行业趋势与资本动态 - 资本正就AI时代预测物理世界的能力重新定价达成共识，这体现在2025年7月新思科技以350亿美元收购仿真巨头ANSYS，以及同期PhysicsX、Neural Concept等AI工业软件公司完成1亿美元级融资 [2][3][74][75] - 在半导体、航空航天等关键领域，传统物理仿真范式效率低下，一轮复杂计算往往耗时数日，工程师大量时间被困在网格划分与参数调试中 [4][76] 公司概况与融资情况 - 物理世界模型公司极映科技连续完成了数千万元的种子轮及天使轮融资，种子轮由奇绩创坛投资，天使轮由元禾璞华领投，未来光锥跟投 [5][77] - 公司由三位技术老兵创立，团队积累了超过30年的物理仿真与软件研发经验，配置精准覆盖了对仿真要求最苛刻的半导体与航空航天领域 [6][78] 技术路径与核心创新 - 公司选择了一条更窄、更硬的路径：跳出传统流体、结构、热学等物理场割裂的体系，回归质量与能量守恒的底层定律，让AI直接学习偏微分方程的共性，以补上世界模型中缺失的物理内核 [8][80] - 相比传统仿真数值方法，公司的物理世界模型将反馈周期从“天”压缩至“秒”，响应速度百倍于传统仿真 [9][82] - 公司技术路线的本质是范式替换，即用神经网络直接完成物理求解过程，而非像传统仿真巨头那样仅将AI作为提升易用性的“副驾驶”或“使用助手” [52][125] 产品性能与验证 - 在FDA血流泵案例中，AI仿真与传统数值仿真的结果R²大于0.99，在统计意义上高度一致，具备一定程度的可替代基础 [30][31][103][104] - 公司最推荐的落地场景是设计方案的快速比选与筛选，可先用AI模型从上百种候选方案中快速筛选出三到五种更优方案，再用传统软件进行最终精细验证 [26][99] - 模型的速度优势主要来自神经网络前向推理的范式本身，而准确性则依赖于自研的模型架构和极高的数据质量 [33][106] 发展阶段与未来目标 - 公司模型正从1.0版本的小样本微调阶段，走向2.0版本的零样本通用阶段，2.0版本目标是覆盖90%以上的常见物理仿真场景，实现开箱即用 [38][39][111][112] - 创始人认为物理仿真领域目前大约处于GPT-3.0水平，公司计划在年底发布的2.0版本目标是将之推进到接近GPT-3.5的水平，迎来工程领域的“GPT-3.5时刻” [40][113] 商业化战略与进展 - 公司不将自己定义为“卖软件的公司”，而是提供仿真能力的基础设施，商业模式类似大模型，包括按次付费或API调用 [58][131] - 公司判断在仿真赛道盈利的时间窗口会明显早于通用大模型，原因是工业客户付费能力强、客单价高，且模型算力消耗远低于通用大语言模型 [59][60][132][133] - 商业化落地首选半导体行业，目前已经产生了一些收入，主要是按项目收取的验证费用，单价在几十万元量级 [62][135] 团队与竞争壁垒 - 公司的核心壁垒在于在“AI+物理仿真”方向上接近十年的认知和判断积累，这是难以被快速复制的核心资产 [54][127] - 跨学科的团队组合（AI与仿真背景结合）具备快速定位和判断问题的能力，支撑了公司在早期推倒重来、完全自研算法架构的关键决策 [50][123]