Fainite 深度调研:苏黎世物理 AI 仿真初创,Caltech/ETH/剑桥/谷歌背景团队用物理感知深度学习把仿真从数十小时压到秒级,仅获 Venture Kick 资助、尚无定价轮次
苏黎世物理AI仿真初创,2025 创立、Caltech/ETH/剑桥/谷歌;Physics AI Engine 物理感知深度学习,仿真数十小时压至秒级配 Copilot;仅获 Venture Kick CHF 19 万,无定价轮次与营收。
执行摘要
Fainite AG 是 2025 年成立于苏黎世的瑞士物理 AI 初创,做的是「把仿真变成推理」的工程 AI 平台。创始团队由 Caltech、ETH 苏黎世、剑桥与 Google 的研究者与工程师组成:Alex Donzelli(CEO,Caltech 应用力学硕士,曾在 Saipem、Optotune、瑞银任职)、Burigede Liu 教授(首席科学家,剑桥大学,曾任职 Caltech 与 ETH)、Matthias Bonvin(机器学习负责人,ETH)、Jan Pfeifer(机器学习科学家,前 Google 十二年,TensorFlow Lattice/Ranking/Decision Forests 的核心贡献者)、Roger Keene(商业战略,前 Dassault SIMULIA 全球销售与运营副总裁)、Dennis Kochmann 教授(技术顾问,ETH)。
融资方面,公司目前公开的唯一资金是 2026 年从 Venture Kick 获得的 15 万瑞士法郎(约 17 万欧元)。没有披露定价轮次、估值与收入。这个阶段意味着它处于「技术验证 + 首批工业应用」的过渡期,尚未进入规模化阶段。
产品是 Physics AI Engine,定位是「加速、简化、自动化仿真工作流」。它由三部分组成:物理感知(physics-aware / physics-enforced)的深度学习模型,从客户的 CAE 数据中学习系统行为;一个 AI 智能体,引导用户完成复杂设置并提供专家建议;以及一个可复用的结果库,让工程师快速调用历史分析。
公司给出的对比是:传统方式需要 48 小时以上,Fainite 用 10 秒完成分析。它还列出客户的三个痛点:计算时间长(10 小时以上)、软件工作流复杂(10 个以上工具)、仿真知识难复用(上千个文件)。
市场叙事方面,公司称全球有 1,700 万工程师(招聘页口径)/ 900 万硬件工程师(Venture Kick 新闻稿口径)受仿真瓶颈影响,仿真软件市场当前约 270 亿美元、未来五年翻倍(年增 10% 至 13%),设计周期可从数月压缩到数周。
物理 AI 视角下,Fainite 的定位是「少数据条件下的物理约束代理模型」。它的技术主张有两个值得注意的点:第一,「不依赖大量历史数据集」——这与主流代理模型(需要海量仿真数据训练)不同,暗示它用了物理约束/物理信息神经网络(PINN 类)的方法,用物理方程弥补数据不足;第二,「物理强制」(physics-enforced)——不是把物理作为损失项软约束,而是把物理结构编码进模型(如等变网络、守恒结构),这在技术上更难但泛化更好。
需要提前说明判断:这是一家「团队配置很强、融资极少、产品未验证」的早期公司。它的团队有学术界(Caltech/ETH/剑桥)与工业界(Dassault SIMULIA 前高管、Google TensorFlow 核心贡献者)的双重背景,这在早期物理 AI 公司里少见;但它的公开资金只有 15 万瑞郎、客户案例为零、性能数据(10 秒 vs 48 小时)是公司口径。评估它的关键是三个问题:少数据方法在工业级问题上能否达到工程精度、物理强制的架构能否泛化到不同物理域、以及一次只有 15 万瑞郎的资助能撑多久。
公司概览
团队背景
这家公司最值得记录的是团队。CEO Alex Donzelli 的路径是「工程 → 工业 → 金融 → 创业」:Caltech 应用力学硕士(计算力学方向),在 Saipem(油田服务)与 Optotune(光学器件)做仿真与产品开发,在瑞银做战略咨询,博士期间参与过保时捷电驱轴的自动测量与质量控制项目。这种跨界背景对 2B 销售有帮助——他理解工程师的语言,也理解采购与预算。
首席科学家 Burigede Liu 是剑桥大学教授,曾在 Caltech 与 ETH 任职,研究方向是计算力学与机器学习。机器学习负责人 Matthias Bonvin 来自 ETH。Jan Pfeifer 的加入是一个信号:他在 Google 十二年,是 TensorFlow Lattice(可解释机器学习)、TensorFlow Ranking、TensorFlow Decision Forests 的核心贡献者,说明公司在大规模机器学习工程上有实战能力。
Roger Keene 的加入是另一个信号:他是 Dassault SIMULIA 全球销售与运营前副总裁,SIMULIA 是 Abaqus 等仿真软件的品牌。他的加入意味着公司理解工业软件的销售逻辑(长周期、高客单、需要验证与支持),不只懂技术。
阶段与资金
15 万瑞郎的 Venture Kick 资助是瑞士特色的早期支持机制(非稀释性资助,分三个阶段)。这笔钱的用途是:扩展到新的工程领域、加速可扩展平台的上线、强化团队与市场推广。
这个阶段的含义是:公司还没有产品市场匹配的证据,正在用最小资金验证「物理感知 AI 能否在真实工业问题上达到可用精度」。Venture Kick 的资助通常对应 6 至 12 个月的里程碑,之后公司需要拿定价轮次。
工作流程
公司披露的五步流程值得记录,因为它反映了「从用例到部署」的工程化思路:免费预评估(识别最高影响的仿真瓶颈、量化预期收益)→ 技术深入(分析工作流、数据集、求解器与建模假设)→ 模型准备(定制物理 AI 模型、用仿真基准验证)→ 平台部署(部署到安全环境、支持新几何/边界/材料)→ 持续优化与扩展(随新数据持续改进、扩展到更多产品线)。
这个流程的特点是「服务先行」:先做预评估与技术深入(咨询性质),再做模型定制与部署。这符合工业软件的销售逻辑——客户不会为一个未验证的工具付费,但愿意为「诊断我的瓶颈」付费。
技术分析
「少数据」为什么是关键差异
理解 Fainite 的技术主张,需要理解代理模型的两种范式。
第一种是「数据驱动」:用大量高保真仿真数据训练神经网络,学习「输入参数 → 输出场」的映射。这条路的问题是数据成本——生成一万个高保真算例,可能需要数万 GPU 小时;对一个新产品、新材料,客户往往没有历史数据。
第二种是「物理约束」:把物理方程(守恒律、本构关系、边界条件)编码进模型,用物理约束替代部分数据。这条路包括物理信息神经网络(PINN,把方程残差作为损失项)、物理强制网络(把守恒结构编码进网络架构,如等变网络、能量守恒网络)、以及算子学习(学习解算子,不学单个解)。
Fainite 声称「不依赖大量历史数据集」,说明它偏向第二种。这个选择的技术含义是:它可以用少量数据(甚至只有边界条件与材料参数)就给出预测,代价是训练更难(物理约束的优化地形复杂)、适用范围受方程假设限制(如果真实物理超出模型假设,预测会偏)。
「物理强制」与「物理感知」的区别
公司用了两个词:physics-aware(物理感知)与 physics-enforced(物理强制)。这两个词在技术上有区别。
「物理感知」通常指模型在训练时考虑了物理信息(如损失项含方程残差),但推理时不一定严格遵守物理。「物理强制」通常指模型的输出在结构上就满足物理约束(如输出满足守恒律、满足对称性)。
后者的技术难度更高,但泛化性更好——因为模型不可能输出违反物理的结果。如果 Fainite 真的做到了 physics-enforced,那是它的技术壁垒;如果只是 physics-aware(软约束),那与大量 PINN 类工作没有本质区别。公开信息没有说明它属于哪一种。
AI 智能体的角色
产品里的 AI 智能体承担两类工作:引导用户完成复杂设置(仿真设置是多步骤、多参数的过程,新手容易出错)、提供专家建议(基于历史案例推荐参数与建模方式)。
这个设计与安世亚太的 AgentX、MathWorks 的 Copilot 是同一思路:把「专家知识」编码成流程,降低使用门槛。但它有一个前提——底层模型必须可靠。如果模型预测不准,智能体的建议只会让人更快地得到错误结果。
性能数据的解读
「48 小时 → 10 秒」这个对比需要谨慎。48 小时是「传统方式」的完整周期(含建模、网格、求解、后处理),10 秒是「模型推理」的时间。两者不是同一件事——前者包含人工工作,后者只是前向计算。
真正公平的对比应该是:在同等精度下,从「给定几何与工况」到「得到可用结果」的总时间。如果 Fainite 需要前期投入(数据准备、模型训练、验证),那么第一次的「总时间」可能远高于 10 秒,只有从第二次开始才享受到速度优势。这与所有代理模型的规律一致:前期投入换后期速度。
技术短板
第一,精度验证缺失。没有公开的与商用求解器的对比数据(误差范围、适用工况、失效边界)。
第二,物理域的覆盖。三个物理域(热、气动、结构)是否用同一模型,还是每个域单独训练,未披露。
第三,少数据方法的边界。物理约束能弥补多少数据不足,取决于方程假设与真实物理的匹配度。在强非线性、多物理耦合、材料非线性场景,物理约束的效果会打折。
第四,工程化程度。10 秒的推理需要什么硬件?部署在客户环境需要什么依赖?这些工程细节未披露。
产品与商业化
产品形态
Physics AI Engine 是平台形态:客户上传 CAE 数据 → 平台训练定制模型 → 部署到客户环境 → 工程师用自然语言或界面查询 → 得到预测。
三个能力:加速(把小时级仿真变成秒级预测)、简化(自动化复杂设置)、复用(快速调用历史分析)。
商业模式
商业模式未披露,但从流程推断是「预评估(可能免费)+ 技术深入(咨询)+ 模型定制(项目)+ 平台订阅(持续)」。这个模式在工业 AI 里常见,因为它需要「先证明价值,再收费」。
定价未披露。按工业软件的惯例,可能按「模型数量 + 席位数 + 算力」组合计费。
目标客户
目标客户是需要大量仿真的硬件企业:航空、汽车、能源、电子、材料。这些客户的共同点是「仿真成本高、设计迭代多、愿意为效率付费」。
公司的市场叙事用「1,700 万工程师」/「900 万工程师」来描述 TAM,但这个数字太宽(大部分工程师不做仿真),实际可触达市场要小得多。
竞争位置
在「物理 AI 仿真」赛道,Fainite 属于最早的阶段(比 PhysicsX、Vinci、Neural Concept 都早)。它的差异化是「少数据 + 物理强制」,劣势是资金与客户验证。
竞争格局
赛道格局
物理 AI 仿真赛道的公司分三层。第一层是资金充裕、已有产品的(PhysicsX 3 亿美元、Vinci 2.5 亿美元、Neural Concept 1 亿美元、Luminary 7,200 万美元)。第二层是早期但有明确技术路线的(Fainite、Godela、以及一批欧洲深科技初创)。第三层是大厂的内部项目(Ansys SimAI、Siemens PhysicsAI、NVIDIA 的 PhysicsNeMo 生态)。
Fainite 在第二层,与 Godela(YC 背景、美国)、以及若干欧洲初创竞争。它的差异化是「物理强制 + 少数据」,这在学术上有依据(PINN、等变网络),但在工业上未验证。
与传统 CAE 的关系
传统 CAE(Ansys、Siemens、Dassault、COMSOL)不会坐视代理模型蚕食市场,它们的应对是把 AI 集成进现有产品(SimAI、PhysicsAI)。这对初创公司是压力——客户可能选择「在熟悉的工具里用 AI」,未选择「换一个新工具」。
Fainite 的机会在于「范式差异」:如果物理强制模型真的能在少数据条件下达到工程精度,它服务的是「传统工具做不动」的场景(如早期设计阶段、数据稀缺的新材料)。如果只是在已有工具上加速,它很难撼动在位者。
瑞士生态的优势
苏黎世的 ETH 体系在计算力学与机器学习交叉领域有强团队(Kochmann 教授、以及 ETH 的多个计算力学组)。Venture Kick 提供非稀释性早期资金,瑞士还有 Innosuisse 的创新项目资助。这个生态对早期深科技公司友好,但瑞士本土市场小,公司必须从一开始就面向欧洲与全球客户。
融资与资本结构
融资现状
唯一公开资金是 Venture Kick 的 15 万瑞郎。没有定价轮次、没有估值、没有收入披露。
这个状态的解读有两种。乐观解读:公司处于极早期,用非稀释资金验证技术,保留股权为后续融资留空间。谨慎解读:公司还没有拿到机构投资,说明技术验证或商业进展尚未达到 VC 的门槛。
资金需求
按苏黎世的研发成本(资深 ML 工程师年薪 12 万至 18 万瑞郎),15 万瑞郎大约够 1 至 2 人一年。这对一支有六位核心成员(含两位教授)的团队显然不够,说明团队成员可能是兼职或部分投入,或者有其他资金来源(教授的研究经费、咨询收入)。
下一步
公司需要在 6 至 12 个月内证明两件事:一是在至少一个真实工业用例上达到可用精度(与商用求解器对比),二是拿到第一个付费客户或试点。这两件事决定它能否进入种子轮。
DISCREPANCIES
1. 工程师数量的两个口径。 招聘页称全球 1,700 万工程师从事物理产品开发;Venture Kick 新闻稿称 900 万硬件工程师受仿真瓶颈影响。两个数字的范围不同(全部工程师 vs 受瓶颈影响的硬件工程师),本报告分别标注。来源等级:OFFICIAL(公司材料)但口径不一。
2. 性能对比的口径。 公司称「传统方式 48 小时以上,Fainite 10 秒」,但未说明 48 小时包含哪些环节(建模?网格?求解?后处理?人工?),也未说明 10 秒是否含模型训练与验证的前期投入。本报告在技术分析中拆解这一对比。来源等级:公司营销表述(需技术解读)。
3. 「不依赖大量历史数据集」的含义。 这句话可以理解为「用物理约束替代数据」,也可以理解为「用少量数据微调预训练模型」。两种做法的技术含量不同。本报告采用「物理约束替代部分数据」的解读,并标注公司未披露具体方法。来源等级:OFFICIAL(表述)与推断。
4. 融资阶段的表述。 公司只披露 Venture Kick 的 15 万瑞郎,未说明是否有其他资金(创始人自筹、教授经费、其他资助)。部分解读将其视为「唯一融资」。本报告标注为「公开披露的唯一资金」。来源等级:OFFICIAL(Venture Kick 公告)。
5. 市场规模的推算。 公司称仿真软件市场 270 亿美元、五年翻倍(年增 10% 至 13%)。这个数字与第三方机构(如 ANSYS 年报、MarketsandMarkets)的口径可能不同,且「翻倍」意味着年复合增长率约 15%,与「10% 至 13%」不完全一致。本报告保留数字并标注为推算。来源等级:公司材料(未注明来源)。
6. 团队规模的披露。 公司披露六位核心成员(含两位教授、一位顾问),但未披露全职人数。教授通常有教学与研究职责,投入时间有限。本报告不推断全职比例。来源等级:OFFICIAL(成员名单)。
7. 成立时间的表述。 部分资料称 2025 年成立,公司未公开工商注册日期。本报告采用 2025 年。来源等级:MEDIA 与 OFFICIAL 交叉。
8. 「物理强制」的技术实现。 公司使用 physics-enforced 一词,但未说明是架构级约束(如等变网络)还是损失级约束(如 PINN)。两者技术难度不同。本报告在技术分析中区分两种可能。来源等级:OFFICIAL(表述)与缺失(实现)。
风险与尽调缺口
其一,融资极少。 15 万瑞郎对应一支六人核心团队,资金明显不足。如果 6 至 12 个月内拿不到种子轮,项目可能停滞。
其二,技术验证缺失。 没有与商用求解器的公开对比数据,无法判断「少数据 + 物理强制」在工业精度上是否成立。
其三,客户为零。 没有公开客户案例、试点或付费合同。工业客户对未验证工具极其保守。
其四,团队投入的不确定性。 两位教授与一位前 Google 工程师的时间分配未知,如果核心成员只是顾问角色,执行力会打折。
其五,竞争压力。 资金充裕的同行(PhysicsX、Vinci、Neural Concept)已经出货,大厂的 AI 功能也在迭代,留给早期公司的窗口在收窄。
其六,瑞士市场的局限。 本土客户有限,国际化需要销售网络与本地支持,这对一家资金极少的公司是巨大挑战。
其七,物理强制的适用边界。 物理约束依赖方程假设,在强非线性、多物理耦合、材料非线性场景可能失效,而这些恰是工业客户最需要解决的难题。
综合评分
技术维度给 7 分。「少数据 + 物理强制」的路线在学术上有依据,且与主流「大数据代理模型」形成差异化;团队有计算力学与机器学习的双重背景。扣分项是技术实现未披露、精度未验证、物理域覆盖不明。
商业维度给 4.5 分。流程设计(预评估→深入→定制→部署→优化)符合工业软件销售逻辑,目标客户(航空、汽车、能源、电子)需求真实。扣分项是零客户、零收入、无定价、资金极少。
财务维度给 4 分。Venture Kick 15 万瑞郎为非稀释资金,保留股权。扣分项是金额极小、无机构投资、无估值。
产品维度给 5.5 分。Physics AI Engine 的三能力(加速、简化、复用)方向正确,AI 智能体降低门槛。扣分项是无公开产品界面、无文档、无试用、性能数据不可核验。
市场维度给 6.5 分。物理 AI 仿真赛道热度高、客户需求真实、瑞士深科技生态友好。扣分项是竞争激烈、客户保守、市场教育成本高。
综合 5.5 分。这是一家「团队强、资金少、验证缺」的早期公司:它用 Caltech/ETH/剑桥 + Dassault/Google 的混合背景建立了技术信誉,用「少数据 + 物理强制」切出一个与大厂不同的位置。但从 15 万瑞郎到产品市场匹配,中间的距离极长。对物理 AI 的判断是:物理约束路线是解决「数据稀缺」的正确方向,也是工业仿真最需要的能力;但 Fainite 目前只有论点与团队,还没有可验证的技术与商业证据。
参考资料
- Fainite 官网(2026 年访问):Physics AI Engine 定位为加速、简化、自动化仿真工作流;三能力为物理感知深度学习、AI 智能体、结果复用;对比「传统 48 小时以上 vs Fainite 10 秒」;客户痛点列为计算时间长(10 小时以上)、软件工作流复杂(10 个以上工具)、仿真知识难复用(上千个文件)
- 官网团队页:Alex Donzelli(CEO,Caltech 应用力学硕士、计算力学方向,曾在 Saipem 与 Optotune 任仿真与产品开发工程师、在瑞银做战略咨询,学术期间参与保时捷电驱轴自动测量与质量控制项目);Burigede Liu 教授(首席科学家,剑桥大学,曾任职 Caltech 与 ETH);Matthias Bonvin(机器学习负责人,ETH);Jan Pfeifer(机器学习科学家,前 Google 十二年,TensorFlow Lattice/Ranking/Decision Forests 核心贡献者);Roger Keene(商业战略,前 Dassault SIMULIA 全球销售与运营副总裁);Dennis Kochmann 教授(技术顾问,ETH)
- 官网招聘页的市场与使命表述:仿真仍是瓶颈,数百万工程师等数小时到数天;目标是「硬件工程的基础模型」,把仿真变成推理;市场为 1,700 万工程师、270 亿美元仿真软件市场、五年翻倍(年增 10%-13%)、设计周期从数月压缩到数周
- Venture Kick 资助公告(startupticker.ch、immo-invest.ch、midmarketnow):Fainite AG 获 15 万瑞士法郎(约 17 万欧元);资金用于扩展到新工程领域、加速可扩展平台上线、强化团队与市场推广;公司称技术可在不依赖大量历史数据集的情况下给出准确预测
- 同一公告的团队与定位表述:创始人来自 Caltech、ETH 苏黎世、剑桥与 Google,含 Alex Donzelli(CEO)、Burigede Liu 教授(首席科学家)、Matthias Bonvin(机器学习负责人),并有来自领先物理仿真软件公司的前高管;目标支持全球 900 万受仿真瓶颈影响的硬件工程师;从无法用通用 AI 模型解决的最复杂工程问题切入
- 官网五步流程:免费预评估(识别仿真瓶颈、量化预期收益)→ 技术深入(分析工作流、数据集、求解器与建模假设)→ 模型准备(定制物理 AI 模型、用仿真基准验证)→ 平台部署(部署到安全环境、支持新几何/边界/材料)→ 持续优化与扩展(随新数据持续改进、扩展到更多产品线与物理域)
- 技术背景(公开资料):代理模型的两条范式——数据驱动(需大量高保真仿真数据)与物理约束(把守恒律、本构关系编码进模型);物理约束的实现含物理信息神经网络(方程残差作为损失项)、物理强制网络(守恒结构编码进架构,如等变网络、能量守恒网络)、算子学习(学习解算子)
- 技术背景(公开资料):physics-aware(训练时考虑物理信息)与 physics-enforced(输出结构上满足物理约束)的区别;后者泛化更好但实现更难;物理约束的效果取决于方程假设与真实物理的匹配度,在强非线性、多物理耦合、材料非线性场景会打折
- 行业背景(公开资料):物理 AI 仿真赛道分层——资金充裕且已有产品(PhysicsX 3 亿美元、Vinci 2.5 亿美元、Neural Concept 1 亿美元、Luminary Cloud 7,200 万美元)、早期初创(Fainite、Godela 等)、大厂内部项目(Ansys SimAI、Siemens PhysicsAI、NVIDIA PhysicsNeMo)
- 瑞士生态(公开资料):ETH 苏黎世在计算力学与机器学习交叉领域有强团队;Venture Kick 提供非稀释性早期资助(分阶段);Innosuisse 提供创新项目资助;瑞士本土市场较小,深科技公司通常从早期即面向欧洲与全球市场
- 市场数据(公开资料):仿真软件市场第三方估算存在差异(厂商年报口径与市场研究机构口径不同),年增长率通常在 8%-12% 区间
- 商业模式背景(公开资料):工业 AI 的典型销售路径为「免费诊断/预评估 → 咨询 → 定制项目 → 平台订阅」,原因是客户对未验证工具保守,需要先证明价值再付费
本报告依据公开资料整理,不构成投资建议。公司处于极早期,公开资金仅 Venture Kick 的 15 万瑞郎;无客户、无收入、无定价披露;性能数据为公司口径,未经第三方验证。
相关论文
相关案例
相关报告66
- 五一视界深度调研:港股上市的数字孪生公司,51Sim 已是第一增长引擎而 51Earth 近乎归零,两套完全不同的融资轮次命名口径必须并存
- AMI Labs 深度调研:10.3 亿美元种子的世界模型豪赌,LeCun 的非生成式路线与它的空白成绩单
- 安世亚太 PERA 深度调研:2003 北京创立的国产 CAE 龙头,PERA SIM 通用仿真 + AIROM 降阶 + AgentX 多智能体 + 精智 iGPT/Whale,从工业仿真跨越到物理 AI
- AspenTech 深度调研:被 Emerson 全资收购的过程仿真巨头与其工业 AI 混合建模路线
- Autodesk 深度调研:以 Neural CAD 基础模型与 2 亿美元 World Labs 押注物理世界 AI,NAVASTO 补齐 CFD 代理能力
- Bentley Systems 深度调研:以 iTwin 数字孪生与生成式 AI 赋能基础设施全生命周期工程
- BeyondMath 深度调研:神经算子路线的基础物理 AI,$19M 联盟预算、1000 倍加速与三个被误读的事实
- Cadence 深度调研:以 EDA 系统级多物理场与 Millennium M2000 超算切入物理 AI,AuraStack 智能体与 Fidelity GPU CFD 成关键抓手
- COMSOL 深度调研:四十年多物理场求解器基业,以 DNN 代理模型训练与全物理场 GPU 加速切入物理 AI
- Dassault Systèmes 深度调研:以 3DEXPERIENCE 与 SIMULIA 虚拟孪生物理行为切入工业 AI,LEO 虚拟助手与 GPU 显式动力学成物理 AI 支点
- 深势科技深度调研:从戈登贝尔奖到国家级独角兽与港股门前,AI for Science 龙头的技术兑现与商业化空白
- Emmi AI 深度调研:17 个月从林茨 spin-out 到 3.3 亿欧元被 Mistral 收购,AB-UPT 拿下 CFD 代理模型 SOTA
- 飞捷科思深度调研:PhysX 奠基人的二次创业,国产可微分物理引擎与它的生态打法
- 凡拓数创(301313)深度调研:从数字展馆到物理 AI 数据基座的战略跃迁,FTE 引擎与 FunSim 仿真平台的卡位成色及收入兑现节奏
- Godela 深度调研:YC X25 物理 AI 仿真初创,前苹果/谷歌/英特尔团队用物理约束代理模型把仿真从数天压到秒级,仅 seed 轮、试商用 pilot 制
- 霍莱沃(688682)深度调研:以 RDSim AI 电磁仿真与工业智能体贯通「仿真-测量-产品」闭环
- 阿尔特 IAT 深度调研:A 股首家独立汽车设计公司全线转向 AI 研发,圆方/御风/太乙 3.0 产品体系落地并携手英伟达 Omniverse,2025 年营收 9.75 亿元、归母亏损扩大至 2.50 亿元
- Inductiva 深度调研:一个已停运的开源求解器编排样本,八处必须纠正的前提,以及联合创始人 CTO 的停运后去向
- 英特仿真(INTESIM)深度调研:2009 年成立的国产 CAE 龙头之一,自研结构/流体/电磁/热/声学求解器与多物理场耦合平台,完成中网投、深创投亿元 B 轮,2025 年营收签单双过亿
- 软通动力(301236)深度调研:依托软通天枢打造 L1/L2/L3 三层全栈物理 AI 架构,自研 TwinHub 数字孪生、FSim 工业仿真、CAE 多物理场与 Phyxis 具身控制
- Jua 深度调研:以地球物理基础模型 EPT 服务能源交易与电网决策
- Keysight(含 ESI Group)深度调研:以虚拟样机与混合 AI 连接测量与仿真,EDA 引入自然语言助手
- 光轮智能深度调研:前英伟达仿真负责人创办的物理 AI 数据与评测基础设施商,七轮融资约 26.5 亿元估值超 20 亿美元,同时进入 Newton 与 EgoVerse 两大国际标准委员会,订单口径存在 5.5 亿元人民币与 1 亿美元两套说法
- Luminary Cloud 深度调研:NVentures 押注的「物理 AI 模型工厂」,用 SHIFT 模型与 GPU 原生求解器改写 CAE 云化路径
- MathWorks 深度调研:以 MATLAB/Simulink 与 Simscape 多物理场支撑物理 AI,R2026a 推出 Copilot 与 Agentic Toolkit 布局端侧智能
- 觅蜂科技 Maniformer 深度调研:智元机器人孵化的物理 AI 数据基础设施,MEgo 无本体采集硬件量产,半年三轮融资中国电信领投
- Mistral AI 深度调研:30 亿欧元欧洲最大融资背后,Physics AI 如何从语言模型走到 EUV 光刻与核电站
- Monolith AI 深度调研:不加速仿真,而是砍掉物理试验次数的英国工程 AI,被 CoreWeave 收入囊中
- Monumo 深度调研:剑桥深科技电机 AI 设计公司,Anser 引擎日千万级多物理场仿真,累计融资 1050 万英镑,A 轮正在募资中
- NAVASTO 深度调研:把求解器的洞察左移到设计师工作台,Autodesk 用一次收购买下这个入口
- Navier 深度调研:把 CFD 工作流交给智能体,旧金山硬件工程 AI 的种子期豪赌
- Neural Concept 深度调研:EPFL 出身的工程 AI,用 1.38 亿美元融资押注「代理模型能否替代部分求解器」
- NP Co.(NP Company)深度调研:2025 年成立的巴黎 Inria 孵化 AI 原生仿真初创,€6M 天使前轮由 Partech 领投、Mistral 联合创始人参投,宣称预训练物理基础模型实现 1000x 加速,多项宣称待验证
- NVIDIA 深度调研:以 PhysicsNeMo、Warp、Cosmos 世界基础模型与 Omniverse 构建物理 AI 全栈基础设施
- Physical Intelligence 深度调研:31 亿美元级融资押注「机器人的 GPT 时刻」,π0.7 自陈未见任务成功率仅 60–80%,Pi API 定价与收入双双未披露
- Physical Superintelligence 深度调研:58 亿美元级种子轮押注「虚拟物理学家」,Emmy 平台把 AI 数据中心多物理优化当作首个商业化证明
- PhysicsX 深度调研:把几何与物理都压进一个预训练模型的三亿美元级工业 AI 赌注
- Prometheus 深度调研:410 亿美元估值、182 亿美元融资,却还没有一个产品
- PTC 深度调研:以 Creo/Onshape 与 ThingWorx 数字主线支撑物理 AI,借 NVIDIA Isaac Sim 打通机器人设计到仿真
- 千诀科技(北京千诀科技有限公司)深度调研:预测式世界模型 Polibrain、类脑分区架构与多项式表征,一个「不造本体」的具身大脑如何接入十万台清洁与服务机器人
- Quanscient 深度调研:云原生与量子赋能的多物理场仿真,AI-Native 硬件工程的数据引擎
- Rescale 深度调研:云上的 HPC 操作系统与桌面工程工作台,1.15 亿美元 D 轮与五处被误读的事实
- Schrödinger 深度调研:以 FEP+ 物理模拟与机器学习支撑分子发现,2026 年推出 Bunsen 智能体共同科学家
- Secondmind 深度调研:剑桥工程 AI 公司,贝叶斯主动学习把 CAE 仿真与台架试验减少最高 90%,累计融资约 7300 万美元,马自达兼具客户与投资人身份
- 适创科技深度调研:以 SupreCAST 云原生材料加工仿真与工业智能体,推进 CAE+AI 战略
- 舜云科技深度调研:以粒子法 shonDy 切入新能源与核能流体多物理场仿真
- 数智脉进深度调研:深圳 SNN+LBM 全栈自研 CFD 初创,宣称消费级硬件秒级出数亿网格结果,获财政部下属基金数千万天使轮,规划迁核心算法至 FPGA
- Siemens(含 Altair)深度调研:2025 完成 Altair 收购,Simcenter 与 Altair 仿真组合并,PhysicsAI 几何深度学习与 PhysicsAI Generate 成物理 AI 核心
- Silurian 深度调研:以生成式预报 Transformer 构建地球系统基础模型,面向能源与基建资产的天气风险
- SimScale 深度调研:把 CAE 许可证变成按核时订阅的云端仿真平台,5200 万欧元股权与 2500 万欧元债务必须分开算,以及五处被误读的事实
- Skild AI 深度调研:CMU 机器人研究所孵化的通用机器人基础模型,1.4 亿美元 C 轮对应 140 亿美元估值,但 B 轮规模存在 1.35 亿与 5 亿的口径冲突
- 松应科技深度调研:华为云系团队创办的国产物理 AI 操作系统商,ORCA OS 宣称对标英伟达 Omniverse,融资轮次在三套口径下各不相同,风语筑 2000 万元少数股权投资是可核验的第三方锚点
- 苏度科技(上海苏度科技有限公司)深度调研:零真机数据的仿真训练路线、Sudo R1 全栈自研与「原子能力」商业化,一家成立 17 个月估值超 200 亿元的具身智能新独角兽
- 索辰科技深度调研:从 CAE 工具商到物理 AI 平台商的转型阵痛
- Synopsys(Ansys)深度调研:2025 完成收购 Ansys,从 EDA 龙头跃升为「硅到系统」工程解决方案领导者,Ansys SimAI 与 NVIDIA 物理 AI 合作为核心抓手
- 十沣科技深度调研:院士领衔的国产工业仿真软件,官方时间线与数据库口径的轮次命名完全不同,官方融资 PDF 与投资数据库同时存在且不可合并
- 天洑软件深度调研:2011 年成立的国产智能 CAE 老兵,C 轮数亿元,2024 起主打「工业世界模型」,融资口径与估值多处不可调和,营收从未披露
- 同元软控深度调研:以 MWORKS(Syslab/Sysplorer)对标 MATLAB/Simulink,借 MWORKS AI 与 MOGICK 工程智能体推进国产物理 AI
- Vinci AI 深度调研:把物理仿真从「检查点」变成「连续约束」的半导体新变量
- 西湖机器人深度调研:西湖大学首个机器人成果转化项目,以 WR1 全身通用基座与 GAE 行为专家大模型构成大小脑双预训练架构,半年四轮融资约 5 亿元
- World Labs 深度调研:李飞飞的空间智能独角兽,被 AMD 以 82 亿美元收编
- 深圳元象信息科技(元象科技 XVERSE)深度调研:认知与感知双轮驱动的仿真世界路径,XVERSE 大模型、端云协同 3D 引擎与物理驱动动作生成模型 MotionGen
- 云道智能深度调研:从自主求解器到物理 AI 引擎,国产 CAE 的登顶者与它的未竟之战
- 云境智仿深度调研:北大孵化的云原生 GPU CAE 公司,Simversus 平台加 YJ-DORGP 小样本智能求解器,2025 年自述订单增 275%、营收增 160% 并达盈亏平衡
- 中科第五纪(杭州)深度调研:中科院自动化所与清华联创的具身基础模型公司,FAM 动作光流跨本体通用、3–5 条示范达 97% 成功率,纪元灵脑+纪灵机器人服务中石化/零跑/美的
- 中望软件(688083)深度调研:自主 Overdrive 内核与中望3D悟空 2027 撑起 CAD/CAE/CAM 一体化,CAx 智能体平台是通往工程 AI 的现实路径
本报告基于公开信息整理,仅供参考,不构成任何投资建议。数据截至报告发布日,请以公司公告与定期报告为准。