带领公司走向上市或并购的技术创始人，仍然是少数。创始人的精力分配、团队独立决策能力以及公司与大学之间的知识产权边界，都可能成为公司治理层面需要持续回答的问题。

最后，飞捷科思所处赛道的周期性风险同样不可忽视。物理AI基础设施的付费拐点与具身智能产业的规模化进程深度绑定。如果具身智能产业在未来两年内未能如预期进入大规模商业化阶段，飞捷科思作为上游工具供应商将首先承压。本轮数亿元融资给了它相当长的跑道，但跑道的长度最终取决于下游产业何时起飞，而这个时间点并不在飞捷科思自己的掌控之中。

RecodeX 极客视：飞捷科思拿到的不是一张简单的A1轮支票，而是中国具身智能产业为其物理底座投下的一张信任票。这笔融资包裹了国资的战略耐心、高校的技术背书与市场资本的回报预期，构建出一个足以支撑底层研发的资本缓冲垫。然而，当一家公司同时拥有五大产品线、一纸产业生态联合体名单、以及零个公开付费客户时，技术理想与商业现实之间的鸿沟并未消失——它只是被一笔数亿元的融资暂时架起了一座桥。这笔融资的真正价值，要在飞捷科思公布第一个付费客户、第一次公开测评精度对比、第一款进入量产机器人产线的产品之后，才能被定价。目前，一切仍是一座技术驱动的未开奖宝箱，而开奖的倒计时，已经由这数亿元融资正式启动。