在张量世界中，构建物理真实。
作者 簪竹
手搓量丨100%
今年7月成立的TensorWorld物原科技，在一个月内连续完成天使轮及天使+轮融资，累计融资过亿美元。
其中，天使轮由凯辉基金、红杉中国联合领投，IDG资本、鼎晖VGC、星连资本、蚂蚁集团跟投；天使+轮由蚂蚁集团、和玉资本、美团战投联合领投，达晨财智、蔚来资本、景和资本及多家老股东持续跟投。
一家刚刚成立就连续完成两轮融资的公司，为何能迅速获得顶级资本的集体下注？
答案或许不只在于Physical AI这一战略方向，更在于它选择了一条更底层的技术路径：从物理规律出发，构建物理原生基座模型，让AI真正理解物理世界。
这个选择的背后，既有公司对行业的前瞻判断，也有一支长期深耕物理建模、几何表征、具身与大模型工程的团队。
前瞻行业预判
从非共识到如今的焦点问题
Physical AI行业在今年发生了巨大变革，从年初爆火的世界模型、到World Action Model的流行、再到9月OpenAI发布Astra，具身、物理智能行业的风向似乎永远不会停止变化。如何在市场、技术的噪音中，找到自己的锚点，极其考验创始人的判断力，这同样也是一家创业公司最关键的能力。
在越来越酷炫的Demo之下，还有另外一条暗线逐步将物理仿真这个底层技术推到台前：6月，李飞飞发布公开文章称，世界的本质是几何、物理和动力学，仿真是连接视觉与行动的桥梁，虽然公众关注最少，但却是最具影响力的；7月，World Labs收购机器人仿真公司SceniX，进一步证实了这一世界模型标志企业在仿真领域的布局；10月，SuperMimic彻底变革了具身领域对动力学仿真的看法，证明了好的神经模拟器可以带来数百倍的智能涌现速度。
这一系列动态释放出了一个共同信号：Physical AI的竞争重点，正在逐步回归底层能力。大规模具身数据的Scaling Up、高性能且高精度物理基座模型的构建，正在定义新时代的Scaling Curve的斜率。过去很少被大众关注的物理表征、仿真和动力学预训练，正在成为行业的焦点问题。
而TensorWorld创始团队的判断远在物理仿真成为行业焦点之前。2023年，创始人吴海旭在Transolver中首次提出物理词元（Physics-Token）概念，被NVIDIA和很多海外创业公司长期遵循，让物理模态成为了独立于文本、视觉之外的重要研究方向；后续的Transolver++、Transolver-3系列工作，更是实现了工业级的物理仿真精度；今年年初，吴海旭与MIT 何恺明教授合作提出了GeoPT，使用合成动力学构建预训练信号，让模型能够自主学习可迁移的物理规律，让物理基础模型的规模化变成了可能。
回顾这一研究体系，TensorWorld想要回答的不是一个Policy Model或者一些Demo，而是在不断追寻物理世界的核心表达。从表征定义、到主干网络设计、再到大规模预训练，底层创新是这家公司的技术底色。正如在公司官网上写到的，“在张量世界中，构建物理真实。”是这家公司的初心。
全栈团队
在AI社区中首次定义物理真实
如果说行业预判可以让一家公司半步领先，全栈团队和人才密度才是让公司保持加速度的核心原因。行业看重TensorWorld的还有它极其稀有的“互补型”明星创始团队。
创始人兼CEO吴海旭作为GeoPT一作，成功将 Scaling Law 引入物理基础模型，让行业看到了基础模型“涌现”内在物理规律的可能性。1998年出生的吴海旭，2016年进入清华大学软件学院，随后在数学系攻读纯数学与应用数学第二学位，2019年赴哈佛大学开展研究，本科毕业后留在清华继续攻读博士学位，师从龙明盛副教授。2025年，他赴MIT CSAIL开展博士后研究，合作导师为计算设计领域开创者Wojciech Matusik。
吴海旭博士刚刚毕业，Google Scholar引用已经超过3万次，并曾获得清华特奖、入选全球前2%顶尖科学家榜单，其研究横跨动态建模、几何表征和物理基础模型，在多个领域都做出了引领性的工作。早期，他提出的Autoformer、TimesNet关注动态过程建模，成为AI时序分析领域必读之作；随后，研究进一步转向物理空间表征，在2023年提出了Physics-Token之后，又在今年提出GeoPT将这一领域推进到物理基础模型时代。
他的研究路径，在过去几年中正在逐步推动着物理基础模型领域的发展，并且依次回答了如何表征物理信息、如何通过预训练学习物理规律、以及模型能力能否随着数据和计算规模持续扩展这些关键问题。
如果说吴海旭给出了TensorWorld构建物理基础模型的核心能力，那么其他几位联合创始人，则分别从工程化、具身智能和几何建模角度，让TensorWorld具备了迈向Physical AI更广阔市场的实力。
郑文，博士毕业于Stanford计算机系，师承计算物理泰斗Stanley Osher。加入TensorWorld前，他曾任快手AI技术副总裁、AI实验室Y-tech负责人。他的经验覆盖前沿AI研究、亿级用户产品工程化，以及十万卡规模算力基础设施管理，能够推动研究成果向工业级产品和系统能力转化。
叶葳蕤，博士毕业于清华大学交叉信息研究院，后在MIT从事博士后研究，曾访问UC Berkeley Pieter Abbeel实验室。他聚焦生成式世界模型和具身智能，2021年提出的EfficientZero是Model-based RL的经典之作，并在2026年入选红杉中国·MIT科技评论AI25（25岁以下AI创新青年先锋）。
周俊昇，清华大学软件学院博士生，主要从事3D空间智能研究，曾入选百度奖学金。他参与的Uni3D构建了十亿级3D表征，入选ICLR 2024 Spotlight，为团队在三维空间理解和几何表征方面提供了重要支撑。
与此同时，团队的学术研究经历也连接着清华、MIT、Stanford、UC Berkeley等顶尖高校，覆盖物理仿真、计算机视觉、机器学习和具身智能等方向，与MIT的Wojciech Matusik、何恺明，UC Berkeley的Michael Jordan、Pieter Abbeel等世界级学者有着长期的学术合作。
四位联合创始人，每个人的背景足以“单开一桌”，但是如今他们汇聚在TensorWorld，共同投向Physical AI最底层的问题。
面向具身、工程与科学探索
打造共享物理智能底座
回到TensorWorld所聚焦的“物理真实”，为什么这个问题如此重要？
长期以来，人们的目光总是都会被智能体的表现所吸引，一只机械臂的摆动、一个新奇车型的生成远比它所接触的环境、实际运行的风阻更有趣。但是真正决定具身能够顺利部署、工业设计能否投入生产的还是物理世界的反馈。TensorWorld所关注的就是如何把物理世界规律转化为基础模型的内生能力，并基于这样的能力，构建物理原生基础模型，实现更准确的理解、更精确地模拟以及更稳定的操作。
所谓“物理真实”是指“预测与真实世界无差”。TensorWorld希望构建的，不只是一个披着世界模型外衣的视频生成模型或者游戏引擎，而是一个能够持续逼近真实世界的物理原生模拟器。“真实”并非“视觉上合理”，而是当几何结构、材料属性、边界条件或外部作用发生变化时，模型推演出的状态变化依然能够与真实世界无差。
一旦TensorWorld的范式跑通，他们所构建的物理基础模型将成为具身、工程与科学探索共享的基础设施。
例如，机器人可以在真实作业之前，规模化地练习难以采集、成本高昂甚至具有危险性的任务；工程师可以在制造实体样机之前，推演不同设计在受力、流动、传热和形变条件下的表现；科学家则可以在更大的参数空间中提出假设、模拟实验，并从预测与实证的偏差中发现新的规律。Physical AI将不再被真机数据的采集速度和传统仿真的建模成本所限制，就像近期SuperMimic所证明的，物理智能的迭代与涌现将被千百倍的加速。
物理真实，才是最终的检验标准
对于一个只作用于数字世界的模型而言，视觉上的合理性已经是重要进展；但对于一个要进入物理世界，服务具身、工业和科研的模型而言，看上去正确反而是最危险的“虚假繁荣”，真正重要的是它能否准确预测真实世界中的动态，能否在陌生的几何结构、材质和受力条件下依然成功推演结果。
随着物理真实越来越走向行业焦点，TensorWorld在今年7月成立时所选择路线的长期价值也越来越明显。
当AI从数字世界走向物理世界，智能的标准不由谁宣布，而由真实世界给出。
在张量世界中，构建物理真实。这就是TensorWorld的答案。
