Navier 种子轮

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

旧金山硬件工程 AI 公司,Prism 平台用智能体驱动 CFD/FEA 仿真工作流;2025-12 种子 560 万美元,2026-08 获美国空军 AFWERX Phase I SBIR 合同。

执行摘要

Navier 是 2025 年成立于旧金山的工程 AI 公司,创始人 Cameron Flannery(CEO)与 Evan Kay 在加州大学圣地亚哥分校一起造火箭时相识,此后分别任职于 SpaceX、Tesla、Aurora。2025 年 12 月 15 日,公司宣布完成 560 万美元种子轮并从隐身状态亮相,投资方为 GV(Google Ventures)、HCVC 与 Y Combinator,采用 SAFE 结构、无指定领投方。

公司的核心主张是「智能体驱动的工程」(Agent-Driven Engineering,ADE),把它定位为工程生产力的「第三次跃迁」:1960 年代 CAD 取代手工制图,1990 年代仿真软件实现虚拟测试,现在由 AI 智能体接管设计与工程之间的重复性工作流。

产品是 Prism:一个桌面环境(也是公司自己工程师日常使用的工具),把几何导入、网格划分、求解器设置、云端执行、后处理与报告生成整合成一条链。目前已内置 12 款开源求解器,覆盖流体、结构、传热、多体动力学、颗粒介质、电磁、电路与系统级模型。用户用自然语言描述研究目标并上传几何,智能体自动选择求解器、完成设置,并在运行前展示计划;每次运行输出一份报告,含假设、网格、边界条件与收敛历史。

可核验的证据在产品侧与合作侧各有一类。一是产品侧的透明度设计:运行前展示计划、运行后输出含假设与收敛历史的报告、验证案例与风洞实测对比并说明「测量在哪里失效」、SOC 2 Type II 审计。二是合作侧:与 Rescale 合作运行 HPC 任务,并联合推出面向工程客户的 AI 加速 CFD 早期访问计划;使用 Neptune 做机器学习实验追踪;模型规模为「数千万参数的物理基础模型」。

2026 年有三项带日期的记录延伸了这套证据。3 月 22 日发布 Stella,一个智能体化的制导导航控制平台,由提示生成仿真、飞行软件、制导律与自动驾驶机,再在软件在环下运行。8 月 4 日发布 ONERA M6 跨声速风洞模型的验证案例,对比公开参考数据。8 月 18 日宣布获得 AFWERX(美国空军研究实验室内设的创新机构)Phase I SBIR 合同,方向是面向工程智能体的本体化几何嵌入层,用于让智能体推理配合面、紧固孔与载荷路径。合同金额未披露。

宣称的性能是「1000 倍加速」(与 Rescale 合作材料中的表述)与「三倍产出」,以及「仿真设置从数小时降到数分钟」。

物理 AI 视角下,Navier 的位置很清晰:它不做求解器,做的是「求解器之上的编排层」。这个定位的技术含义是——它承认传统求解器的价值(用 12 款开源求解器),但认为工程师的时间被消耗在「选求解器、设参数、转格式、对结果」上,这部分可以由智能体接管。

需要提前说明判断:这是一家「定位清楚、工程透明度高、但性能宣称与客户证据不足」的早期公司。它的优势是团队背景(SpaceX/Tesla/Aurora 的工程文化)、产品的透明度设计(报告、验证、审计)、「不替代求解器」的务实定位,以及自 2026 年 8 月起出现的具名政府合同方与一份公开验证案例;它的短板是 1000 倍与三倍产出缺第三方验证、商业客户名单未披露、收入为零披露。

公司概览

团队与起点

Flannery 与 Kay 在 UCSD 一起造火箭,这段经历让他们理解「设计意图到验证性能」的转化有多难。此后两人在 SpaceX、Tesla、Aurora 工作,看到的是同一件事:即使在世界级工程团队、先进仿真工具与近乎无限算力的环境里,工程师仍然把大量时间花在重复性的设置、翻译与协调上。

Flannery 在 Aurora 的经历是关键:他看到了自动驾驶系统如何「持续运行、空间推理、快速闭环」,并意识到同一套自主性技术可以迁移到工程工作流——不是让 AI 取代工程师的判断,而是让 AI 接管工具之间的协调。

「第三次跃迁」的叙事

ADE 的叙事框架是「三次跃迁」:CAD(1960s)取代制图员,仿真(1990s)取代部分物理试验,ADE(2020s)取代「设计与工程之间的手工翻译」。

这个框架的说服力在于它指向一个真实的痛点。硬件公司的组织通常分「设计」(CAD)与「工程」(仿真/验证)两个团队,两者的语言、工具、数据格式都不同。一个设计改动要传达到工程侧,需要人工翻译成仿真输入;仿真结果要反馈到设计侧,又要人工转译成设计约束。这个「翻译层」的工作量常被低估,且容易出错。

融资结构

560 万美元种子轮,SAFE 结构,无领投方,投资方 GV、HCVC、Y Combinator。SAFE + 无领投的结构在 YC 系公司里常见——它让融资更快、更少治理约束,但也意味着定价不明确(SAFE 的估值上限决定后续转换价格)。

技术分析

编排层要解决什么问题

理解 Navier 的价值,需要理解仿真工作流的真实构成。一个典型的 CFD 项目包含:几何清理(CAD 模型常有破面、重叠、小特征,需要修复)、网格划分(选择网格类型、控制尺寸、处理边界层)、求解器设置(选择湍流模型、边界条件、初始条件、时间步)、计算(本地或云端,可能数小时)、后处理(提取云图、曲线、积分量)、报告(整理成可交付文档)。

其中「求解」只占一部分时间,其余都是「准备与整理」。而这些准备工作高度依赖经验——有经验的工程师知道「这个几何该用什么网格」「这个雷诺数该选什么湍流模型」,新手则需要反复试错。

Navier 的思路是把这些经验编码进智能体:智能体读几何、判断物理场景、选择求解器与参数、生成设置、展示计划供人确认、运行、出报告。人的角色从「操作者」变成「审阅者」。

12 款开源求解器的意义

内置 12 款开源求解器(覆盖流体、结构、传热、多体、颗粒、电磁、电路、系统级)是一个务实的选择。

好处有三:一是不必自研求解器(自研求解器需要十年以上积累);二是开源求解器经过学术界验证,可信度有基础;三是覆盖面广(一个平台解决多物理场)。坏处是:开源求解器的鲁棒性与工业级商用求解器(Fluent、STAR-CCM+)有差距,尤其在复杂几何与强非线性场景。

这个选择说明 Navier 的定位不是「更好的求解器」,而是「更好的工作流」。它接受求解器的现状,改进的是人与求解器之间的接口。

「运行前展示计划」的设计

产品设计里有一个细节值得单独说:智能体在运行前展示计划(用哪个求解器、什么网格、什么边界条件),让人确认后再执行。

这个设计的工程含义是「可控的自主性」。完全自主的智能体(直接跑完给结果)在工业场景里不可接受——工程师要对结果负责,必须知道「这个结果是怎么算出来的」。展示计划让人保留「否决权」,这是工业 AI 落地的必要条件。

报告的透明度

每次运行输出一份报告,含假设、网格、边界条件、收敛历史。这个设计针对的是仿真领域的一个老问题:结果可复现性与可审计性。

工程决策需要追溯「这个结论基于什么假设」。如果 AI 给出的只是一个数字,工程师无法判断可信度;如果给出的是「假设 + 网格 + 边界 + 收敛历史」,工程师可以像审阅同事的工作一样审阅 AI 的工作。

1000 倍与三倍产出的口径

「1000 倍」来自与 Rescale 的合作材料,指的是「AI 加速 CFD」——用代理模型替代部分全阶求解。这个倍数的计算基础(对比什么求解器、什么规模、什么硬件)未公开。

「三倍产出」是公司的商业主张,指的是「团队产出提升三倍」。这个数字更难验证——它取决于「产出」的定义(项目数?设计迭代次数?上市时间?),且受团队规模、项目类型影响。

验证记录:ONERA M6 案例

2026 年 8 月 4 日,公司发布了 ONERA M6 跨声速风洞模型的验证案例。计算设置为定常 RANS 加 Spalart–Allmaras 湍流模型,采用基于 OpenFOAM v2412 的 HiSA 密度求解器,马赫数 0.8395、攻角 3.06 度、马赫参考雷诺数 11.72×10⁶。网格共 12,962,287 个单元、六面体占比 96.6%,3,000 次迭代一次过夜跑完,末 500 次迭代升力漂移 0.011%。

对比对象是 AGARD AR-138,其中收录 1979 年实验的 271 个公开表面压力点;可比的为 270 个,差异点是位于 η=0.80 的一个测点,落在计算的采样范围之外。下表面压力系数差的均方根在 0.012 至 0.045 之间,上表面是下表面的 3.0 倍。270 个测点中有 120 个落在 ±0.020 精度带内、187 个落在 ±0.040 内。λ 型双激波结构在 η=0.44、0.65、0.80 三个站位复现,并在 η=0.90 合并。

与 NASA 湍流模型参考结果(AIAA 2018-1102)的对比性质不同:AGARD AR-138 只收录表面压力分布,没有实测升阻力。因此升力 0.26718 对 0.26932、阻力 0.01755 对 0.01695,即升力低 1.14%、阻力高 3.24%,属于代码对代码比较,且 93% 的阻力差异来自压力阻力。

Stella:智能体化的制导导航控制平台

Stella 发布于 2026 年 3 月 22 日,是与 Prism 并行的另一条产品线,基于手写的 Rust 框架 StellaRust。它从一段提示生成仿真、飞行软件、制导律与自动驾驶机,并以 1 kHz 物理、100 Hz 飞控的频率在软件在环下运行,并有烧录进嵌入式硬件的验证路径。

对外的标题数字是相对传统工具「最高 50 倍」的加速宣称,未给出基线口径;实际公开的具体案例是一个 F-16 对 AIM-9 的 6 自由度场景,从提示到已验证仿真略少于 40 分钟。

技术短板

第一,性能宣称缺第三方基准。「1000 倍」与「三倍产出」都没有独立复现。

第二,开源求解器的工业级鲁棒性。在复杂几何、强非线性、多物理耦合场景,开源求解器可能失败,而智能体无法解决求解器本身的问题。

第三,模型规模。「数千万参数的物理基础模型」相比语言模型(千亿级)很小,能否支撑跨行业的泛化,需要证据。

第四,客户与收入披露仅有一份金额未披露的政府合同,商业客户仍无具名。

产品与商业化

产品形态与交付

Prism 是桌面环境(partner-tier 客户可直接使用),另有「前线部署工程师」(forward-deployed engineers)模式——公司派工程师用 Prism 在客户的项目上执行,客户看到结果后再决定是否采购。

这个「服务先行」的模式在工业 AI 里常见:客户不愿为未验证的工具付费,但愿意为「帮我解决这个项目」付费。Navier 的差异化是把「服务」与「产品」统一在同一平台上——服务用的是产品,产品因服务而迭代。

客户与行业

目标行业是三个:飞行/太空/国防、地面车辆与船舶、数据中心/电力/工业设备。这三个行业的共同点是「物理问题密集、仿真成本高、对准确性要求高」。

商业客户名单未披露。从「航空航天与汽车」的表述看,它在与这些行业的公司做早期合作,但具体是谁、付了多少钱,未知;目前唯一具名的合作方是一家政府研究资助机构。

商业模式

商业模式未完全披露。可能是「订阅 + 用量」(平台订阅 + 云端算力消耗)、也可能是「项目制服务」。partner-tier 的表述暗示有分层定价(普通用户 vs 合作伙伴)。

与 Rescale 的合作

Rescale 是云端 HPC 平台(把各家求解器跑在云上),与 Navier 的合作是「AI 加速 CFD 的联合早期访问」。这个合作对双方都有意义:Rescale 获得 AI 能力,Navier 获得算力与客户渠道。

首个具名合同方:AFWERX Phase I

2026 年 8 月 18 日,Navier 宣布获得美国空军研究实验室(AFRL)内设创新机构 AFWERX 的 Phase I 小企业创新研究(SBIR)合同。研发方向是面向工程智能体的本体化几何嵌入层,用于让智能体识别配合面、紧固孔、上下游关系以及承载载荷的零件。合同金额未披露,且 Phase I 属于该计划的小额度研究阶段,不是交付阶段。

这是公司自身披露中出现的首个具名合同方,且正好落在原本就列出的飞行/太空/国防目标行业里。它不能等同于商业验证:Phase I 规模的研究合同与付费工业客户不是一回事,金额也仍然未披露。

竞争格局

编排层的竞争者

「仿真工作流编排」这个赛道最近变热。竞争者包括:传统 CAE 厂商的 AI 助手(Ansys、Siemens、Dassault 都在做)、AI 原生公司(如本次报告中的适创 AgentX、安世亚太 AgentX、MathWorks Copilot)、以及专门的编排层公司(Navier)。

Navier 的差异化是「不绑定求解器」——它用 12 款开源求解器,客户也可以指定自己偏好的求解器(如已有的 Fluent 许可)。这种「中立编排」的定位与云厂商的中立定位类似,价值在于「不锁定」。

与 Ansible 类工具的对照

传统上,仿真工作流的自动化靠脚本(Python、Bash)与工作流引擎(如 Ansible、Airflow)。这些工具的局限是「需要编程能力」——工程师要写脚本,维护脚本,调试脚本。

AI 智能体的差异化是「自然语言接口」——工程师描述目标,智能体生成并执行工作流。这个差异对「不会编程的工程师」有价值(扩大了用户群),对「会编程的工程师」价值有限(他们可能觉得写脚本更可控)。

与仿真求解器厂商的关系

Navier 明确「增强不是替代」现有工具。这个立场让它避免与 Ansys、Siemens 正面冲突,但也意味着它的价值上限受制于求解器厂商——如果 Ansys 自己做了同样好的智能体,Navier 的差异化会被压缩。

融资与资本结构

种子轮

560 万美元,SAFE,GV、HCVC、Y Combinator。SAFE 结构意味着估值上限未公开,转换价格将在下一轮确定。

资金用途

官方表述是「扩展工程团队以支持增长的客户群」与「平台开发、航空航天与汽车行业的部署」。按 560 万美元、旧金山的人力成本,可支撑 15 至 25 人 18 至 24 个月。AFWERX 的 Phase I 授予在此之外提供一笔非稀释性的公共研究经费,金额未披露。

收入与估值

收入未披露,估值未披露。从「早期访问」「partner-tier」的表述看,公司处于「有客户接触、无规模化收入」的阶段。

DISCREPANCIES

1. 融资公告日期的版本冲突。 公司博客 URL 含「2024-12-15」,但正文写「December 15, 2025」;多家媒体按 2025 年 12 月 15 日报道。本报告采用 2025 年 12 月 15 日,并标注 URL 的年份可能是笔误。来源等级:OFFICIAL(正文)与 URL 的不一致。

2. 1000 倍加速的口径。 该数字来自与 Rescale 的合作材料,指的是「AI 加速 CFD」,未说明对比的求解器、问题规模、硬件配置。本报告标注为合作材料口径,不作为公司独立验证的性能。来源等级:OFFICIAL(合作材料)但方法学缺失。

3. 「三倍产出」的定义。 公司称平台让团队「产出三倍」,但未定义「产出」(项目数?迭代次数?上市时间?),也未给出测算方法。本报告标注为商业主张。来源等级:公司营销表述。

4. 客户与收入的披露程度。 公司称在航空航天与汽车行业有增长中的客户群,但未披露任何商业客户名称、合同金额或收入;其披露中唯一具名的合同方是通过 Phase I SBIR 合同获得资助的 AFWERX,该合同金额同样未披露。本报告把商业客户与收入标注为「未披露」,把政府合同标注为「已披露」。来源等级:OFFICIAL(合同公告)对应政府合同,商业客户与收入为信息缺失。

5. AFWERX 合同的性质与规模。 AFWERX Phase I SBIR 是有具名政府方的合同,金额未披露,而 Phase I 属于该计划的研究阶段,因此这项授予说明的是获得公共研究资助与国防客户关系的通道,不是交付或收入条目。本报告把它计为商业化与市场位置的正面信号,不作为实质性收入。来源等级:OFFICIAL(公告)但金额缺失。

6. ONERA M6 对比验证了什么、没有验证什么。 270 个可比压力点来自 AGARD AR-138,该数据集不含实测升阻力,因此升力 -1.14%、阻力 +3.24% 是与 NASA 湍流模型参考结果的代码对代码比较,不构成这两个量的实验验证。本报告把压力分布对比与气动力对比分开表述。来源等级:OFFICIAL(技术博客)但数据集范围缺失。

7. Stella 加速倍数的定义。 「最高 50 倍」未给出基线口径,而公开的具体案例是一个 F-16 与 AIM-9 的 6 自由度场景从提示到已验证仿真略少于 40 分钟。本报告把倍数标注为厂商口径,把案例时长作为可核查的数字。来源等级:OFFICIAL(产品博客)但基线缺失。

8. 「物理基础模型」的规模与能力。 第三方分析提到公司用「数千万参数的物理基础模型」,但公司官网未强调这一点,也未披露模型在什么任务上训练、达到什么精度。本报告标注为第三方转述。来源等级:MEDIA(第三方分析)不是公司口径。

9. 「不替代求解器」与「1000 倍加速」的内在张力。 如果只是编排现有求解器,加速来自「减少人工设置时间」(可能数倍);如果加速 1000 倍,必然涉及用代理模型替代求解,这就部分替代了求解器。两种表述并存,说明产品能力可能是混合的(编排 + 代理模型)。本报告在技术分析中说明这一张力。来源等级:OFFICIAL(两种表述)内部张力。

10. 融资结构的表述。 部分报道称「GV 领投」,公司公告称「SAFE 结构、无指定领投方」。本报告采用后者。来源等级:OFFICIAL 优于 MEDIA。

11. YC 批次的表述。 投资方含 Y Combinator,但公司未披露具体批次(部分资料称 X25)。本报告不推断批次。来源等级:OFFICIAL(投资方)与缺失(批次)。

风险与尽调缺口

其一,性能宣称缺验证。 1000 倍与三倍产出都没有独立基准,客户无法据此判断 ROI。

其二,开源求解器的鲁棒性。 在复杂工业场景,开源求解器可能失败,智能体无法修复求解器本身。

其三,收入为零披露。 无法判断商业化进展。

其四,与求解器厂商的竞合。 如果 Ansys/Siemens 自己做了同等智能体,Navier 的差异化被压缩。

其五,SAFE 结构的治理。 无领投、无定价,下一轮融资时的估值谈判可能复杂。

其六,团队规模与交付能力。 前线部署工程师模式需要人力,560 万美元支撑的团队规模有限。

其七,航空航天与国防的准入门槛。 这些客户对工具认证要求高(如 DO-178C、ITAR),AI 工具的合规路径未披露。

其八,政府合同的商业性。 Phase I SBIR 金额小、偏研究性质,同时带来安全审查、出口管制与审计义务,这是商业产品合同不具备的。它验证了公共研究预算的通道,没有验证定价模型。

其九,验证的适用范围。 目前最强的公开技术证据是在一个基准几何上的压力分布对比,气动力部分属于代码对代码比较。多几何、多构型的覆盖广度仍无证据。

综合评分

techScore 7.0。 编排层的定位务实,12 款开源求解器的覆盖广,运行前展示计划与报告透明度是工业级设计,团队背景(SpaceX/Tesla/Aurora)与工程文化匹配。ONERA M6 案例补上了与公开参考数据对比的验证记录,Stella 则把范围扩展到制导导航控制并给出软件在环的运行频率。扣分项是性能宣称缺验证、物理基础模型规模小、求解器鲁棒性受制于人。

bizScore 6.5。 前线部署 + partner-tier 的模式符合工业 AI 的销售逻辑,三个目标行业需求真实,与 Rescale 的合作提供算力与渠道,AFWERX 的 Phase I 合同则带来公司本就瞄准的国防行业里的首个具名合同方。扣分项是零商业客户披露、零收入披露、合同金额未披露、三倍产出无依据。

fundScore 6.0。 560 万美元 SAFE 种子轮,GV/HCVC/YC 背书;政府 Phase I 合同带来一笔金额未披露的非稀释性研究经费。扣分项是金额不大、无领投、估值未定。

productScore 7.5。 Prism 的整合度(几何到报告一条链)、12 款求解器、计划确认与报告审计是实质设计,Stella 又增加了第二条已交付的产品线(制导导航控制)并给出通往嵌入式硬件的路径。扣分项是界面与体验未公开、模型能力未披露、加速倍数为厂商口径。

marketScore 7.0。 硬件工程仿真市场大、AI 编排是新赛道、航空航天与汽车需求刚性,一份美国空军研究合同说明可触达国防研究预算。扣分项是竞争激烈(CAE 厂商自建)、客户保守、认证门槛。

综合 6.8 分。 这是「工程编排层」这个细分里定位最清楚的一家:它不跟求解器厂商正面竞争,而是接管「设计与工程之间的翻译工作」,并用透明度设计(计划确认、报告审计)解决工业 AI 的信任问题。它的短板是性能宣称缺验证与收入为零披露,而这两项现在被一份带日期的验证记录与一个具名政府合同方部分抵消。对物理 AI 的判断是:编排层是物理 AI 落地最现实的一层——它不需要替代求解器,只需要把人的经验编码成流程;但这一层的壁垒也最低,一旦 CAE 厂商把智能体做好,独立编排层的空间会被压缩。

参考资料

  1. Navier 官网(2026 年访问):Prism 为桌面环境,覆盖几何导入、网格划分、求解器设置、云端执行、后处理与报告;内置 12 款开源求解器,覆盖流体、结构、传热、多体动力学、颗粒介质、电磁、电路与系统级模型;用户以自然语言描述研究目标并上传几何,智能体选择求解器并展示计划;每次运行输出含假设、网格、边界条件与收敛历史的报告;验证案例与风洞实测对比;SOC 2 Type II 审计;目标行业为飞行/太空/国防、地面车辆与船舶、数据中心/电力/工业设备
  2. 种子轮公告(2025-12-15):560 万美元种子轮并结束隐身,投资方 GV、HCVC、Y Combinator;定位为 Agent-Driven Engineering(ADE),称其为 CAD(1960s)与仿真(1990s)之后的第三次工程生产力跃迁;平台增强不是替代现有 CAD 与仿真工具;智能体基于计算机视觉与空间推理理解三维几何;支持并行测试与自动报告
  3. 同一公告的创始人表述:Cameron Flannery 称「CAD 之前一个项目需要上百名制图员,现在智能体让小团队自动化重复任务、扩大流程、缩短周期;过去花数小时设置仿真,现在几分钟完成」
  4. 融资结构(TechNews180):SAFE 结构、无指定领投方;资金用于扩展工程团队、平台开发与航空航天/汽车部署
  5. 创始人背景(TechNews180、Pulse 2.0):Cameron Flannery 与 Evan Kay 在加州大学圣地亚哥分校一起造火箭时相识,此后任职于 SpaceX、Tesla、Aurora;在 Aurora 看到自主系统可持续运行、空间推理、快速闭环,意识到同一套自主性技术可迁移到工程工作流
  6. HCVC 投资人表述(公告):Jerry Yang(前半导体设计工程师、12 年经验)称「设计与工程团队实时协作、由 AI 处理跨学科翻译,可把开发周期从数月压缩到数周,更少意外,这完全改变硬件公司的经济学」
  7. 合作与技术栈(Tech in Asia 分析):使用 Neptune 做机器学习实验追踪;与 Rescale 合作运行 HPC 任务并推出 AI 加速 CFD 的联合早期访问计划;物理基础模型规模为「数千万参数」;宣称 1000 倍加速
  8. 行业背景(公开资料):仿真工作流包含几何清理、网格划分、求解器设置、计算、后处理、报告,其中「求解」只占一部分时间,其余为准备与整理;准备工作高度依赖经验(网格类型、湍流模型选择)
  9. 行业背景(公开资料):开源 CFD/结构求解器(OpenFOAM、SU2、CalculiX 等)经学术界验证,但在复杂几何、强非线性、多物理耦合场景的鲁棒性不及商用求解器(Fluent、STAR-CCM+、Abaqus)
  10. 竞品信息(公开资料):传统 CAE 厂商的 AI 助手(Ansys、Siemens Simcenter、Dassault);AI 原生编排层与智能体(安世亚太 AgentX、适创 SupreXI、MathWorks Copilot);编排工具的传统形态为脚本(Python/Bash)与工作流引擎(Ansible、Airflow)
  11. 行业背景(公开资料):工业 AI 的落地需要「可控的自主性」——工程师对结果负责,必须了解决策依据,因此「运行前展示计划」「输出可审计报告」是必要设计
  12. 行业背景(公开资料):航空航天与国防的软件工具需满足 DO-178C、ITAR 等认证与出口管制要求,AI 工具的合规路径尚不明确;YC 系公司常用 SAFE 结构融资,估值上限在下一轮确定
  13. Navier 官方公告(2026-08-18):获 AFWERX(美国空军研究实验室内设创新机构)Phase I 小企业创新研究(SBIR)合同,研发方向为面向工程智能体的本体化几何嵌入层,用于识别配合面、紧固孔、上下游关系与承载载荷的零件;合同金额未披露
  14. Simulation Pulse 报道(2026-10-19):对 AFWERX Phase I 授予及其几何嵌入方向的二次报道
  15. Navier 技术博客(2026-08-04):ONERA M6 跨声速验证案例,定常 RANS 加 Spalart–Allmaras 湍流模型与基于 OpenFOAM v2412 的 HiSA 密度求解器,马赫数 0.8395、攻角 3.06 度、马赫参考雷诺数 11.72×10⁶,12,962,287 单元(六面体 96.6%),3,000 次迭代一次过夜跑完、末 500 次迭代升力漂移 0.011%;对比 AGARD AR-138 的 271 个公开压力点中 270 个可比,下表面 RMS 压力系数差 0.012–0.045、上表面为其 3.0 倍,120 个落在 ±0.020 带内、187 个落在 ±0.040 带内;与 NASA AIAA 2018-1102 参考相比升力 0.26718 对 0.26932、阻力 0.01755 对 0.01695,93% 阻力差异来自压力阻力
  16. Navier 产品博客(2026-03-22):Stella 智能体化制导导航控制平台,基于手写的 StellaRust 框架,由提示生成仿真、飞行软件、制导律与自动驾驶机并在软件在环下运行(1 kHz 物理、100 Hz 飞控),有通往嵌入式硬件的路径;宣称相对传统工具最高 50 倍加速但未给基线;具体案例为 F-16 对 AIM-9 的 6 自由度场景,从提示到已验证仿真略少于 40 分钟

本报告依据公开资料整理,不构成投资建议。公司未上市,商业客户与收入未披露;性能宣称(1000 倍、三倍产出)来自公司与合作材料,未经独立第三方验证,相关判断已标注不确定性。数据截至 2026 年 11 月 2 日。

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。