智东西 作者 许丽思 编辑 漠影 一、 华为大模型双子星联手，工程基础与理论研究强强结合二、不走增训路线，押注原生物理基础模型三、授人以鱼不如授人以渔，让行业客户在基座上长出自己的模型 ▲数据平台demo——数据展示▲数据平台demo——数据过滤管线▲评测平台——理解、生成、执行三位一体，让每次失败都产生可用的训练信号 四、200+项目、万卡工程经验打底，一套底座如何通向所有物理场景？结语：构建基模训练飞轮，打开物理智能长期增长空间 智东西9月23日报道，近日，物理AI公司息壤开物（XIRRA）已在两个月内 连续完成数亿元种子轮及天使轮融资， 由敦鸿资产领投，华控基金、三花控股、银杏谷资本、泽然资本、本坚基金、上海天使会、标朴投资等知名机构跟投。 这家公司由两位华为大模型核心人物联手创办：创始人、CEO李寅曾任华为云大模型CTO，拥有万卡级模型训练及丰富的产业落地经验；联合创始人、首席科学家张含望是南洋理工大学教授，长期从事因果机器学习与多模态智能研究。 两人选择了一条技术门槛极高的路线： 从底层研发原生物理基础模型（Large Physics Model，LPM），希望通过一套通用底座，将物理智能能力推广机器人、自动驾驶等不同产业场景，乃至科学计算领域。 这一技术路线已取得阶段性成果。在9月16日公布的WorldArena 2.0全球总决赛榜单中， 息壤开物在Track 1视频质量赛道取得轨迹精度全球第一、物理合规性全球前三的成绩。 为什么一家初创公司，要从底层重新研发一套物理基础模型？ 回看数字AI的发展，在GPT等大语言模型出现之前，自然语言处理（NLP）领域高度依赖单场景定制，不同客户、不同任务，往往需要单独开发模型。直到大语言模型出现，越来越多的企业开始基于统一底座开发应用，推动 AI1.0时代 到来。 如今，AI正加速走向真实物理世界，具身智能融资与产品演示持续升温，规模化商业落地却仍面临挑战。 机器人换一种物料、换一个工位，往往又要重新采集数据、训练模型和工程适配。高昂的定制化成本，让机器人能力难以快速复制到更多场景。 AI 2.0时代，能否也出现一套通用基础模型，让机器人具备跨任务、跨本体、跨场景的泛化能力，让更多行业客户低成本开发自己的具身大脑？ 这正是息壤开物希望探索的问题。该公司本轮募集资金将主要用于原生物理AI模型的规模预训练、真实物理交互数据建设、核心研发人才引入及场景验证。 对于一家初创公司而言，从底层开展原生预训练意味着持续的研发投入，也需要团队具备从基础模型设计、大规模训练到实际应用的完整经验。 正是在这样的技术判断下，李寅与张含望选择联手创业，将各自在基础模型领域的积累投入物理智能研发。 其中，李寅毕业于清华大学，曾任华为云大模型CTO、华为云大模型0到1核心成员，长期统筹基础模型、多模态、视频生成、科学计算与行业大模型研发。 她曾带400人团队、用 1.5万小时数据，在1.5万卡集群上2个月完成8B视频大模型训练发布 ；主导过国内多地具身智能创新中心、头部车企自动驾驶数据生成等行业AI解决方案，相关项目每年带来数亿元营收。 张含望是南洋理工大学计算与数据科学学院President Chair Professor，长期聚焦因果机器学习与多模态智能，累计发表论文228篇，Google Scholar引用超4.2万、H-index 81，2026年Google Scholar “causality”方向全球排名第8，曾获新加坡总统科技奖青年科学家奖、IEEE AI’s 10-to-Watch等荣誉。 两位创始人的经历，也让息壤开物形成了 理论研究与工程实践相结合的硬核配置。 据了解，该公司核心成员也都来自 华为大模型体系， 拥有万卡级训练、视频大模型、多模态研发及复杂行业交付经验。 对于准备从底层开展物理基础模型研发的息壤开物而言，这些积累成为其探索原生物理预训练、搭建配套工具链，并推动模型走向产业应用的重要基础。 目前，主流具身模型多采用 “VLM+Action Head”的增训路线， 拿现成视觉语言模型当底座，补动作数据，接动作输出头。 这种方式能够利用已有的大模型能力，开发成本低，帮助团队较快完成特定任务开发，不少本体厂商借此快速拉升估值。 但是，视觉语言模型主要从数字世界中的视觉和语言数据学习知识， 对物理世界规律的抽象归纳存在局限， 在物理规律理解、长程决策及跨场景泛化方面仍面临挑战。 息壤开物因此选择从底层构建物理基础模型LPM，通过原生物理预训练，让模型学习物理规律及状态、动作之间的关系。 物理基模有望解决机器人的泛化难题，不过真正从底层研发的团队非常有限，因为这件事情难度实在太大了。 以常见的 机器人在工厂抓取、搬运工件 这件任务为例，看似简单的操作，背后却涉及物理基础模型必须跨越