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

核心结论

Luminary Cloud 始于 2019 年，定位是云端 CAE 平台：租用 NVIDIA GPU、在其上运行传统物理求解器、按分钟计费。到 2026 年，它已重新定位为自称的**「物理 AI 模型工厂」**——一个生成仿真数据、在其上训练神经代理模型、并以 SHIFT 品牌出售预训练模型的平台。这家公司的弧线很不寻常：它同时是 CAE 云、数据生成器、模型开发者与国防承包商。

四个事实框定了这个案子。

第一，起步论点既踩准了时机，也拿到了顶级的资金支持。 Luminary 于 2024 年 3 月 13 日携 1.15 亿美元出隐身状态，由 Sutter Hill Ventures 领投，是当年美国企业软件领域最大规模的种子到 A 轮之一。当时的叙事很直白：CAE 是最后一个仍留在桌面工作站上的主要应用品类，而基于 GPU 原生的云仿真跑到传统方案 100 倍的速度会把它搬走。NVIDIA 首席科学家 Bill Dally 在发布新闻稿中公开为其背书。

第二，公司从卖算力转向卖模型，而这次转向才是它成为物理 AI 公司而非云业务的原因。 Physics AI Factory 把 GPU 原生仿真、大规模数据生成、模型训练与部署统一进一条流水线。SHIFT 家族现已覆盖 SHIFT-SUV（汽车，与本田）、SHIFT-Wing（航空航天，与 Otto Aerospace）、SHIFT-Crash（整车碰撞，2026 年 4 月发布），以及 2026 年 1 月 12 日发布的三个防务模型：SHIFT-CCA、SHIFT-Submarine 与 SHIFT-Pump。

第三，精度位置在 2026 年 3 月被交出。 Luminary 于 2026 年 3 月 16 日宣布成为首家采用英伟达新 GeoTransolver 架构的物理 AI 平台，用其重训了整个 SHIFT 模型组合，声称精度提升最高 10 倍、SHIFT-Wing 提速 45% 至 138%。但读英伟达自己的基准就能看清这次让渡的实质：在 SHIFT-SUV Estate 体积速度场相对 L1 误差上，GeoTransolver 为 1.36%，AB-UPT 为 2.25%；在 SHIFT-Wing 体积速度场上，GeoTransolver 在马赫 0.5 与 0.85 分别达 1.92% 与 2.00%，而 AB-UPT 为 9.56% 与 9.51%。Luminary 自己公布的 SHIFT-SUV 阻力误差约 3.45%。公司的胜法是采用英伟达的架构，而不是在架构上超越它。

第四，商业模式与客户基础真实但单薄，收入从未披露。 Luminary 在公布具名客户上异常出色：Northrop Grumman、Otto Aviation、Joby Aviation、Piper Aircraft、Trek Bikes、Cobra Golf、Sceye、Natilus、Rune Aero、Mueller、Welbilt、本田、Northrop Grumman Space Systems。但在公布数字上异常糟糕：无收入、无 ARR、无合同金额。LeadIQ 的唯一点估计是 5000 万至 1 亿美元，这属数据库估计，应据此看待。

我们的判断：这是物理 AI 品类中资本最雄厚、分发准备最充分的独立公司，而且它已经证明自己的技术优势是租来的而非自有的。 值得研究它，不是因为它会赢下神经代理模型竞赛，而是因为它展示了一个真实业务在物理 AI 产品是「模型组合 + 数据流水线 + 求解器云」而非研究演示时的样貌。风险在于，英伟达同时是它的供应商、它的架构提供方，并通过 NVentures 持有它的股权。

公司概览

Luminary Cloud, Inc. 是一家 2019 年成立的特拉华州公司，总部位于加州圣马特奥 101 South Ellsworth Avenue, Suite 250, 94401，曾用名 Silicon Box。2019 年注册成立，2020 年 12 月完成首份 SEC Form D 备案，2023 年开始接入客户。

创始团队与论点匹配度异常高：

• Jason Lango，联合创始人兼 CEO（至 2024 年）。此前创办并任 Bracket Computing CTO，该公司融资 1.3 亿美元后于 2018 年被 VMware 收购；此前为 Primary Venture Partners 风险合伙人。2024 年发布时他这样描述起点：「软件工程因云技术的进步而变得更敏捷，而物理工程却没有跟上。」
• Juan Alonso，CTO 兼联合创始人。斯坦福大学航空航天系主任，此前任 NASA 基础航空项目负责人。这是公司最有价值的单一资产：一位斯坦福航空系主任、曾领导 NASA 研究项目、现在创办一家商业 CAE 公司的人。
• Pete Schlampp，2024 年起的 CEO，此前任 Sutter Hill Ventures 董事总经理，更早是 Workday 的首席战略官与产品开发 EVP，此前在 Cisco、IronPort Systems、Solera Networks 任职。他是一位投资人转型为 CEO，这是本品类中独特的治理模式。
• Sudhir “Suds” Menon，首席产品官，25 年以上经历横跨 Cloudera、Sema4.ai、SnappyData、VMware、Pivotal 与 TIBCO。
• Peter Lyu，现场 CTO 与解决方案 VP，密歇根大学航空航天工程博士，此前在云 HPC 与 CAE 领域带过 GTM 团队。
• Ethan Carr，销售负责人，来自 Wiz、Apollo GraphQL 与 Salesforce。Edward Frye，安全与合规 VP，Aryaka Networks 前 CISO、四度担任 CISO。Cong Ho，财务 SVP，来自 AppOmni、Agari 与 RingCentral。

Jason Lango 在 2024 年卸任 CEO、Schlampp 接任，是一项值得记录的实质观察。 阐述论点的创始人，在公开发布后四个月内离开最高职位，而领投 1.15 亿美元的 Sutter Hill 董事总经理接任。董事会成员包括 N47 的 T.J. Rylander、Sutter Hill 的 Victor Miller 与 Michael Speiser，以及担任董事的 Juan Alonso。

人员规模有三种测法：84（Crustdata，2026 年 9 月，同比增长 64.7%）、86 个观测到的职业档案（Unify，2026 年 7 月，较 2025 年 8 月增长 28.4%），以及 73（PitchBook，2024 年），LeadIQ 给 2026 年 8 月约 77 人。职能上，已分类档案中 32% 在信息技术、22% 在工程、12% 在销售。

技术分析

真正变了什么：从云求解器到学习型代理模型

2024 年的产品是一个 GPU 原生 CAE 平台，自身声称以云上 NVIDIA GPU 集群运行高保真仿真，比传统厂商快 100 倍，弹性可让客户为单个作业拉起数百张 GPU、完成后缩回。CTO Juan Alonso 给出的具体口径是：1 亿单元的 RANS 仿真在集群上需 4 至 6 小时，在其平台上只需几分钟。平台构建于 Google Cloud，并声明将扩展到其他云厂商，还包含 Lumi AI——一个自动生成网格的工程设计 copilot。

转向 Physics AI 并非离开仿真，而是宣称生成训练数据才是真正的产品。Physics AI Factory 被描述为把 GPU 原生物理仿真、大规模数据生成、AI 模型训练与部署推理统一进单一流水线。Luminary 自己的表述是：「Luminary 已解决生成训练准确 Physics AI 模型所需合成数据的最大难题。」

因此，真正可防守的部分是数据生成回路，而不是某种神经架构。 未发现任何由 Luminary 署名、确立新型代理模型架构的同行评审论文。其模型构建在 NVIDIA PhysicsNeMo 之上，且自 2026 年 3 月起基于 NVIDIA 的 GeoTransolver。

SHIFT-SUV：本品类中最透明的数据集

SHIFT-SUV 是记录最完备的产物，其透明度在本品类中并不常见。几何体来自 AeroSUV——FKFS 斯图加特开发的开放访问 SUV 参考模型（开放许可仅限非商业用途）——的参数化变体。数据集在本田支持下策划，覆盖离散变化（底盘类型、冷却系统、车辆后部）与连续变化（挡风玻璃角度、车头半径、后部斜度）。

数据生成回路的规模与成本才是真正的护城河所在：在平台上跑通超过 1000 个仿真，每个在 NVIDIA H100 上约 1.2 小时。训练使用英伟达开源的 PhysicsNeMo 框架。公司公开目标是到 2025 年底包含 25000 个变体并重训模型。

精度结果与泛化告诫值得完整阅读：

• 测试集：平均阻力预测误差约 3.45%，最大约 6.5%。75% 的预测落在 5% 误差内，每个预测均在 10% 以内。
• 与 Blender 中的高保真 CFD 对比显示，在 fastback 类车辆上可靠性高，而在旅行车等分布外形状上性能逐渐下降。Luminary 自己的结论是：SHIFT-SUV 适合早期气动研究。
• 专业化与泛化的权衡被明确记录：仅用 500 个 fastback 案例训练可把精度提升到平均相对误差 2.10%、94% 的预测在 5% 以内；但用完整 1000 案例数据集训练则提升了对其他 SUV 变体的泛化，同时 fastback 样本上的阻力精度略有下降。

最后这条权衡是整个品类中最有价值的公开数据点，因为它是对每个物理 AI 公司都面临的泛化与专业化张力的具体演示。

防务转向

2026 年 1 月 12 日，在奥兰多 AIAA SciTech 上，Luminary 发布三个防务模型：SHIFT-CCA（Collaborative Combat Aircraft，美国空军项目，让 AI 驱动的自主无人机与有人战斗机协同飞行）、SHIFT-Submarine（在电池容量等内部硬件约束下评估流体动力效率与性能）与 SHIFT-Pump（可压缩旋转机械，优化压力、流量与效率）。三者均从零构建，训练数据由 Luminary 的 GPU 原生求解器生成的合成数据，分别针对高速外流气动、全浸没不可压水动力与可压缩旋转机械。

战略框架十分直白：「若国防部希望跑赢对手，物理 AI 不是可选项——而是任务关键必需品。」这些模型被定位为在「端到端、安全、美国境内、专为在可信环境内设计训练部署物理 AI 模型而建」的平台内，为 Department of War 在空中、海上与地面领域提供「安全且由美国控制的物理 AI 能力」。

2026 年 3 月在 AIAA SciTech 上，CTO Juan Alonso 表示 Luminary 预计把至少两个模型在 Hugging Face 上开源，并解释了理由：「当你生成一架飞机的 20000 个不同变体时，这需要大量时间、精力与专业能力，所以很多本可为改进物理 AI 模型作贡献的人做不到，因为他们无法生成高质量的真实数据集。我们把它们放出来，是为了推动这个领域前进。」这是对开放数据的真正战略承诺，同时也是在平台厂商可能 capturing 价值时的对冲。

SHIFT-Crash 与迁移学习主张

2026 年 4 月 14 日发布的 SHIFT-Crash 以秒级预测整车正面碰撞的时变场，基于 2010 年 Toyota Yaris 参考车训练了 5000 次碰撞仿真。传统 FEM 每次碰撞测试需 10 至 12 小时，且每个车型项目都必须从零重启。

复利式的主张是其中有趣的部分：利用迁移学习，后续 SUV 项目所需新增仿真数到第三次迭代可降至不足 300 次，而首个轿车项目约需 600 次次而非 5000 次。声明精度为工作流级预测低于 3% RMSE。

监管背景有利且重要：2026 年 2 月，宝马集团成为首家在德国获得虚拟碰撞仿真与物理测试等效承认的车企。Luminary 把 SHIFT-Crash 定位在该工作流内，使对 NHTSA NCAP、Euro NCAP 2026 与 IIHS 协议的筛查从数天变为数秒。

部署与架构依赖

2026 年 2 月 24 日，Luminary 推出 Luminary Private Cloud，面向安全、气隙隔离的防务与航空航天环境的本地部署。它在受限环境内运行的同时提供与云托管服务相同的能力，构建在既有的 ITAR 合规部署选项以及 SOC 2 Type 2 与 ISO/IEC 27001:2022 认证之上。私有与公有基础设施之间的混合部署被描述为未来可能性。

公开的商业条款描述的是计算与存储的预付或按需额度，遵循 Snowflake 消费模型，保留容量有折扣，另有 SHIFT 模型的商业许可。2024 年 Lango 称定价尚未具体确定，但公司「遵循 Snowflake 模型、按用量公布定价」。

Luminary 对精度问题的表述值得引用，因为它比多数同行更诚实：「物理 AI 最难的部分不是构建模型，而是让它们在真实工程组织内走完最后一英里。」公司也记录了自身的失败模式——某早期战斗机模型因边界条件约束不足导致训练数据含噪，被迫简化推进假设。应对方式是收窄模型适用范围，而不是假装物理变简单了。

性能基准

可得的最有信息量的对比是英伟达自己的 GeoTransolver 论文，它在 DrivAerML、SHIFT-SUV 与 SHIFT-Wing 上对 DoMINO、Transolver 与文献报告的 AB-UPT 做了基准。

在 SHIFT-SUV Estate 体积速度场相对 L1 误差上：GeoTransolver 1.36%、Transolver 1.87%、AB-UPT 2.25%。在 SHIFT-Wing 体积速度场上，GeoTransolver 在马赫 0.5 与 0.85 分别达 1.92% 与 2.00%，对照 AB-UPT 的 9.56% 与 9.51%、Transolver 的 3.60% 与 3.72%。在阻力与升力 R² 上，GeoTransolver 取得最好或相当的结果，SHIFT-SUV Estate 的 CD R² 为 0.98、Fastback 为 0.99。

GeoTransolver 论文公布的任务排行榜记录：SuperWing 气动场预测相对 L2 误差 0.028；HiLiftAeroML 流场预测相对 L2 误差 0.0289；保险杠梁工业级碰撞建模 T=50 相对 L2 误差 7.32、整车碰撞 T=25 相对 L2 误差 1.33；SHIFT-Wing 马赫 0.5 阻力系数；SHIFT-SUV Estate CD R² 0.98、Fastback 0.99；SHIFT-SUV Estate 压力偏差 0.0057；CarCrashNet 整车碰撞预测 Toyota Yaris RMSE 21.773 毫米、未见 Chevrolet Silverado RMSE 79.23 毫米。

对 Luminary 的读解是具体的：其 SHIFT-SUV 约 3.45% 的阻力误差，落在新架构在场上达到 2% 以下的同一区间。 Luminary 的应对是整体采用新架构而非捍卫旧架构，并把结果重新包装为「近仿真级精度、AI 速度」。

其他已公布数字：

• 借助最新版 PhysicsNeMo，Luminary 在训练与推理流水线中使 SHIFT-Wing 提速 45% 至 138%。
• SHIFT-Crash 低于 3% RMSE。
• 另一份报告引用 Luminary 公布的 SHIFT-SUV 测试集平均阻力预测误差约 3.45%，并附明确告诫：这类数字描述的是特定数据集与测试，「不是设计师可能想出的每一辆 SUV」。

产品与商业化

产品栈有四层：

1. 仿真云。 租来的 NVIDIA 容量上运行的 GPU 原生求解器，弹性可至数百 GPU，配 Python notebook、公开 API 与软件开发工具包。
2. Physics AI Factory。 从数据到部署的流水线：生成高保真合成数据、训练、验证、部署、治理。
3. SHIFT 模型家族。 预训练模型，某些场景下连同数据集本身。覆盖汽车（SUV）、航空（跨音速机翼）、碰撞，以及三个防务模型。
4. 开发者界面。 Model Context Protocol Server、用于快速原型与后处理的 AI 辅助 notebook，以及安全 REST 推理 API。

商业模式是消费制的，遵循 Snowflake，计算与存储采用预付或按需额度、保留容量折扣，SHIFT 模型另做商业许可。到 2026 年，平台围绕三个结果营销：快速设计迭代、并行评估数千候选的设计探索，以及「用可微求解器与伴随灵敏度训练出的快速模型预测，跨多设计要求进行优化」。

有公开表述的具名客户：

• Northrop Grumman Space Systems —— 人工智能整合副总裁 Han Park：「物理 AI 是 AI 中下一个复杂度层级，Northrop Grumman 正把这项技术带给我们的设计工程师，以大幅加速硬件开发。」另在 2025 年 10 月签署了火箭喷管设计的合作。
• 本田 —— 首席气动设计负责人 Fong Loon Pan，谈 SHIFT-SUV 基础模型与 Blender 集成：「它提供了设计师与工程师所需的、针对车辆性能的即时洞察。」
• Otto Aviation —— 总裁兼 COO Scott Drennan，谈在 Luminary 平台上用专有层流算法运营一架工作在层流状态的飞机。
• Rune Aero —— 联合创始人 Nadine Auda，谈虚拟风洞使早期开发成本较传统风洞降低 80% 以上。
• Joby Aviation —— 首席气动师 Gregor Veble Mikic：「有了 Luminary，我们能非常快地判断哪些想法该推进、哪些该放弃。我们不会为这些问题思考数月。」
• Sceye —— 设计工程经理 Sidharth Arunkumar，谈平流层平台；GeoTransolver 公告中的具名客户案例。
• Natilus —— 联合创始人兼 CEO Alexey Matyushev，谈网格划分几乎成为开箱即用。
• Piper Aircraft —— 首席产品官 Buddy Sessoms：「Luminary 的仿真速度与我此前用过的一切相比都简直不可思议。」
• Trek —— 气动负责人 John Davis：「有了 Luminary，我们速度快一倍，成本至少减半。」
• Mueller —— 机械设计工程师 Tim Stern，谈在现有硬件上不可行的瞬态解；Mueller 估计采用软件两个月内避免了 10 万美元的物理原型成本与两个月的预期工程时间。
• Welbilt、Flighthouse Engineering、M4 Engineering、Cobra Golf（Puma 子公司）亦为客户。

有一次盲测值得记录，因为它是本品类中找到的唯一一次客户自行运行的精度校验。 Luminary 首席解决方案工程师 Ian Lockley 描述了一家汽车客户要求做一次盲测瞬态气动仿真：客户此前的做法需 24 小时，Luminary 在不到一小时内跑完，结果落在参考结果的 3% 以内。

竞争格局

Luminary 的竞争位置不寻常，因为它首先不是神经代理模型厂商——它是一个同时出货模型的数据与仿真基础设施提供方。

直接的物理 AI 竞品是 PhysicsX（伦敦，2026 年 6 月 3 亿美元 C 轮、估值 24 亿美元，其 LGM-Aero 语料背后是西门子 Simcenter 数据）、Neural Concept（EPFL，融资 1.381 亿美元，客户含 GM、Safran、Airbus 与 4 支 F1 车队）、Emmi AI（林茨，2026 年 5 月被 Mistral 以最高 3.3 亿欧元收购，其 AB-UPT 正是衡量 Luminary 模型的精度标杆）与 Monolith AI（2025 年被 CoreWeave 收购）。

更深的竞争来自在位者：Synopsys 内的 Ansys、Siemens Simcenter 与 BeyondMath、Dassault SIMULIA 与 3DEXPERIENCE、Altair PhysicsAI。注意西门子公司既是 Luminary 的伙伴，也是 PhysicsX 的投资方；而英伟达同时是 Luminary 的供应商、架构提供方、基准作者，并通过 NVentures 持有其股权。

真正有区分度的结构要点是 Physics AI Factory：数据生成回路位于模型的上游。PhysicsX 靠掌握 Simcenter 关系到达这个位置；Luminary 靠掌握求解器云到达；Emmi 靠掌握研究架构然后被买下到达。一家掌握求解器的公司可以为任何垂直领域在数周内生成新数据集。 这与只拥有一个优秀模型的公司处在完全不同的位置。

融资与团队

融资记录有三笔不同交易，相关报道异常混乱：

• 2020 年 12 月，A 轮，1500 万美元。 SEC Form D 记录发行金额 1500 万美元、已售 1500 万美元、Rule 506(b)，董事与高管列为 Juan Alonso、Jason Lango 与 Michael Speiser。唯一投资人为 Sutter Hill Ventures。Forge 列出投后估值 5000 万美元、每股 0.94 美元。
• 2024 年 3 月 13 日，出隐身时宣布 1.15 亿美元。 公司宣布携1.15 亿美元出隐身，由 Sutter Hill Ventures 领投。这不是单一一轮——Forge 的 cap table 显示为Series A-1 的 5441 万美元、每股 1.00 美元、投后 1.7603 亿美元，且 Crunchbase、PitchBook 与 Form D 数据都把 2024 年事件记为股权与债务额度的组合。Crustdata 明确把 2024 年事件标注为两条：2024 年 3 月的 1500 万美元 venture round 与 1 亿美元债务融资，均由 Sutter Hill Ventures 领投。
• 2025 年 9 月 15 日，B 轮，7200 万美元。 公司宣布由 N47（原 Next47）领投 7200 万美元，Sutter Hill Ventures 跟投，NVentures 首次参与。N47 的 T.J. Rylander 进入董事会。Crustdata 记为 2025 年 9 月；Forge 记为 2025 年 6 月 27 日的 8000 万美元 B 轮、每股 0.69 美元、投后 2.4923 亿美元；PitchBook 记为 2025 年 6 月 27 日、累计融资 1.72 亿美元；依据 SEC 文件的 Fundraising Fox 报告 2025 年 Form D 发行金额 1.888 亿美元、已售 1.72 亿美元，首次出售 2025 年 6 月，Rule 506(b)。

公司官方披露的 B 轮是 7200 万美元。 8000 万、1.72 亿与 1.888 亿这些数字是不同聚合器在测量不同对象——很可能是含超额配售权的完整 Form D 发行金额，其中一部分未售出。

估值公司未披露。Forge 的私募市场数据（属数据供应商而非一手来源）显示投后估值依次为 5000 万美元（2020）、1.7603 亿美元（2024）与 2.4923 亿美元（2025），对应每股 0.94、1.00 与 0.69 美元。按此序列，2025 年一轮在每股价格上是折价轮，尽管投后估值上升。PitchBook 把最近交易金额列为 1.72 亿美元。LeadIQ 的 5000 万至 1 亿美元收入估计是数据库估计，不应依赖。

英伟达的角色最值得注意。NVIDIA 首席科学家 Bill Dally 在 2024 年发布时为其背书。NVIDIA 计算工程副总裁兼总经理 Tim Costa 出现在 2026 年 3 月的 GeoTransolver 发布稿中。Luminary 平台整合了 NVIDIA CUDA-X 库，包括 PhysicsNeMo、Transformer Engine 与加速计算。而 NVentures 投资了 B 轮。 因此这种依赖是结构性的而非偶然的——Luminary 的模型构建在英伟达的框架上、对照英伟达的架构做基准、部署在英伟达的硬件上，并部分由英伟达持股。

DISCREPANCIES

共识别并裁定 12 项冲突。

1. 融资总额，1.4941 亿对 1.72 亿对 1.87 亿对 1.15 亿 + 7200 万。 四个数字都是对不同对象的不同度量。Forge 记 1.4941 亿美元（其 cap table 取整且漏掉债务额度）；PitchBook 记累计 1.72 亿美元；Crustdata 与 LeadIQ 记三轮共 1.87 亿美元，其中含 1 亿美元债务融资；依据 SEC Form D 的 Fundraising Fox 报告三轮中两轮已披露 1.87 亿美元。裁定：公司披露的融资总额为 2020 年 1500 万 + 2024 年宣布 1.15 亿 + 2025 年 7200 万 = 已宣布 2.02 亿美元，但 2024 年这个 1.15 亿的标题本身混合了 1500 万股权与 1 亿美元债务额度，不能整体读作股权；SEC 备案已售金额合计 1.87 亿美元；1.4941 亿美元是 Forge 自身的 cap table 算术，低估了记录。不存在唯一的「正确」总数。

2. B 轮金额，7200 万对 8000 万。 公司于 2025 年 9 月 15 日宣布 7200 万美元。Forge 的 8000 万美元（2025 年 6 月 27 日）是另一数据源对备案发行量的测量。裁定官方披露为 7200 万美元，较大数字是备案发行口径，非矛盾。

3. B 轮日期，2025 年 6 月 27 日对 2025 年 9 月 15 日。 两者都对应真实文件——Form D 首次出售在 6 月，公开宣布在 9 月。裁定：首次出售 2025 年 6 月，宣布日 2025 年 9 月 15 日。

4. A 轮日期，2020 年 12 月 11 日对 2020 年 12 月 20 日。 同一份 2020 年 12 月 Form D，数据库转录差一周。裁定为 2020 年 12 月。

5. 2024 年的 1.15 亿美元，一轮还是两笔。 公司宣布是单一「1.15 亿美元融资」。Form D 与 Crustdata 显示它被拆为 1500 万美元 venture round 与 1 亿美元债务融资。裁定：1.15 亿美元标题包含债务，不是单一一轮股权。

6. 成立时间，2019 对 2019-10-23。 所有来源均为 2019 年。亿欧记 2019-10-23；特拉华注册与首份 Form D 为 2020 年 12 月。裁定为 2019 年，特拉华州注册成立。

7. 人员规模，73 对 77 对 84 对 86。 四个聚合器四个数字，测的都是不同对象——PitchBook 是 2024 年数字，LeadIQ 与 Crustdata 源自 LinkedIn 员工数，Unify 是观测到的职业档案（含承包商与非雇员）。裁定为 2026 年末约 80 至 85 人，按不同口径同比增长 28% 至 65%。

8. CEO 是 Jason Lango 还是 Pete Schlampp。 两者在不同时期都对。Lango 是 2024 年 3 月发布时的联合创始人兼 CEO；Schlampp——此前为 Sutter Hill 董事总经理——是现任 CEO。裁定为 2024 年的一次创始人让位投资人的 CEO 交接。

9. 「最高 10 倍精度提升」。 这是英伟达 GeoTransolver 相对既有架构的主张，被 Luminary 采纳，不是 Luminary 对自身旧模型的 10 倍提升测量。Luminary 自己公布的可测收益是 SHIFT-Wing 上 45% 至 138% 提速。10 倍是品类级架构主张，不是 Luminary 产品增量。

10. 「SHIFT 模型低于 1% 预测误差」。 官网主张。公布的 SHIFT-SUV 测试集数字是平均阻力误差 3.45%、最大约 6.5%，英伟达自己的排行榜记录 SHIFT-SUV Estate 压力偏差 0.0057、CD R² 0.98。低于 1% 的说法未获已公布的 SHIFT-SUV 结果支持，不应作为 Luminary 的精度主张重复。

11. 2025 年末精度领先属于 Luminary 还是 Emmi。 Luminary 的 SHIFT 模型是 Emmi 的 AB-UPT 被基准测试的参照数据集，而 Emmi 自己的技术报告声称在全部五个数据集上居首。随后英伟达的 GeoTransolver 论文报告 AB-UPT 在 SHIFT-SUV 与 SHIFT-Wing 上落后于 GeoTransolver 与 Transolver。实际序列是：Luminary 发布了数据集，Emmi 在其上发布了 SOTA 主张，英伟达发布了击败双方的架构，而 Luminary 采用了它。没有任何一家公司长期持有领先。

12. 「曾用名 Silicon Box」。 PitchBook 列出该曾用名，但在 Luminary 自身材料中完全未出现。低置信度数据库元数据，作为线索保留而非事实。

风险与尽调缺口

技术优势是从英伟达租来的。 Luminary 的模型构建在 PhysicsNeMo 上、对照 GeoTransolver 做基准、部署在英伟达硬件上，并部分由 NVentures 持股。当英伟达发布更好的架构时，Luminary 的回应是数周内采用并重新定位。这是好的执行力与弱的可防守性。 真正捕获的价值在数据、工厂与客户关系，而不在架构。

收入从未披露。 无 ARR、无合同金额、无客户数、无净留存率。唯一点估计是 LeadIQ 的 5000 万至 1 亿美元，属数据库估计。定价是消费制的，这使收入波动且难以预测。2024 年发布时披露到年底有 33 家预付客户，此后没有可比的公开数字。

防务收入带来漫长销售周期与项目风险。 公司自己承认防务与航空航天销售周期长，单个停滞的 Northrop 项目就会推迟收入。同时它还暴露于采购政策：2026 年 1 月的公告把模型定位给 “Department of War”，这个命名本身就表明依赖当前美国国防体系的话语框架。

训练分布之外的泛化是未解的技术问题，而 Luminary 的记录比任何人都更诚实。 SHIFT-SUV 在旅行车等分布外形状上退化。专业化与泛化的权衡是真实且被量化的。SHIFT-Crash 跨车型类的迁移学习承诺是公司主张，尚未被独立复现。公司的记录里还包括一个因边界条件约束不足导致训练数据含噪、从而被迫收窄范围的模型。

GPU 依赖是双刃剑。 整个论点——仿真变便宜是因为 GPU 充足——依赖英伟达硬件经济性持续，以及租用容量在所需规模上持续可得。Luminary 不拥有自己的基础设施，它租用。

在 AI 工具市场中的平台风险。 Physics AI 模型工厂本质是造模型的工具。基础模型实验室与在位者都在造同样的工具。若模型构建变成商品，价值会集中到数据回路与部署层（Luminary 的强项）；若集中在模型，Luminary 就暴露了。

综合评分

• 技术 7.5。 一套真正完整的从求解器到代理模型到部署的工程栈，本品类中唯一以 SHIFT-SUV 那种透明度公开的数据集，被记录且被量化的专业化与泛化权衡，面向气隙与 ITAR 环境的可防守部署，以及本行业对自己技术在哪里真正失效的最诚实表述。扣分项：无 Luminary 署名的代理模型架构、精度位置在 2026 年 3 月让渡给英伟达架构、低于 1% 的主张未获已公布结果支持，以及碰撞迁移学习承诺尚未被复现。
• 商业化 7.0。 15 家以上具名客户并有直接高管引语，覆盖航空航天、防务、汽车、体育用品与工业设备，一次由客户执行的盲测精度校验，一份成文的消费制定价模型，面向受监管部署的私有云产品，以及向社区开放的防务模型。扣分项：零收入、ARR、合同金额与客户数披露，消费制模型使预测困难，防务销售周期长，以及在架构、硬件与股权三层面对单一 GPU 厂商的依赖。
• 融资 8.0。 SEC 文件口径 1.87 亿美元已披露，Sutter Hill 异常集中的单一投资承诺且同时提供了 CEO，7200 万美元 B 轮由 N47 领投并战略引入 NVentures，私募市场 cap table 显示投后估值从 5000 万稳步升至约 2.49 亿美元。扣分项：无任何公司披露的估值、1.15 亿美元标题混装股权与债务这一别扭之处，以及 2025 年一轮在每股价格上似为折价。
• 产品成熟度 7.5。 从仿真云、经 Physics AI Factory、到覆盖汽车、航空、碰撞与三个防务领域的八个具名 SHIFT 模型的清晰产品阶梯，另有 MCP server、AI 辅助 notebook、安全推理 API、公开数据集，以及至少两个防务模型的开源承诺。扣分项：转向仍在进行中、2026 年的防务与碰撞模型无独立验证，以及平台对其不自有组件的依赖。
• 市场位置 7.5。 独立物理 AI 公司中最好的分发与信誉位置，与 Northrop Grumman 的具名防务合同，与本田的数据关系，成为竞品基准对象的独特数据集，在主权导向采购时代具备 ITAR 与气隙能力，以及被最大 GPU 厂商公开背书的品牌。扣分项：可防守层是数据回路而非模型、估值未披露且无法对收入做检验、整个品类有向少数平台所有者集中的风险，以及同时扮演供应商、基准作者与股东的结构性冲突。

参考资料

1. Luminary Cloud，《Luminary Cloud Emerges from Stealth, Empowering R&D with Realtime Engineering》（2024-03-13）
2. Luminary Cloud，《Luminary Cloud Secures $72M Series B to Lead the Physics AI Era》（2025-09-15）
3. Luminary Cloud，《Physics AI Will Redefine Innovation in the Physical World》（2025）
4. Luminary Cloud，《Luminary Launches New Secure Advanced Physics AI Models to Power U.S. Department of War》（2026-01-12）
5. AIAA，《Advancing the Field: Luminary Cloud Announces New Physics AI Models at AIAA SciTech Forum》（2026-03-20）
6. Luminary Cloud，《Luminary Adopts NVIDIA GeoTransolver AI Model Architecture》（2026-03-16）
7. Luminary Cloud，《Luminary Launches Private Cloud》（2026-02-24）
8. Luminary Cloud / GlobeNewswire，《Luminary Launches SHIFT-Crash》（2026-04-14）
9. NVIDIA，《GeoTransolver: Learning Physics on Irregular Domains Using Multi-scale Geometry Aware Physics Attention Transformer》，arXiv:2512.20399
10. SiliconANGLE，《Luminary Cloud launches with $115M funding for cloud CAE platform》（2024-03-13）
11. Crunchbase News，《The Week’s 10 Biggest Funding Rounds》（2024-03）
12. SEC EDGAR Form D 备案，Luminary Cloud Inc.，2020 年 12 月与 2025 年 6 月
13. AIAA 与 Washington Technology 关于三个防务物理 AI 模型的报道
14. Crustdata、LeadIQ、PitchBook、Forge Global 与 Fundraising Fox 公司档案，多个访问日期
15. Emmi AI / arXiv:2510.15808，《AB-UPT for Automotive and Aerospace Applications》，作为 SHIFT-SUV 与 SHIFT-Wing 的对比参照

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 2026 年 10 月 21 日，请以公司公告与定期报告为准。