1、光轮智能

物理AI最大的瓶颈不是算法，而是“数据荒漠”，真实物理交互数据获取成本极高、标注极难、覆盖极窄。光轮智能是全球唯一自研物理求解器的仿真数据基础设施，它直接为整个物理AI产业提供“可生长的土壤”：通过物理精确的仿真合成数据、评测体系和人类视频数据，让具身智能模型在虚拟世界中就能经历数十亿次试错与训练。

与英伟达共同定义仿真资产标准，与李飞飞World Labs共建具身智能评测体系，服务全球。它是物理AI时代的“数据电网”，产业中的任何一家机器人公司，都可能间接或直接使用它生成的数据与评测服务。

未来五年，任何一台人形机器人出厂前，都将在光轮智能的“数字风洞”中完成数百万小时的虚拟训练，学会如何在暴雨中稳定行走、如何在混乱的厨房抓取易碎品、如何与人类协作。物理世界中的真实事故率将因充分的仿真验证而下降一个数量级。光轮智能的估值和影响力，将从今天的“隐形冠军”成长为物理AI时代无可争议的基础设施巨头。

它是全球具身数据领域的首个独角兽，也是全球唯一自研物理求解器的物理AI仿真基础设施企业。光轮智能构建的是物理AI的“数据工厂”与“考场”，在仿真合成数据、仿真评测和人类视频数据三个维度均摘得全球交付冠军，不信就看一下，全球排名前三的世界模型团队全部与其合作。

其已与李飞飞创立的World Labs深度合作，本质上是携手构建全球首个面向具身智能的可规模化评测体系。

2、飞捷科思

如果说光轮智能提供了数据与评测的“土壤”，飞捷科思则提供了物理世界的“语法书”。其自研的可微分物理仿真引擎Fysics，从底层重构了刚体、柔体、流体等多物理形态的耦合求解逻辑。传统仿真引擎常有“物体穿墙”“水流断裂”等物理幻觉，根本原因是数学近似带来的物理不一致性。飞捷科思让虚拟世界第一次拥有了“物理良心”。

可微分物理引擎是具身智能实现“推理+行动”闭环的数学基础。有了它，模型不仅能预测下一步画面，还能理解“为什么杯子摔碎”“为什么弹簧反弹”，从而进行因果推理。全球范围内，能自研这一层面的团队不超过五家。

未来十年，从手术机器人到灾难救援机器人，从新材料虚拟测试到数字孪生城市，飞捷科思的Fysics引擎将成为物理仿真的“操作系统级标准”。一个物理AI模型在仿真中学会的每一个技能，都能零偏差迁移到真实世界，因为虚拟世界和真实世界遵守同一套“物理语法”。人类将第一次拥有真正可信任的“数字物理世界”。

它是国内物理AI赛道最稀缺的公司之一。

物理AI规模化落地最大的痛点是“物理一致性缺失”，传统数据驱动的模型常出现物体穿墙、悬浮等物理幻觉。飞捷科思解决的正是这个问题，它自主研发的国内首款可微分物理仿真引擎Fysics，本质上是从底层重构仿真逻辑，原生支持刚体、柔体、流体多物理形态耦合求解。

难得的是，创始团队拥有二十余年全球一线物理引擎研发经验。这家公司是物理AI赛道的“造路者”，而非普通的路面车辆。

3、具脑磐石

主流具身智能走的是“大数据+大算力+大模型”路线，但这条路正在遭遇能源、数据和算力的三重天花板。具脑磐石选择了一条完全不同、但可能更接近本质的道路：以类脑智能和JEPA架构为核心，构建能像人类一样进行高效因果推理的世界模型。创始人朱森华曾是华为盘古具身大模型的操盘手，他从产业一线转身，去探索一条更底层的认知范式。

具脑磐石试图回答物理AI的根本之问：如何让机器像婴儿一样，通过极少量的交互，就理解物理世界的因果结构？这条路线一旦走通，将大幅降低对海量数据和算力的依赖，使物理AI真正具备“举一反三”的泛化能力，而不是当前大模型式的“背诵式智能”。

在具脑磐石的图景中，未来的机器人不需要在数据中心里“吃”下整个互联网的数据，它只需要像人类一样，在真实环境中摸爬滚打几天，就能学会抓握、平衡、推拉等基本物理技能。这种高效学习将使个人机器人、家庭保姆机器人、野外探险机器人从实验室走向千家万户。具脑磐石如果成功，它定义的将不仅是技术路线，更是物理AI的“认知范式革命”。

创始人朱森华曾任华为云AI算法创新Lab主任，被称为“华为具身大脑一号位”，主导过AI脑科学云平台、盘古具身大模型等系统级项目。具脑磐石走的是与主流VLA路线完全不同的技术路径，以类脑智能为底层范式，以JEPA架构为核心，构建面向真实物理世界的认知世界模型。

再述，这条路线试图回答一个根本性问题：具身智能能否通过算法范式创新，绕开数据、算力和能源的限制？一个小背景为：当Yann LeCun离开Meta后创立的AMI Labs估值已达35亿美元时，具脑磐石在这条路上已经探索了数年。当然，磐石目前已完成新一轮亿级融资。

4、极佳视界

世界模型路线上，很多公司停留在论文和demo阶段，而极佳视界已经在2026年4月完成了一汽模具真实工业产线的全流程落地，并计划年内冲刺千台交付。它是目前全球范围内，将世界模型与物理实体的端到端协同做到工业级闭环的最领先公司之一。华为哈勃的投资，是对其技术纵深和工程化能力的强力背书。

极佳视界证明了“世界模型不是纸上谈兵”。其GigaWorld-Policy将具身策略与世界模型深度绑定，使机器人能在动态工业环境中实时理解场景演变并调整动作。这一能力从制造业场景中淬炼出来，具备了向物流、家庭、医疗等更多场景迁移的潜力。

未来的智能工厂不再需要固定轨道和围栏——机器人与工人共享同一片流动的工作空间。极佳视界的模型让机器人能预判下一秒的装配顺序、感知物料的位置漂移、理解人的意图手势。制造业将进入“无预设、全柔性”的智能时代，而极佳视界就是这个时代的开路先锋。

真正的“国内首家‘纯血’物理AI公司”，创始人兼CEO黄冠是清华自动化系博士，具备科研、量产工程、商业落地和连续创业的复合经验。

为什么说公司的核心产品可谓GigaWorld-Policy，那是因为将具身策略与世界模型深度绑定，而非简单套用。交付量，将是其对世界模型路线向实体工业的穿透能力给出的极具含金量的行业实证。

5、LiberAI

00后清华博士刘松铭在物理世界模型上尝试定义新的Scaling Law——让模型在海量无标号视频数据和稀缺物理数据之间建立映射，同时通过归纳偏置注入物理规律作为先验。这可能是破解具身智能“数据荒”的最优雅解法之一。成立不到半年融资近5亿，资方阵容豪华（红杉中国、真格基金、美团龙珠、顺为资本等），证明了技术路线的稀缺性和爆发潜力。

LiberAI在尝试回答的一个问题是：物理AI的“规模效应”从何而来？不是简单地堆芯片和参数，而是设计出更聪明的方式让模型自动从日常视频中汲取物理直觉。这一方向一旦成熟，将大幅降低物理AI对昂贵仿真数据和人工标注的依赖。

在LiberAI的愿景中，未来任何一台机器人只需要观看足够多的YouTube日常视频（做饭、散步、打扫、修理），就能获得对物理世界的基本认知，然后在少量真实交互中精调出专业技能。物理AI的“学费”将从天文数字降到接近于零。这个由00后领衔的团队，可能正在编写物理AI时代的“启蒙教科书”。

刘松铭的履历堪称“天才”级别——清华特等学金得主（每年仅10人）、计算机系年级第一，师从视频生成模型领域学者朱军教授，发布过全球首个使用大规模预训练+扩散Transformer范式的基座模型，领先硅谷公司一个月。

总结一下，LiberAI的技术路线有两个核心创新：模态对齐（让海量视频数据反哺稀缺的物理数据）与归纳偏置（把物理规律作为人类先验注入模型），正在定义物理世界模型的Scaling Law。

6、OriginFlow（渊澈太初）

物理AI需要海量的人类操作示范数据，但传统方式——动捕服、遥操作、视觉标记——都昂贵且失真。OriginFlow用千元级的肌电采集套件，直接从人体肌肉电信号中解码手部姿态、发力大小、触觉反馈，将人类意图与物理动作的原生耦合信息无损采集。这是数据获取范式的降维打击。

它为具身智能提供了“原生多模态数据”，不仅仅是“做什么动作”，还包括“怎么用力”“什么时候触觉反馈”“微调手感如何”。这些精细数据是人形机器人学会灵巧操作的关键。OriginFlow的设备价格极低（千元级），使大规模众包式数据采集成为可能。

未来，全世界成千上万的志愿者可以一边做家务、一边佩戴肌电手环，为物理AI贡献海量的“神经-动作”配对数据。机器人在云端学习这些人类的本能技能后，能够完成装配微小零件、给老人翻身、演奏乐器等高难度灵巧任务。人类不再需要手把手教机器人，只需要“生活着，就在训练机器人”。

它的技术路线可能是最具颠覆性的之一。创始人兼CEO秦深涛是00后创业者，本科哈工大、清华博士在读。

如概述，其核心技术突破可谓在于其率先提出并落地的NeuroScale数据采集范式，以神经肌电信号（sEMG）为核心载体，通过自研肌电采集套件捕捉人体肌肉收缩电信号，精准重构手部姿态、发力、触觉反馈等原生多模态信息。这套方案直接对接人体“意图—肌肉—动作”的原生传导链路，数据采集设备售价仅千元左右，可谓惊艳。这套数据解决方案为物理世界数据匮乏的核心瓶颈提供了一条全新的技术路径，完成量产后对物理世界模型泛化能力的指数级刷新将是降维打击式的。

7、最终序列

低空经济被热炒，但绝大多数玩家都在卷飞控、电池和外观设计。最终序列选择了一条更高维、更稀缺的路径：为飞行器打造通用类脑算法和世界模型，让飞行器成为真正的“空中智能体”，而不是“会飞的遥控玩具”。它不造硬件，只输出核心算法和端侧芯片模组，定位精准且商业模式清晰。

在电网巡检、城市管网监测等复杂空域场景中，传统无人机依赖稳定的GPS和预设航线，一旦遇到信号丢失或突发障碍物就会失控。最终序列的类脑算法使飞行器具备“自主认知和实时规划”能力，像一只飞鸟一样，在复杂环境中做出毫秒级的避障和路径重规划。

未来的低空空域，无数小型飞行智能体穿梭执行物流、巡检、救援、喷洒等任务，它们之间自主协同、与地面系统无缝衔接。最终序列的算法将成为这片“空中智能交通网”的基础脑干。而它的轻资产、Tier1定位，也使其成为大型无人机公司不可或缺的“大脑供应商”。

可谓：藏身于上海长阳创谷的一家低调但惊艳的初创公司。

当低空经济赛道都在卷飞行器硬件参数时，最终序列选择了完全不同的路线：研发面向飞行具身智能等空域场景的通用类脑算法及世界模型，为飞行器打造能独立思考的“大脑”。它不做飞控、不造硬件、不搞整机制造，专注于输出类脑核心算法和端侧芯片模组，已在电网能源巡检、城市管网监测等场景实现商用落地。这种定位避开了与大疆、影石等硬件巨头的正面竞争，锚定了产业链上游的核心Tier1位置，思路极其清晰。

8、沐申智能

当下每家人形机器人公司都在重造轮子——从底层操作系统到应用层软件，沐申智能选择成为那个提供“标准化底盘”的玩家：通用机器人操作系统。这种轻资产、重平台的模式，正是PC和智能手机时代催生Wintel和iOS/Android生态的历史重演。

沐申智能的差异化在于，它不参与本体制造的激烈内卷，而是为所有机器人提供一个统一、开放、高效的操作系统，上层应用可以跨硬件平台移植。更关键的是，它与宜家养老达成1万台居家护理机器人的战略协议，获得了大规模的早期部署验证和营收。这是“操作系统+场景落地”双轮驱动的典范。

十年后，当机器人像今天的手机一样普及时，消费者可能不会在意“这是谁家的机器人”，但每一个机器人的应用商店里，应用图标右下角都会有一行小字：“Powered by 沐申智能 OS”。这个操作系统将定义机器人的交互范式、应用生态和开发者社区。沐申智能可能成为物理AI时代的微软或苹果（在OS层面）。

9、逆矩阵

当前主流的世界模型主要做“预测”——给定当前画面，预测下一帧。但真正的物理智能需要“因果推理”：如果我把杯子向左推5厘米，会发生什么？如果我施加不同的力，结果如何变化？逆矩阵的目标就是构建一个能够在任意物理场景中进行因果推理与反事实预测的通用模型。

因果推理是物理AI“通用智能”的门槛。没有因果理解，机器人只能重复见过的模式，无法应对新情境。逆矩阵的技术路线一旦成熟，将使机器人具备“假设-验证-行动”的闭环能力，真正像人类一样通过思维实验来规划行动。

在逆矩阵支撑的未来中，一个家庭机器人看到桌上一堆杂乱物品，不会机械地“抓取-放置”，而是先在心里“预演”几种整理方案：先挪花瓶还是先移书本？挪动路线会不会碰倒水杯？它选出最优路径后再行动，确保每次操作都高效且安全。物理AI将从“条件反射式智能”跃升为“反思式智能”。

其核心目标是能响应动作指令并做出物理正确的预测，长远来看是构建一个能在任意物理场景中进行因果推理与反事实预测的通用模型-。即，这条技术路线直接回答了物理AI最核心的问题：模型不仅要“看到”和“预测”，还要理解因果关系。

10、微分智飞

当大多数飞行机器人公司还在优化飞控和续航时，微分智飞已经在思考更本质的问题：飞行器如何在复杂环境中“独立思考和作业”？它聚焦的是“飞行机器人”而非“无人机”，强调的不仅是飞行能力，更是认知与决策能力——让飞行器成为能自主完成巡检、探测、作业任务的空中智能体。

在电力巡检、油气管道监测、灾后搜救等场景中，环境复杂且无稳定通信保障。微分智飞的技术使飞行器能在机载算力上运行轻量级世界模型，实现自主避障、任务重规划、多机协同。累计5轮融资，表明资本市场对“飞行智能体”赛道价值的高度认可。

在微分智飞的图景中，未来的灾难现场，第一批进入的不是救援人员，而是数十架小型飞行智能体——它们相互通信、分工协作，快速绘制出三维风险地图，标记受困人员位置，评估建筑物稳定度，为后续救援提供精确决策依据。这不仅是效率的提升，更是生命安全的保障。

团队的技术愿景非常清晰：让飞行机器人不再是“会飞的相机”，而是具备自主导航、智能大脑的空中智能体。它已完成6轮融资。

备选：硅行智能

硅行智能选择了一条极其务实且差异化的道路：聚焦“有限空间”，密闭管道、地下管廊、储罐内部、核设施高辐射区等人类难以进入的高危环境。在这些场景中，通用人形机器人难以施展，但专业化的智能体却有巨大的需求和商业价值。

它避开无人机红海和通用人形机器人的长尾，深耕一个高壁垒、高利润、且物理AI特性最突出的垂直场景。密闭空间的巡检和作业对自主导航、环境感知、故障判断的要求极高，是检验物理AI真实能力的“试金石”。硅行智能在该领域积累的know-how和数据，将构成极高的竞争壁垒。

未来，每一座城市的自来水管网、燃气管道、地铁隧道中，都会有硅行智能的小型机器人常态化自主巡检。它们提前发现裂缝、腐蚀和泄漏，在事故尚未发生时就完成修复调度。人类工人不再需要下到缺氧或有毒的环境中作业，所有危险工作交由智能体完成。这个图景可能不如人形机器人炫目，但它离商业化最近、社会价值最直接。

由清华和上交大的创始成员创立，它敏锐地避开室外通用无人机的红海，聚焦“有限空间”巡检——密闭设施、高危环境以及各类人类难以安全进入的区域。这种精准的赛道选择，让它在细分领域建立了差异化优势。

物理AI虽热，但物理AI的核心，是让AI在真实物理世界中理解、推理、行动——它需要物理引擎的底层支撑，需要世界模型的认知能力，需要数据与仿真的基础设施，最终才落到实体本体的执行层面。核心围绕几个维度：物理引擎与仿真基础设施、世界模型与具身大脑、数据采集与生成范式创新、以及真正打通从认知到行动的端到端系统。

传统机器人或自动化集成商，与真正的物理AI相去甚远。物理AI真正的开拓者，包括最被低估的“底座玩家”——物理AI的基础设施层，这个维度的企业不造机器人，但它们是物理AI产业的基石，没有它们就没有后续的一切；包括真正的“世界模型”玩家——物理AI的大脑层，而世界模型是2026起物理AI领域最硬核的技术方向，不少公司都在“蹭概念”，真正有含金量的屈指可数；包括聚焦细分场景的“精准派”，物理AI落地最难的是从通用能力到具体场景的转换，一些企业不追求“通用大脑”的宏大叙事，而是深耕特定场景，反而走得更稳；包括技术路径独特的“非共识”玩家这个维度上，一些不走寻常路的企业更尤其值得关注。

（文/背对背战斗）

e-Mail：lab@enet16.com

【DBC拟定框架简介】