Godela 种子轮

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

YC X25 物理 AI 仿真初创,2025 创立、旧金山、10 人(YC 官方口径);从仿真数据学物理约束代理模型,秒级给求解器级精度;已获 YC 等 7 家投资、阶段 seed,无公开定价轮次与营收。

执行摘要

Godela 是 2025 年成立于旧金山的物理 AI 初创,入选 Y Combinator 2025 春季批次(X25)。创始人为 Cinnamon Sipper(CEO,曾在 Apple 做笔记本与 iPad 的硬件设计、在 Google 做 AI 产品)与 Abhijit Pranav Pamarty(CTO,在哈佛做过物理驱动的优化研究、在斯坦福研究流体力学生成模型、在英特尔做过半导体制造的代理模型)。

产品定位是「AI 物理引擎,替代仿真与原型」。它由三步循环构成:Train(上传仿真数据,拟合物理约束模型)、Explore(用自然语言提问 what-if,如「把某个区的风量提高」,直接得到预测,不必排队等求解器)、Optimize(搜索更好的配置)。除仿真数据外,还可以上传 CAD 文件与实验结果;覆盖五个应用域:数据中心热管理、电子散热、空气动力学、电磁、结构,另有「自建」路径支持其他物理系统。

公开的演示案例是机架散热:2,400 次仿真、12 个参数,回答时间 0.8 秒。公司另有一处表述称比传统工具快 4,500 倍(来自投资机构 CLAI Ventures 的投资说明)。

融资方面,公司在 2025 年 6 月 3 日完成种子轮,投资方包括 Y Combinator、Aera VC、Imagination Capital、MGV.VC、Swell Partners、CLAI Ventures、Network VC 共 7 家,金额未披露。第三方数据库估算其年收入在 200 万至 400 万美元区间(估算值,非公司披露)。团队规模方面,YC 官方页面在 2026 年 11 月 2 日访问时写 10 人(成立年份 2025、批次 Spring 2025、状态 Active、总部旧金山、首席合伙人 Aaron Epstein);两个第三方目录同样写 10 人,另有一个自述更新于 2026 年 10 月的目录写 4 人,另有资料写 2 至 10 人。

商业模式是「试点制」:没有公开定价、没有自助试用、没有文档,访问需要通过预约申请。这意味着它目前是「企业销售 + 定制交付」,尚未产品化为 SaaS。

物理 AI 视角下,Godela 的位置是「按客户数据训练的物理约束代理模型」。它与 Fainite 的「少数据」路线不同——它明确要求客户上传仿真数据来训练模型。这个差异很重要:需要数据意味着它无法服务「没有历史仿真数据」的新场景,但同时也意味着它能更好地贴合客户的具体几何与工况。

需要提前说明判断:这是一家「YC 光环、演示漂亮、验证缺失」的早期公司。它的优势是团队背景(Apple/Google/Intel + 斯坦福/哈佛研究)、YC 的资源与 7 家投资方的背书、以及清晰的三步产品逻辑;它的短板是没有公开的精度验证(与商用求解器的误差对比)、没有客户案例、没有定价与文档,且「替代仿真」与「成为仿真的智能归宿」这两种定位在它自己的表述里并存,前后不完全一致。

公司概览

团队

Cinnamon Sipper 的背景是「硬件 + AI 产品」:在 Apple 参与笔记本与 iPad 的设计,在 Google 做 AI 产品。这个组合对做工程工具很匹配——她理解硬件工程师的工作流,也理解 AI 产品的交互设计。

Abhijit Pamarty 的背景是「物理 + 机器学习 + 工业」:哈佛的物理驱动优化、斯坦福的流体力学生成模型、英特尔的半导体制造代理模型。最后一段经历尤其相关——半导体制造的代理模型是工业界最成熟的代理模型应用之一(工艺参数 → 良率/形貌),他做过这件事,说明他理解「代理模型要满足什么才能被工业接受」。

团队规模按 YC 官方口径为 10 人,属于极早期。同一页面目前挂有三个创始级岗位(机器学习系统创始工程师、仿真创始工程师、软件工程创始工程师,均在旧金山、股权区间 0.08%–1.50%、年薪 12 万至 18 万美元、要求 3 年以上经验),说明团队仍在扩招,10 人这一数字并非静态。

YC 与投资人

YC X25 批次提供了三样东西:种子资金(标准条款)、创业方法论(快速迭代、找产品市场匹配)、以及校友网络(早期客户与后续融资)。7 家投资方里,Aera VC、CLAI Ventures、Network VC 是早期阶段基金,MGV.VC 与 Swell Partners 提供后续轮次的可能。

定位的内在张力

公司的表述里有一个值得注意的张力。一方面,YC 页面与官网说「替代仿真与原型」(replace simulations and prototypes);另一方面,创始人的 YC 发帖说「Godela 不替代仿真,而是成为仿真的智能归宿」(Instead of replacing simulations, Godela becomes their intelligent, adaptive home)。

这两种定位的商业含义不同。「替代」是替代品逻辑(与 Ansys 竞争,抢预算);「归宿」是补品逻辑(与 Ansys 共存,做 Ansys 之上的查询层)。前者叙事更激进、估值想象空间更大,后者更务实、更容易被客户接受。

这个张力不是致命问题(早期公司常在不同受众前用不同表述),但它反映了产品定位尚未收敛。

技术分析

三步循环的技术含义

Train:客户上传仿真数据(可能还有 CAD 与实验数据),Godela 拟合一个「物理约束模型」。这一步的技术核心是「如何用有限的仿真数据训练出泛化能力好的模型」——数据量可能只有几百到几千个算例,远少于训练通用模型所需的量。

Explore:用自然语言提问(如「把这个区的风量提高 20%,温度会怎么变」),模型直接给出预测。这一步的技术核心是「自然语言 → 参数变更 → 模型推理 → 结果解释」的链条,其中语言理解只是接口,真正的计算在模型推理。

Optimize:搜索更好的配置。这一步的技术核心是「在模型上进行优化」,因为模型推理快(0.8 秒),可以做大量的参数搜索,找到比人工试错更好的解。

「物理约束」的实现

公司称模型是「physics-constrained」。这个表述可能对应三种实现:物理信息神经网络(方程残差作为损失项)、物理强制架构(守恒结构编码进网络)、或物理后处理(推理后做一致性校正)。

三种实现的泛化能力差异很大。第一种(软约束)容易实现但推理时不保证满足物理;第二种(硬约束)泛化好但难训练;第三种(后处理)简单但可能破坏模型的其他性质。

公开信息没有说明 Godela 属于哪一种。这是一个关键技术缺口——因为「物理约束」是它区别于纯数据驱动代理模型的核心主张。

演示案例的解读

官网的机架散热案例:2,400 次仿真、12 个参数、0.8 秒回答。这个案例的信息量在于三点。

第一,2,400 次仿真作为训练集,规模适中——对数据中心散热这类问题,2,400 个算例可以覆盖 12 个参数的主要变化范围。这说明它的「数据需求」是可满足的(不像某些方法需要数万算例)。

第二,12 个参数是高维的——如果每个参数 10 个取值,全组合是 10^12,不可能穷举。这解释了为什么需要代理模型:在 12 维空间里,2,400 个样本是稀疏的,模型必须靠物理约束来插值。

第三,0.8 秒的推理时间意味着可以做交互式查询与优化搜索。

但这个案例是「脚本化演示」(scripted demo),不是公开基准(published benchmark)。它没有说明:与传统求解器的精度对比、误差分布、失效工况。所以它证明「能跑」,不证明「可信」。

4,500 倍的口径问题

「比传统工具快 4,500 倍」这个数字来自投资机构的说明,不是公司官网。它的计算基础不明:是「单次推理 vs 单次求解」?还是「2,400 次训练 + 推理 vs 2,400 次求解」?

如果是前者,4,500 倍是可能的(求解器跑几小时,推理 0.8 秒,比值约 4,500 至 9,000 倍)。但这种对比忽略了训练成本——2,400 次仿真本身就要花大量时间。如果算上训练,第一次的「总投入」远高于直接跑一次求解。

这是所有代理模型的共同特征:前期投入换后期速度。宣传「快 4,500 倍」时如果不提前期投入,会误导客户对 ROI 的判断。

技术短板

第一,精度验证缺失。没有公开的与商用求解器(Fluent、Icepak、Ansys)的误差对比。

第二,物理约束的实现未披露。

第三,跨域泛化未验证。五个应用域(热、气动、电磁、结构)是用同一模型还是分别训练?如果是分别训练,「一个平台」的价值主要在界面,技术差异有限。

第四,数据依赖。需要客户提供仿真数据,意味着无法服务「无历史数据」的客户(新设计、新材料、新工况)。

产品与商业化

产品形态

产品是「AI 物理引擎」,形态是 Web 平台:上传数据 → 训练模型 → 自然语言查询 → 优化搜索。

访问方式是试点制(pilot request),没有自助注册、没有定价页、没有文档、没有安全说明。这意味着它目前只服务「愿意走销售流程」的企业客户。

商业模式

商业模式推断为「按项目/按模型收费」。因为没有自助定价,它更像「企业定制」,与「SaaS 订阅」有距离。

这种模式的优点是单客价值高(可以收几万到几十万美元),缺点是难规模化(每个客户都要销售、实施、支持)。

目标客户

目标客户是「仿真密集、等待时间长」的工程团队:数据中心热管理、电子散热、气动、电磁、结构。

最具体的场景是数据中心与电子散热——这两个场景的仿真迭代频繁(每个机架布局、每个风道设计都要算),且精度要求相对可控(温度场的主要趋势比绝对值更重要)。

客户与收入

没有公开客户名称、客户数量、付费规模。第三方数据库估算年收入 200 万至 400 万美元,但这是估算(基于融资、团队规模、行业均值的推算),不是公司披露。

竞争格局

赛道位置

Godela 属于「物理 AI 仿真」赛道的第二层(早期、有明确技术路线但未验证)。同层的有 Fainite(瑞士)、以及若干欧洲与北美初创;上层是 PhysicsX、Vinci、Neural Concept、Luminary Cloud;外围是大厂的 AI 功能(Ansys SimAI、Siemens PhysicsAI)。

与 Fainite 的对照

两家都是早期物理 AI 仿真公司,但技术路线不同。Fainite 强调「少数据 + 物理强制」,Godela 强调「按客户数据训练 + 物理约束」。前者假设客户数据少,后者假设客户有仿真数据。

这个差异决定了客户群不同:Fainite 服务「没有历史数据」的客户(新领域、新材料),Godela 服务「有大量仿真历史」的客户(成熟产品线的优化)。

与传统 CAE 的关系

Godela 的「替代」叙事直接与传统 CAE 冲突,但它的「归宿」叙事是互补的。现实地看,客户不会因为一个未验证的工具放弃 Ansys,但可能用它做「Ansys 之上的快速查询层」——先用 Ansys 建立基准,再用 Godela 做设计空间探索。

这个「补品」定位更容易落地,但也限制了市场空间(客户仍需购买 Ansys)。

与通用 AI 的关系

Godela 的差异化是「物理约束」,这与通用 AI(LLM)不同。LLM 能理解工程问题,但不能算物理;物理约束模型能算物理,但不能理解复杂意图。两者的结合(LLM 做接口、物理模型做计算)是合理架构,Godela 的「自然语言提问」正是这个思路。

融资与资本结构

融资

2025 年 6 月 3 日种子轮,7 家投资方(YC、Aera VC、Imagination Capital、MGV.VC、Swell Partners、CLAI Ventures、Network VC),金额未披露。按 YC 标准条款,YC 投资通常为 50 万美元(含 12.5 万用于 7% 股权 + 37.5 万无上限 SAFE),其他投资方可能追加至 100 万至 300 万美元区间。

估值与收入

估值未披露。第三方估算年收入 200 万至 400 万美元——这个数字对一家 2025 年成立、10 人的公司来说偏高(人均收入 20 万至 40 万美元),可能是把「潜在合同额」或「行业均值」误当作实际收入。本报告将其标注为第三方估算,不作为事实。

资金用途

YC 资金通常用于 18 至 24 个月的运营(团队扩张、产品开发、早期销售)。对一家 10 人的公司,100 万至 300 万美元可以支撑团队扩张到 20 至 30 人并完成首批客户验证。YC 页面挂出的三个创始级岗位与这一路径一致,同时也是「10 人并非静态」这一判断最清晰的公开信号。

DISCREPANCIES

1. 团队规模口径,以及官方口径已经前移。 本报告初次撰写时 YC 页面写 3 人;2026 年 11 月 2 日重新访问,YC 页面写 10 人。两个第三方目录写 10 人,另一个自述更新于 2026 年 10 月的目录写 4 人,另有资料写 2 至 10 人。变化方向一致:团队已越过 3 人阶段,4 人属于带日期的快照而非矛盾。本报告采用 10 人这一当前官方口径,其余并列。来源等级:OFFICIAL(YC)与第三方(MEDIA)交叉。

2. 「替代仿真」与「成为仿真归宿」的表述冲突。 YC 页面与官网说「替代仿真与原型」,创始人的 YC 发帖说「不替代仿真,而是成为仿真的智能归宿」。两种定位的商业含义不同。本报告在概览中并列,不选边。来源等级:OFFICIAL(公司材料)内部不一致。

3. 4,500 倍加速的来源。 该数字来自投资机构 CLAI Ventures 的投资说明,不在公司官网。计算基础(单次推理 vs 单次求解、是否含训练成本)未说明。本报告标注来源与口径问题。来源等级:MEDIA(投资机构),不是公司口径。

4. 收入估算的性质。 第三方数据库估算年收入 200 万至 400 万美元,但公司未披露收入。对一家 2025 年成立的公司,这个估算偏高,可能是推算误差。本报告标注为估算,不作为事实。来源等级:第三方估算(UNVERIFIED)。

5. 演示案例的性质。 机架散热案例(2,400 次仿真、12 参数、0.8 秒)是脚本化演示,不是公开基准。它证明「能跑」,不证明「精度达标」。本报告标注这一区别。来源等级:OFFICIAL(公司演示)与技术验证的差距。

6. 物理约束的实现未披露。 公司称模型为 physics-constrained,但未说明是损失项约束、架构约束还是后处理。本报告在技术分析中列出三种可能。来源等级:OFFICIAL(表述)与缺失(实现)。

7. 试点制的含义。 公司采用 pilot request,未开放自助注册,没有定价、文档、安全说明。部分解读将其视为「产品未就绪」。本报告标注为「企业销售模式」,不推断产品成熟度。来源等级:OFFICIAL(访问方式)。

8. 融资额的缺失。 种子轮金额未披露,只有投资方名单与日期(2025-06-03)。按 YC 标准条款推算,总额可能在 100 万至 300 万美元区间。本报告标注为推算。来源等级:OFFICIAL(投资方与日期)与推算(金额)。

风险与尽调缺口

其一,精度验证缺失。 没有与商用求解器的公开误差对比。对工程客户,「仿真级精度」(simulation-quality)是一个强宣称,需要数据支撑。

其二,数据依赖限制场景。 需要客户上传仿真数据,意味着无法服务「无历史数据」的新场景。这与 Fainite 的「少数据」路线形成对照。

其三,定位未收敛。 「替代」与「归宿」两种定位并存,影响销售话术与产品路线。

其四,团队极小且仍在变动。 10 人要同时做产品、销售、交付、研究,资源紧张;三个在招的创始级岗位既说明团队在扩张,也说明创始团队目前仍直接覆盖多数职能。

其五,竞争压力。 上层公司(PhysicsX、Vinci)资金充裕、已有客户;大厂的 AI 功能在迭代;同层还有 Fainite 等。

其六,客户信任门槛。 工程客户对未验证工具极其保守,尤其在数据中心散热这类「算错就要烧机器」的场景。

其七,演示与生产环境的差距。 0.8 秒的演示是「训练好的模型 + 准备好的输入」,生产环境要处理数据清洗、格式转换、边界条件设置、异常值,这些工作量可能远超推理本身。

综合评分

技术维度给 6.5 分。三步循环(训练-探索-优化)的产品逻辑清晰,物理约束方向正确,创始团队有物理+ML+工业的复合背景。扣分项是物理约束实现未披露、精度未验证、跨域泛化不明。

商业维度给 5 分。五个应用域覆盖主要工程场景,数据中心与电子散热是明确的切入点,试点制符合工业销售逻辑。扣分项是零公开客户、零定价、零文档、定位未收敛。

财务维度给 5.5 分。YC + 6 家投资方的种子轮提供了 18 至 24 个月的跑道。扣分项是金额未披露、收入估算不可信、估值未知。

产品维度给 6 分。三步循环的交互设计(自然语言 what-if)对工程师友好,支持 CAD 与实验数据混合输入。扣分项是无文档、无试用、无安全说明、演示与生产差距大。

市场维度给 6.5 分。物理 AI 仿真赛道热、数据中心与电子散热需求增长快(AI 算力驱动)、YC 网络提供早期客户。扣分项是竞争激烈、客户保守、市场教育成本高。

综合 5.9 分。这是一家「YC 光环、逻辑清晰、证据最少」的早期公司:它把「用自然语言问物理问题」这个交互做成了产品,把「训练-探索-优化」做成了闭环,团队背景也匹配。但它没有公开的精度验证、没有客户案例、没有定价,且「替代仿真」与「仿真归宿」的定位尚未统一。对物理 AI 的判断是:按客户数据训练物理约束模型是当前最务实的代理模型路线,Godela 的产品化思路(自然语言接口 + 优化搜索)也符合工程师的使用习惯;但从演示到生产、从试点到规模化,需要拿出精度数据与客户证据。

参考资料

  1. YC 公司页(2026-11-02 访问):Godela 为 YC 2025 春季批次(X25),成立于 2025 年,总部旧金山,状态 Active,首席合伙人 Aaron Epstein,团队规模 10 人,创始人 Cinnamon Sipper 与 Abhijit Pranav Pamarty;定位为「AI 物理引擎,替代仿真与原型」;三步能力为上传 CAD/实验/仿真数据、自然语言提问、获得仿真级结果;另在招三个创始级岗位(机器学习系统、仿真工程、软件工程),均在旧金山,股权 0.08%–1.50%、年薪 12 万至 18 万美元
  2. YC 发布帖(2025-06):创始人为前 Apple、Google、Intel 工程师,正在把斯坦福研究产品化;三步循环为 Train(上传仿真数据拟合模型)、Explore(自然语言 what-if 提问)、Optimize(搜索更优配置);表述「Godela 不替代仿真,而是成为仿真的智能归宿」
  3. 公司官网(2026 年访问):三步循环与五域覆盖(数据中心热管理、电子散热、空气动力学、电磁、结构)与自建路径;演示案例为机架散热 2,400 次仿真、12 个参数、0.8 秒回答;访问方式为试点申请
  4. 第三方公司档案(fundraisingfox):成立于 2025 年、旧金山、10 名员工;创始人 Cinnamon Sipper(CEO,Apple 硬件、Google AI 产品)与 Abhijit Pranav Pamarty(CTO,哈佛物理驱动优化、斯坦福流体生成模型、Intel 半导体代理模型);投资方 7 家(Aera VC、Imagination Capital、MGV.VC、Swell Partners、Y Combinator、CLAI Ventures、Network VC)
  5. 第三方工具评测(hokai.io):训练基于客户自有仿真数据、按客户训练模型带来切换成本;无公开定价、文档、试用,访问需试点申请;精度与商用求解器的对比无公开数据;机架散热案例为脚本化演示,不是公开基准;「仿真级精度」为公司自述
  6. 第三方数据库(seedtable):YC X25、旧金山、10 名员工、2025 年成立;种子轮 2025-06-03,投资方 Break VC、CLAI Ventures、Network VC 等,金额未披露;估算年收入 200 万至 400 万美元(估算值)
  7. 投资机构说明(CLAI Ventures,2025-07):称 Godela 的物理感知 AI 引擎「比传统仿真工具快 4,500 倍」
  8. 第三方介绍(promptloop):团队 2 至 10 人;定位为 AI 原生物理引擎,支持上传 CAD、实验数据与仿真数据;目标行业含制造、机器人、芯片、化工、工业自动化
  9. 技术背景(公开资料):代理模型的两条范式(数据驱动 vs 物理约束);物理约束的三种实现(物理信息神经网络的损失项约束、物理强制架构的硬约束、后处理校正);三者的泛化能力与实现难度不同
  10. 技术背景(公开资料):代理模型的前期投入(数据生成、训练、验证)与后期收益(秒级推理)的权衡;宣传加速倍数时不提前期投入会误导 ROI 判断
  11. 竞争格局(公开资料):物理 AI 仿真赛道分层——资金充裕且已出货(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)、大厂 AI 功能(Ansys SimAI、Siemens PhysicsAI)
  12. 商业模式背景(公开资料):工业 AI 的典型路径为「试点(pilot)→ 概念验证 → 规模化采购」,原因是工程客户对未验证工具保守,尤其在数据中心散热等失效代价高的场景
  13. 第三方公司目录 gpagent.ai(页面自述更新于 2026-10-05):YC Spring 2025 批次、旧金山、团队规模 4 人、两位创始人、早期阶段、以工程师发起的试点申请为获客方式

本报告依据公开资料整理,不构成投资建议。公司处于早期,收入、客户、定价均未披露;第三方收入估算与加速倍数来自非公司口径,未经独立验证,相关判断已标注不确定性。

相关报告66

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。