Jua A 轮

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

Jua(苏黎世,2022)以 EPT 地球物理基础模型提供天气/能源预测,2025 年完成 1100 万美元 A 轮,2026 年推 Athena 交易智能体,对标 DeepMind/英伟达地球模型。

执行摘要

Jua(Jua.ai AG)是 2022 年成立于苏黎世的地球系统基础模型公司,同时在柏林与开普敦设有团队。它的产品只有两层:一层是大气预测模型 EPT-2(Earth Physics Transformer),另一层是建立在该模型之上的能源市场智能体 Athena。公司把自己定位为「为物理现实构建基础模型」,第一个落地的物理域是大气,服务对象是能源交易商、公用事业公司与对冲基金。

EPT-2 的核心指标是可核验的:原生一小时步长、预报时效 0–240 小时、空间分辨率 0.083 度(赤道附近约 9 公里),配有集合变体 EPT-2e、快速刷新变体 EPT-2 RR(每日更新 24 次)与欧洲高分辨率变体 EPT2-HRRR(5.5 公里、逐小时)。公司声称训练数据超过 5 PB、来自 120 多个数据源、约 1 万个地面站,研究成果在 ICLR 与 NeurIPS 发表。

评测方法是这家公司最值得记录的部分。它开源了 StationBench 评测方法,用一万多个真实地面站观测做验证,不做后处理、不做站点微调,宣称 EPT-2 在 10 米风、100 米风、2 米气温与地表太阳辐射四个能源关键变量上,于 0–240 小时全时效段优于 ECMWF HRES;集合版本 EPT-2e 在几乎全部预报时效上优于 ECMWF 50 成员集合均值。这套说法如果成立,含义是:一个在单张 GPU 上运行的模型,在能源关心的变量上超过了运行了四十年的数值天气预报体系。

商业侧的可核验信息包括:公司宣称服务 100 GW 以上的能源资产,客户名单包含 TotalEnergies、Shell、Enel、Statkraft、RWE、EDF、Hydro-Québec、Adani Energy、Vitol、Origin Energy、ESB。融资方面,2022 年 10 月 pre-seed 250 万欧元(Promus Ventures 领投),2024 年 2 月 seed 1,600 万美元(468 Capital 与 Green Generation Fund 联合领投),2025 年 6 月 A 轮 1,100 万美元(约 1,000 万欧元,Ananda Impact Ventures 与 Future Energy Ventures 联合领投),累计约 2,700 万美元。创始人 Andreas Brenner 与 Marvin Gabler,2025 年 6 月起由 Gabler 接任 CEO。

物理 AI 视角下,Jua 的位置很清晰:它做的是「用数据学习物理规律」这条路线在气象领域的实现,属于地球物理侧的物理 AI。它的价值不在求解器的保真度,而在推理速度与更新频率——传统数值预报受算力约束,每天只能跑 2 至 4 次;AI 模型可以每小时甚至更快地产出预报。对能源交易而言,更新频率本身就是信息优势。

需要提前说明判断:这家公司的技术叙事强、可核验的第三方证据弱。所有性能结论都来自公司自己的技术报告与官网图表(官网明确标注「示意性」),没有一个独立机构复现过全部基准;客户效果的量化数字(如某比利时客户平衡成本下降约 20%)是公司单方披露。这不等于结论错误,但意味着评估时必须区分「公司口径」与「已独立验证」。

公司概览

起点与团队

Jua 于 2022 年在苏黎世成立,创始人为 Andreas Brenner 与 Marvin Gabler。Brenner 是连续创业者,2022 年至 2025 年 6 月担任 CEO;Gabler 是气象与机器学习背景的研究者,主导了 EPT 模型的技术路线,2025 年 6 月 A 轮关闭时接任 CEO。这个交接的时间点值得注意:它发生在 A 轮融资完成的同一个月,通常意味着公司从「技术验证阶段」切换到「商业化扩张阶段」,创始人分工随之调整。

公司规模在 51 至 200 人区间(第三方资料口径),除苏黎世总部外在柏林与开普敦设有团队。以这个规模做出与 ECMWF、DeepMind、微软同台比较的模型,团队密度是它的核心资产。行业报道提到它能与 Google、DeepMind 争抢 AI 人才,这类说法无法验证,但反映了欧洲 AI 人才市场的一个现实:苏黎世联邦理工体系的毕业生供给,支撑了一批地球科学与 AI 交叉的创业公司。

融资历程

三轮融资的节奏与金额如下。2022 年 10 月 pre-seed 250 万欧元,由 Promus Ventures 领投,Session.vc 与天使投资人参与,其中包括 The Climate Corporation 联合创始人 Siraj Khaliq 与 DeepMind 前产品负责人 Mehdi Ghissassi。2024 年 2 月 seed 1,600 万美元,由 468 Capital 与 Green Generation Fund 联合领投,Promus Ventures、Kadmos Capital、Session.vc、Notion.vc、Innosuisse 等参与。2025 年 6 月 A 轮 1,100 万美元(约 1,000 万欧元),由 Ananda Impact Ventures 与 Future Energy Ventures 联合领投,现有投资人跟投。

累计融资约 2,700 万美元(截至 2025 年中)。这个规模在基础模型公司里属于极小——训练一个大语言模型的成本都不止这个数。它能做出有竞争力的气象模型,原因在于领域特性:气象再分析数据(如 ERA5)是公开的、结构化程度高、物理约束明确,模型规模不需要达到语言模型的量级。这也是为什么气象成为 AI for Science 最早跑出商业公司的领域之一。

客户结构

公司披露的客户名单覆盖欧洲主要电力与交易机构:TotalEnergies、Shell、Enel、Statkraft、RWE、EDF、Hydro-Québec、Adani Energy、Vitol、Origin Energy、ESB。这些名字的性质需要分清:有综合能源公司(Shell、TotalEnergies、Enel),有以水电与风电为主的公用事业(Statkraft、Hydro-Québec),有交易商(Vitol),有电网与零售兼营的(EDF、ESB、Origin)。它们的共同点是「天气直接决定边际成本或价差」,因此愿意为更准的预报付钱。

「服务 100 GW 以上能源资产」是公司口径。按欧洲风电与光伏装机规模估算,100 GW 大约相当于一个中型欧洲国家的全部可再生装机,这个量级如果属实,说明它的客户覆盖已从试点进入生产环境。但公司没有披露这 100 GW 的统计方式(是签约装机、还是实际接入模型的资产、还是客户组合的名义容量),这是尽调需要问清的。

技术分析

数值天气预报的成本结构,以及为什么可以被替代

理解 Jua 的技术价值,需要先理解传统数值天气预报(NWP)的成本结构。NWP 把大气离散成三维网格,在每个格点求解动量、质量、能量守恒方程与各种参数化方案(辐射、云微物理、边界层湍流、陆面过程)。这套方法的准确性来自物理方程本身,代价是计算量:全球高分辨率模式需要超级计算机,单次运行数小时,因此业务运行频率被限制在每天 2 至 4 次(00、06、12、18 UTC)。

这个限制在能源场景里是实质损失。风速的日变化、对流云的生成、锋面过境的时间误差,都会在数小时内改变风电出力与电价。如果预报每天只更新四次,交易台在两个更新时点之间只能靠外推与经验判断。AI 模型的价值不在于「更准」这一件事,而在于「更快、更频繁」——当模型能在单张 GPU 上几分钟跑完一次全球预报,更新频率就可以提到每小时甚至更高。

Jua 的技术主张正是这条:不从方程出发,而从数据中学习大气的演化规律,把物理约束编码进网络结构(physics-constrained architecture),在潜空间里以比物理过程本身更快的速度向前积分。

EPT-2 的架构与规格

EPT-2 全称 Earth Physics Transformer,属于 Transformer 类的大气基础模型。公开的技术规格如下:原生一小时时间步长,预报时效至 240 小时(10 天);空间分辨率 0.083 度,赤道附近约 9 公里;技术报告描述的核心模型每天在 00、06、12、18 UTC 四个时次初始化。

产品文档还列出一个模型家族:EPT-2e 是扰动集合版本,用于概率预报,文档称其延伸期配置可到 60 天;EPT-2 RR 是快速刷新版本,每日更新 24 次,通过卫星资料同化实现;EPT2-HRRR 是欧洲区域高分辨率版本,5.5 公里、逐小时;后续还有 EPT-2.1 的成员(如 Helios、Europa)。这套家族设计说明一件事:单一模型无法同时满足「全球覆盖」「高分辨率」「高刷新率」「长时效」四个目标,工程上必须做组合。

技术上值得注意的是「任意时效条件化」(dynamic lead time conditioning)——同一个模型可以通过条件输入生成不同时效的预报,而不必为每个时效单独训练一个模型。这个设计对训练成本与推理灵活性都有好处,也是这类气象基础模型的通行做法。

StationBench:评测方法论本身就是资产

AI 气象模型领域最大的问题是评测不可比。各家用不同的再分析数据、不同的变量、不同的加权方式,都能得出「我最好」的结论。Jua 选择的路径是开源评测方法 StationBench,用真实地面站观测做验证,不做后处理、不做站点微调,并把数据源与算法公开。

这个方法论的严谨性值得肯定:用观测做真值,避开再分析,避免了「用模型验证模型」的循环;不做站点微调,避免了「在测试集上训练」的泄漏;公开方法,允许第三方复现。公司声称在 10 米风、100 米风、2 米气温、地表太阳辐射四个变量上,0–240 小时全时效段优于 ECMWF HRES。

但要注意两点。第一,官网的对比图表标注了「Illustrative」(示意性),完整数据在技术报告里,而技术报告是公司自己发布的。第二,评测的变量选择本身就是一种立场:风速、气温、太阳辐射是能源最关心的变量,在这些变量上占优对能源客户最有说服力,但不等于在所有气象变量上都占优(降水、云量、湿度、极端事件的位置误差等)。对能源交易而言,这个变量选择是合理的;对「最准的气象模型」这个更宽的宣称,则不足以支撑。

物理迁移:从大气到翼型与激波

公司叙事里最值得关注的一点,是「同一个基础模型可以微调到其他物理域」,公开提到的例子是翼型(airfoil)与激波(shock wave)。这个主张的技术逻辑是:大气方程与可压缩流动方程在数学结构上有相似性(都是守恒律系统),在潜空间里学到的表示可能具有迁移性。

如果这条路走通,公司的定位就从「气象模型公司」变成「物理基础模型公司」,市场空间从能源扩展到航空航天、汽车、国防。但目前公开信息里,只有一句话的功能描述,没有论文、没有基准、没有客户案例。这是一个典型的「叙事领先于证据」的位置。评估时应当把它当作期权价值,不并入当前估值。

Athena:智能体的真实用途

Athena 是建立在 EPT-2 之上的能源市场智能体。按官方描述,它读取 EPT-2 的预报、市场自身的模型、价格与用户持仓,然后告诉用户「什么即将发生变化」,输出形式包括简报、警报、回测与功率预测。

它的交互有两层。自然语言层接受文本目标,返回简报、基准对比、回测与自定义组件,响应时间约 90 秒至 5 分钟。程序化层提供 REST API 与 Python SDK(pip install jua),暴露 25 个以上模型,支持 Apache Arrow 大负载,并集成 ENTSO-E 的欧洲电网数据。这个双层设计是合理的:交易台的量化团队需要 API 与 SDK 接入自有流程,而交易员需要自然语言界面快速获得结论。

需要说清的边界是:Athena 不做自动交易,它做的是信息聚合与判断辅助。它把「天气预报 → 发电出力 → 电价影响 → 组合敞口」这条链条串起来,但最终下单仍由人决定。这与工业领域的智能体定位一致:在责任重大的场景里,智能体给建议,人做决定。

技术短板

第一,独立验证缺失。所有性能结论都来自公司自己的技术报告与官网,没有独立机构(如 ECMWF 之外的第三方、学术团体、行业评测)复现过完整基准。这在早期公司里常见,但意味着「世界最准」的宣称目前只有公司背书。

第二,物理迁移没有证据。从大气到翼型与激波的迁移目前属于叙事,尚未成为成果,缺少任何可核验的中间结果。

第三,极端事件的能力不明。能源系统最怕的不是平均风速偏差,而是极端天气(风暴、寒潮、持续无风)。这类事件在训练数据里样本稀少,AI 模型的外推能力是公认弱点。公司没有公开极端事件的专项评测。

第四,可解释性有限。交易与调度决策需要知道「为什么这个预报可信」,而 Transformer 类模型的潜空间表示难以给出物理意义上的解释。公司用 physics-constrained 架构缓解这个问题,但没有公开量化的物理一致性指标(如质量、能量守恒的违反程度)。

产品与商业化

产品矩阵

产品分三层。模型层是 EPT-2 家族:确定性版本用于单值预报,EPT-2e 用于概率预报,EPT-2 RR 用于高频刷新,EPT2-HRRR 用于欧洲区域高分辨率。平台层是 Earth Intelligence Platform,把 Jua 自有模型与第三方模型(ECMWF AIFS、ECMWF IFS、NOAA GFS、Microsoft Aurora 等)整合在一个界面里,提供动态天气图、点位预报分析、功率交易分析(beta)与自然语言查询。应用层是 Athena,面向交易台的智能体工作区。

这个结构有一个务实的考虑:把竞争对手的模型也放进同一个平台。对客户而言,能在一个界面里对比多源预报比自己拼装数据管道方便得多;对 Jua 而言,这意味着它必须靠准确率留住客户,无法靠数据垄断。这是自信的做法,也提高了产品被替换的门槛(客户的工作流嵌入在平台里)。

定价与交付

API 采用按使用量计费,提供 Python SDK 与多格式输出(JSON、CSV、GRIB、地图瓦片)。企业侧走销售,没有公开价格,也没有自助注册。这符合客户结构:能源公司与对冲基金的采购流程长、对 SLA 与数据授权有具体要求,按席位定价不合适。

值得注意的是「按使用量计费」与 AI 模型的成本结构匹配:推理成本随调用量增长,收入也随之增长。这比订阅制更能捕捉「客户用得越多价值越大」的部分。

客户效果的量化

公司披露过一个具体案例:某比利时客户拥有小型风电组合,使用其服务后平衡成本下降约 20%;对更大的组合,客户报告的失衡成本下降在七位数至八位数金额区间。这些数字来自 2025 年 8 月的一次访谈,是单一名义案例,未经独立验证。

从商业逻辑看,这个价值主张成立:风电场的平衡成本(balancing cost)来自预测偏差导致的不平衡结算,预报精度提升直接减少这部分支出。对一个 100 MW 的风电组合,若年平衡成本在数百万欧元量级,20% 的下降就是可观的节省,足以支撑软件订阅费用。

市场切入的选择

Jua 选择能源作为第一个市场,未从保险、农业或航空起步,理由是能源的「天气敏感度」最高且已经有成熟的交易市场为信息定价。电力现货与平衡市场每天结算,预报精度的价值可以立刻折算成金额;相比之下,保险的定价周期以年计,农业的决策周期以季计,反馈慢得多。

这个选择的代价是市场天花板:全球能源交易与公用事业的气象服务市场规模有限,且已有 DTN、Meteomatics 等成熟供应商。要突破天花板,必须进入新市场(保险、航空、农业)或新物理域(翼型、激波),前者是商业扩张,后者是技术扩张,两条路都还没有公开进展。

竞争格局

与 ECMWF 的关系:替代还是补充

ECMWF 是全球中期天气预报的基准,其 HRES 确定性预报与 ENS 集合预报被各国气象局与产业界广泛使用。Jua 的宣称是 EPT-2 在能源关键变量上全面优于 HRES,这意味着它把自己定位为「替代者」。

但现实关系更接近「补充」。ECMWF 的价值不只是预报产品,还包括观测资料同化系统、模式物理方案、以及全球气象基础设施的公共品属性。AI 模型的初始场仍然依赖同化系统(大量 AI 气象模型用 ECMWF 的 IFS 分析场做初始化),这意味着 AI 公司在数据链上依赖被它宣称超越的机构。Jua 的 EPT-2 RR 声称通过卫星资料同化实现高频刷新,说明它在往上游走,但同化系统的完整能力不是短期能复制的。

与科技巨头的模型竞赛

Google DeepMind 的 GraphCast 与 GenCast、微软的 Aurora、NVIDIA 的 FourCastNet、华为的 Pangu-Weather,构成 AI 气象模型的第一梯队。这些模型大多来自大公司研究院,开源、论文公开、算力充沛,但共同的短板是「没有产品化」:论文里的模型不提供 SLA、不提供 API、不做客户支持。

Jua 的相对优势正在这里:它是唯一把 AI 气象模型做成商业产品的公司之一(另一个是 WindBorne 这类做观测+预报的组合)。技术差距可能不大,产品化差距很大。对大公司研究院而言,做气象模型是展示算力与科研能力;对 Jua 而言,这是全部生意。激励结构的差异,通常决定长期的产品打磨深度。

风险也在这里:如果 Google 或微软决定把气象模型产品化(微软的 Azure 已经在做部分气象数据服务),Jua 的技术优势会被算力与渠道优势抵消。这是所有「在巨头研究方向上创业」的公司共同面对的问题。

能源数据服务商

在能源气象服务这个具体市场,竞争者包括 DTN(能源与农业气象数据的传统供应商)、Meteomatics(高分辨率气象数据 API)、以及各家交易公司自建的气象团队。这些对手的优势是客户关系与历史数据积累,劣势是模型技术。Jua 的切入点是用更准的模型与更快的刷新率撬动「对精度敏感」的客户,先拿下交易台,再向公用事业扩展。

差异化定位

综合来看,Jua 的差异化可以概括为三点:一是评测方法论的透明度(StationBench 开源),这在满是「我最准」宣称的市场里是稀缺的;二是更新频率(每日 24 次 vs 传统 2 至 4 次),这是结构性的、由算力经济决定的差异;三是产品化程度(Athena 工作区、API、SDK),这是研究院模型不具备的。

短板同样清楚:规模小(累计融资 2,700 万美元)、独立验证缺失、客户集中在对冲基金与交易台(对价格敏感、粘性较低)、以及巨头的潜在进入。

融资与资本结构

三轮融资的结构

Pre-seed 250 万欧元(2022 年 10 月)由 Promus Ventures 领投,属于典型的技术验证期融资,资金用于组建团队与训练初代模型。Seed 1,600 万美元(2024 年 2 月)由 468 Capital 与 Green Generation Fund 联合领投,规模跳升六倍,对应的是 EPT 初代模型的验证与首批客户。A 轮 1,100 万美元(2025 年 6 月)由 Ananda Impact Ventures 与 Future Energy Ventures 联合领投,两家都是影响力/能源转型主题基金,说明这一轮的叙事从「AI 技术」转向「能源转型基础设施」。

累计约 2,700 万美元,估值未披露。按 A 轮 1,100 万美元的典型稀释比例(15% 至 20%)推算,投后估值大致在 5,500 万至 7,300 万美元区间,但这只是推算,公司未确认。

资本效率的含义

2,700 万美元做出与 ECMWF、DeepMind 同台比较的模型,资本效率极高。原因有三:气象数据的公开性(ERA5 等再分析数据免费)、模型规模的合理性(气象场的自由度远低于语言)、以及团队的精简(50 至 200 人)。这个效率是欧洲深度科技公司的典型特征——用更少的钱做更聚焦的事。

但它也意味着抗风险能力有限。如果巨头发动价格战或免费提供同类模型,Jua 没有足够的资金打持久战。它的出路是尽快建立客户粘性(嵌入工作流)与数据壁垒(自有观测、客户反馈闭环),把竞争从「模型精度」转到「产品与数据」。

收入与盈利

公司没有披露收入、毛利率与亏损。按客户规模(100 GW 能源资产、十家以上头部客户)与典型的 SaaS 定价估算,年收入可能在数百万至一两千万美元区间,但这是推测。A 轮 1,100 万美元的规模暗示,公司距离盈亏平衡还有距离,这一轮资金覆盖 18 至 24 个月的运营。

DISCREPANCIES

1. A 轮金额的币种与数值。 官方口径为 1,000 万欧元(Ananda 与 Future Energy Ventures 联合领投),第三方数据库记为 1,100 万美元。两个数字对应同一轮,差异来自币种换算与时点汇率。本报告采用「1,100 万美元(约 1,000 万欧元)」的双写。来源等级:OFFICIAL(投资方公告)与第三方数据库并行,差异属换算。

2. 累计融资额与三轮加总不一致。 第三方资料称累计约 2,700 万美元;按三轮加总为 pre-seed 250 万欧元(约 250 万美元)+ seed 1,600 万美元 + A 轮 1,100 万美元,合计约 2,950 万美元。差额可能来自可转债、政府补助(Innosuisse)未计入,或第三方统计时点早于 A 轮完成。本报告采用「约 2,700 万美元(第三方口径)」并在正文列出三轮明细。来源等级:第三方统计(MEDIA)与官方披露并行。

3. 创始人的归属。 部分资料称「由 Marvin Gabler 创立」,另一些称「Andreas Brenner 创立」,还有资料称 Brenner 为创始人、Gabler 为 2025 年 6 月上任的 CEO。准确的表述是两人为联合创始人:Brenner 自 2022 年创立起任 CEO 至 2025 年 6 月,Gabler 主导 EPT 技术路线并于 A 轮关闭时接任 CEO。本报告采用联合创始人表述。来源等级:OFFICIAL(公司人物页)优于 MEDIA 单方表述。

4. 模型更新频率的两个数字。 技术报告描述核心 EPT-2 每天在 00、06、12、18 UTC 四个时次初始化;产品文档则称 EPT-2 RR 每日更新 24 次。两个数字都对,指的是模型家族的不同成员。部分报道把 24 次/日说成 EPT-2 的能力,造成「核心模型每日 24 次」的误解。本报告区分核心模型与快速刷新变体。来源等级:OFFICIAL(技术报告与产品文档)并行,差异属成员区分。

5. 集合成员数量。 一处资料称 EPT-2e 为 30 成员集合,另一处称其在几乎全部时效上优于 ECMWF 的 50 成员集合均值。前者是 Jua 集合的规模,后者是对比对象的规模,不是同一件事。本报告在提到集合时分别标注。来源等级:OFFICIAL 与第三方产品文档。

6. 「优于 ECMWF、DeepMind、微软、NVIDIA」的证据强度。 官网对比图为公司自制,明确标注「Illustrative」(示意性),并注明完整数据在公司技术报告中;该技术报告由公司发布,未见独立第三方复现全部基准。本报告保留该结论并标注「公司口径、未经独立验证」。来源等级:公司技术报告(OFFICIAL 但自我评测)低于独立第三方评测。

7. 分辨率与时效的第三方误传。 有第三方资料称 Jua 提供「1×1 公里分辨率、20 天预报」的航空气象服务;官方规格是全球 0.083 度(约 9 公里)、时效 240 小时(10 天),欧洲区域高分辨率变体为 5.5 公里。1 公里与 20 天两项均无官方依据。本报告采用官方规格。来源等级:OFFICIAL 优于第三方百科。

8. 客户效果数字的验证状态。 「比利时小型风电组合平衡成本下降约 20%」与「大型组合失衡成本下降七至八位数」均为公司单方披露的单案例,未说明统计周期、基线定义与客户复核方式。本报告保留数字并标注为未独立验证。来源等级:公司访谈(UNVERIFIED)。

风险与尽调缺口

其一,独立验证缺失是最大的估值不确定性。 「世界最准」的宣称支撑着公司的定价能力与融资叙事,但目前只有自我评测。如果第三方评测(如学术团体、气象部门、独立benchmark)给出不同结论,商业叙事会受到实质冲击。尽调应要求提供 StationBench 的完整评测脚本、测试集划分方式与各模型的原始分数。

其二,极端天气能力未经检验。 能源系统真正的风险来自极端事件,而 AI 气象模型在样本稀少的事件上外推能力弱。公司没有公开寒潮、风暴、持续无风等场景的专项评测。这类能力对公用事业的调度价值高于对交易台的短期交易价值,缺失会限制它向公用事业深度渗透。

其三,客户粘性与替换成本。 交易台的决策支持工具替换成本相对低——如果另一家模型的精度更高、价格更低,切换只需要改数据管道。Jua 通过平台整合(把竞品模型也放进来)与工作流嵌入(Athena 的持仓监控、回测)提高粘性,但这一策略的效果需要看续约率数据,而公司未披露。

其四,巨头进入的风险。 微软、Google、NVIDIA 都在做气象基础模型且有云平台渠道。如果其中一家决定把模型产品化并捆绑云服务销售,Jua 的价格与渠道都会被压制。它的防御是「专注能源场景的深度」——做交易台需要的功率预测、平衡成本优化、ENTSO-E 数据集成,这些是通用模型厂商不会做的脏活。

其五,物理迁移的叙事风险。 「从大气迁移到翼型与激波」是估值想象空间的主要来源,但没有任何公开证据。如果这条路长期走不通,公司会被重新定价为「气象服务公司」,估值倍数下移。

其六,数据依赖。 AI 气象模型的初始场依赖数值预报系统的分析场,观测数据依赖公共气象基础设施。如果上游数据政策变化(如 ECMWF 调整数据开放策略、卫星数据授权收紧),模型能力会受影响。这是整个 AI 气象领域的系统性风险。

其七,欧洲市场集中。 客户名单以欧洲能源公司为主(Statkraft、RWE、EDF、Enel、ESB、Origin 为澳洲),美国市场仅有 Hydro-Québec(加拿大)与少量交易商。美国电力市场的碎片化(各 ISO 规则不同)是扩张障碍,而美国是全球最大的能源交易市场。

综合评分

技术维度给 8 分。EPT-2 的规格(0.083 度、逐小时、240 小时、家族化变体)达到国际第一梯队水平,StationBench 开源评测方法论是真正的贡献,物理约束架构的设计方向正确,从大气向其他物理域迁移的思路有学术依据。扣分项是独立验证缺失、极端事件能力未公开、物理迁移无证据。

商业维度给 7 分。客户名单覆盖欧洲主要能源机构,100 GW 资产的服务规模在公司口径下具有说服力,Athena 的双层交互(自然语言 + API/SDK)设计务实,按使用量计费与成本结构匹配。扣分项是收入未披露、市场集中于欧洲、交易台客户粘性待验证。

财务维度给 6.5 分。2,700 万美元融资做出第一梯队模型,资本效率极高;三轮投资人结构合理(技术基金 + 能源转型基金)。扣分项是绝对资金规模小、抗价格战能力弱、盈利路径未披露。

产品维度给 7.5 分。模型家族 + 平台 + 智能体的三层结构完整,把竞品模型整合进同一界面是提高粘性的聪明做法,API 与 SDK 的工程完成度高(25 个以上模型、Arrow 支持、ENTSO-E 集成)。扣分项是企业级功能(权限、审计、SLA)披露不足,航空与保险等扩展市场的产品缺位。

市场维度给 7.5 分。AI 气象模型正在从论文走向生产,能源转型带来的天气敏感度上升是长期顺风,公司在「模型产品化」这个环节领先于巨头研究院。扣分项是市场规模有限、DTN 与 Meteomatics 等成熟供应商占据存量客户、巨头进入风险。

综合 7.3 分。这是本轮 65 家里「技术密度最高、商业化最早期」的公司之一:它用一个 50 至 200 人的团队,做出了在能源关键变量上可与 ECMWF 比较的模型,并用开源评测方法把可信度问题摆到台面上。但它的所有性能结论都还是自我背书,客户效果的量化是单案例,物理迁移是叙事。对物理 AI 的判断是:它验证了「用数据学物理」在气象这个域上的可行性,这条路的价值已经被证明;但公司本身能否从「最准的气象模型」长成「物理基础模型平台」,取决于两件事——第三方验证能否支持它的宣称,以及能源之外的迁移能否拿出证据。

参考资料

  1. Jua 官网(jua.ai,2026 年访问):EPT-2 与 Athena 两条产品线;宣称服务 100 GW 以上能源资产;客户名单含 TotalEnergies、Shell、Enel、Statkraft、RWE、EDF、Hydro-Québec、Adani Energy、Vitol、Origin Energy、ESB;StationBench 评测覆盖 1 万个以上地面站、无后处理;EPT-2 在 10 米风、100 米风、2 米气温、地表太阳辐射四个变量上于 0–240 小时全时效段优于 ECMWF HRES;EPT-2e 在几乎全部时效优于 ECMWF 50 成员集合均值;聚合技能对比图标注 EPT-2 = 100、GenCast 84、Aurora 79、FourCastNet 3 73、IFS 68,并注明示意性
  2. Jua 官网模型说明:EPT-2 为全球逐小时模型家族,含确定性、集合、快速刷新与高分辨率成员;每日最多刷新 24 次;集合延伸至 60 天;输出风电与光伏的 MW 级功率预测
  3. Jua 官方文章《Jua Tops 2026 Energy Forecasting Software Benchmarks》(2026 年 7 月):EPT-2 在 0–240 小时全时效优于 ECMWF HRES 的四个变量;EPT-2 RR 在生产环境维持每小时更新;德国、英国、法国、荷兰、比利时的实际发电功率预测每 15 分钟刷新,覆盖光伏、陆上风电、海上风电、总风电、总可再生、负荷与净负荷;Athena 自然语言层响应 90 秒至 5 分钟,程序化层通过 REST API 暴露 25 个以上模型并支持 Apache Arrow,Python SDK 通过 pip install jua 安装,集成 ENTSO-E
  4. EPT-2 技术报告要点(经第三方技术百科整理):原生一小时步长、时效 240 小时、空间分辨率 0.083 度(赤道约 9 公里);确定性版本与扰动集合版本 EPT-2e;技术报告描述核心模型每日 00、06、12、18 UTC 四个时次初始化;产品文档另列 EPT-2 RR 每日 24 次、EPT2-HRRR 约 5 公里、EPT-2e 延伸期 60 天、EPT-2.1 成员 Helios 与 Europa
  5. 公司沿革与融资(第三方技术百科整理):2022 年成立于苏黎世,另设柏林与开普敦团队;创始人 Andreas Brenner 与 Marvin Gabler;2022 年 10 月 pre-seed 250 万欧元由 Promus Ventures 领投,Session.vc 与天使投资人 Siraj Khaliq、Mehdi Ghissassi 参与;2024 年 2 月 seed 1,600 万美元由 468 Capital 与 Green Generation Fund 联合领投;2025 年 6 月 A 轮 1,100 万美元(约 1,000 万欧元);截至 2025 年中累计约 2,700 万美元;训练数据超过 5 PB、120 多个来源、约 1 万个地面站(公司口径)
  6. Ananda Impact Ventures 投资说明《Why We Invested: Jua》:A 轮 1,000 万欧元由 Ananda 与 Future Energy Ventures 联合领投,468 Capital、Promus Ventures 等跟投;定位为纯 AI 驱动的地球智能平台;Foundation Physics Model 从真实数据学习天气与气候的基本规律;EPT-2 在能源相关变量上有显著精度提升
  7. 第三方融资数据库(SVTR):2025 年 6 月 A 轮 1,100 万美元,投资方含 Promus Ventures、468 Capital、Future Energy Ventures、Ananda Impact Ventures;累计融资 2,700 万美元;成立于 2022 年;称 EPT-2.0 在独立评估中优于标准天气预报系统与 DeepMind、NVIDIA、微软的模型
  8. 第三方公司资料(aiaviationhub):EPT-2 原生全球逐小时预报 0–240 小时、0.083 度(约 9 公里);EPT-2e 30 成员概率集合;EPT-2 RR 每日 24 次经卫星同化更新;EPT2-HRRR 欧洲 5.5 公里逐小时;训练数据含卫星影像、气象站、地形与 ERA5 再分析;平台整合 ECMWF AIFS、ECMWF IFS、NOAA GFS、Microsoft Aurora、Google GraphCast;Brenner 自 2022 年任 CEO 至 2025 年 6 月,Gabler 于 A 轮关闭时接任
  9. 公司案例数字(2025 年 8 月访谈,经第三方整理):某比利时小型风电组合客户平衡成本下降约 20%;更大组合的客户报告失衡成本下降在七位数至八位数金额区间;为公司单方披露、未独立验证
  10. 产品能力描述(第三方 AI 工具目录,neuronfeed):EPT-2 为面向物理现实的基础模型,可微调至翼型与激波等其他物理域;Athena 接受目标与模型、模拟后果、调用工具并解决任务;服务对象为能源交易商、公用事业、对冲基金与大型企业;研究成果发表于 ICLR 与 NeurIPS
  11. 竞品与环境信息(行业公开资料):ECMWF HRES 与 50 成员 ENS 为全球中期预报基准,业务运行每日 2 至 4 次;Google DeepMind 的 GraphCast 与 GenCast、微软 Aurora、NVIDIA FourCastNet、华为 Pangu-Weather 为 AI 气象模型第一梯队;DTN、Meteomatics 为能源气象数据服务商
  12. Jua 官网公司页:定位为苏黎世研究团队,研究成果经 NeurIPS 与 ICLR 同行评审;「天气是我们建模的对象,能源是我们服务的对象」的自我描述;Jua.ai AG 注册于瑞士苏黎世

本报告依据公开资料整理,不构成投资建议。公司未上市,财务与客户数据多为单方披露;性能结论以公司技术报告为准,未经独立第三方复现,估值相关推算已标注不确定性。

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。