Quanscient A 轮

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

Quanscient(芬兰)以云原生多物理场 Allsolve 与量子算法赋能硬件工程;2026 年 5 月完成 €10M Series A,主攻物理感知 AI 训练数据。

执行摘要

Quanscient 是 2021 年成立于芬兰坦佩雷的多物理场仿真公司,创始人包括 Juha Riippi(现任 CEO)、Alexandre Halbach、Asser Lähdemäki、Valtteri Lahtinen,2024 年 Andrew Tweedie 作为第五位创始人加入。团队 40 人,来自 15 个国家。公司的产品是 Allsolve,一套云原生、纯 Python 可编程的多物理场求解平台,官方定位是「为 AI 时代准备的多物理场仿真平台」。

2026 年 5 月 26 日,公司宣布完成 1,000 万欧元 A 轮融资(约 1,160 万美元),由丹麦量子基金 55 North 与奥地利工业投资机构 B&C Group 联合领投,现有投资人 Maki.vc、Crowberry Capital、QAI Ventures、First Fellow Partners 全额跟投。资金用途是国际扩张,以及推进「仿真、量子算法、AI 集成」三合一平台。

技术上它有三条主线,性质完全不同。第一条是云原生求解:把仿真任务拆成数千个并行子任务跑在云端,用纯 Python 接口暴露全部能力,官方称最多快 100 倍、运行时间最多降低 99%。第二条是量子算法:旗下 Quanscient Quantum Labs 专攻量子格玻尔兹曼方法(QLBM),用于计算流体力学,与 IBM、IQM、Airbus、Embraer、Quantinuum、IonQ 合作,团队有 8 名量子算法研究者(含 6 位博士、3 位教授),申请 7 项专利,在真实量子硬件上完成 5 次「世界首次」演示。第三条是 AI 数据引擎:公司主张仿真的价值不只是算出一个结果,而是生成训练物理感知 AI 所需的大规模多物理场数据。

公司引用的一项自研调研称,89% 的工程师为了适配运行时与内存预算,会例行简化物理模型。这个数字是它整个商业论证的起点:如果这个比例属实,那么「能跑更大模型、更快出结果」的云平台就有明确需求,而「生成高质量物理数据」则是 AI 时代的增量价值。

客户名单与案例可核验性相对较好:Albis Electronics 在云端做 70 GHz 射频仿真;skyTran 的运行时从 3 周降到 8 小时、精度从 10% 提升到 3%;Infineon 用它做 MEMS 扬声器设计;UKAEA 用它建模高温超导电缆与线圈;Proxima Fusion 用它做仿星器超导磁体仿真;Tampere University 用它做超导三维仿真。这些客户集中在射频/微波、微机电、超导与核聚变四个细分方向,说明公司的实际落脚点不是通用 CAE,而是「传统桌面工具算不动的高频、多尺度、强耦合问题」。

需要提前说明判断:这是一家「技术叙事领先、商业规模极小」的公司。A 轮 1,000 万欧元是它公开的第一轮融资,团队 40 人,收入未披露,客户以研发型中小企业与研究机构为主。它的价值在于验证了两条路径的可行性——云原生求解器的工程可用性,以及量子算法在 CFD 上的早期探索;但短期内它不构成对 Ansys、COMSOL、Siemens 的威胁。

公司概览

起点与团队

Quanscient 于 2021 年在芬兰坦佩雷成立,与坦佩雷大学有密切联系(多位创始人与顾问来自该校,客户案例中也出现坦佩雷大学的超导仿真应用)。创始人组合覆盖商业与数值方法:Juha Riippi 任 CEO,Alexandre Halbach 是电磁与超导数值计算背景,Asser Lähdemäki 与 Valtteri Lahtinen 负责工程与产品,2024 年 Andrew Tweedie 加入补齐某一块能力(公开信息未详述其分工)。

团队 40 人、15 个国籍,规模在仿真软件公司里属于微型。这个规模决定了它的产品策略:不可能像 Ansys 那样做几十个物理模块,只能选几个「传统工具算不动」的场景做深。从客户分布看,它选的是射频与微波、超导磁体、微机电、聚变装置——这些场景的共同点是高频、多尺度、强耦合,桌面工具的内存与时间成本难以承受。

融资结构

A 轮 1,000 万欧元的投资人结构值得注意:领投方 55 North 是丹麦的量子技术专项基金,其首席科学官 Helmut Katzgraber 是量子退火与优化领域的知名学者;B&C Group 是奥地利工业投资机构。现有投资人 Maki.vc(芬兰)、Crowberry Capital(冰岛)、QAI Ventures(瑞士量子基金)、First Fellow Partners 全额跟投。

这个结构说明两件事。第一,这轮融资的叙事核心是「量子 + 工业」,超出单纯的云 CAE——量子专项基金领投,意味着投资人买的不是「更快的仿真软件」,而是「量子计算在工程仿真上的入口」。第二,现有投资人全额跟投,说明前几轮的技术进展获得了认可。

公司未披露估值、收入与之前轮次的金额。第三方数据库(startup.eu)把累计融资记为 1,000 万欧元、轮次记为 1 轮,这与「现有投资人跟投」的表述矛盾——既然有 existing investors,此前必然有融资。这是一个明显的数据缺口。

定位的演变

公司的自我描述在两年内有过一次明显调整。早期定位是「云端多物理场仿真」,2026 年 A 轮后的表述变为「云与量子驱动的多物理场仿真」,并加上「AI 原生硬件工程」。三个关键词的排序变化反映战略重心:云计算是当下的产品,量子是中期期权,AI 是叙事包装。

这个演变本身不是问题——创业公司的定位随融资叙事调整是常态。但它给评估带来困难:如果三个方向的资源分配不清,容易出现「三个都做、三个都不深」的局面。从公开信息看,40 人的团队里 8 人做量子算法,占比 20%,这个比例说明量子不是纯叙事,而是有实质投入。

技术分析

云原生求解器的架构含义

Allsolve 的第一层能力是把有限元求解搬到云端并做大规模并行。这件事听起来像「把桌面软件装到服务器上」,实际不然,架构差异很大。

桌面 CAE 的设计前提是单机内存与单机核心数:模型规模受限于工作站的内存(通常 64 至 512 GB),求解器为共享内存并行(OpenMP)优化,前后处理与求解耦合在一个进程里。云原生求解器要解决三个新问题:一是分布式内存并行(MPI)下的负载均衡,网格分区要适配数千个核心;二是任务调度,把「一个模型的参数扫描」拆成数千个独立作业,按可用算力动态分配;三是数据流转,几何、网格、结果在对象存储与计算节点之间高效移动,避免成为瓶颈。

Allsolve 称支持「数千个并行云仿真」,这个数字如果指参数扫描的并发作业数,则属于任务级并行(throughput),与单个大模型的求解加速(latency)是两件事。公司的「100 倍加速、运行时间降低 99%」需要区分这两种情形:对于参数扫描类工作负载(如天线设计的频点扫描、MEMS 的结构参数优化),任务级并行的加速比接近线性,100 倍是可达到的;对于单个超大模型的求解,加速比受并行效率与通信开销限制,很难达到两个数量级。

这个区分很重要,因为客户案例正好印证了它。skyTran 的案例是「运行时从 3 周降到 8 小时」,约 63 倍,精度从 10% 提升到 3%。这个案例的加速来自两部分:一部分是并行吞吐(同时算多个设计点),一部分是算法与网格质量改进(精度提升说明模型本身变了)。把它简单归因为「云更快」会误读。

纯 Python 可编程的价值

Allsolve 的第二个特征是 100% Python 原生。这一点在工程上比听起来重要。

传统 CAE 的二次开发通常依赖专有脚本语言(如 Ansys 的 APDL、COMSOL 的 Java/方法编辑器)或 GUI 操作录制。这些接口的问题是:与主流科学计算生态(NumPy、SciPy、PyTorch、JAX)割裂,做自定义本构、耦合算法、优化循环时要重复造轮子。Python 原生的含义是:用户可以像写科学计算脚本一样定义偏微分方程、材料模型、边界条件与耦合项,直接调用科学计算库,并把仿真嵌进机器学习流程。

这个设计对两类用户特别有价值。一类是做多物理场耦合的研究者——他们需要把电磁、热、结构方程在弱形式层面耦合,无需通过文件交换在不同软件之间来回倒。另一类是做 AI for Science 的团队——他们需要把求解器当作可微分层或数据生成器,嵌入训练循环。

客户证言里 GSS Audio 的工程师说「Quanscient 提供纯 Python 实现,没有层层遗留代码,允许我们从核心开始耦合复杂物理」,这句话指向的正是这个能力。skyTran 的工程师也提到「认识到速度与便利性的改进后,决定完全迁移到 Allsolve」。

多物理场的实际覆盖

公司称平台统一了结构力学、流体动力学、电磁学与热学的方程,放在单一可组合环境里。从客户案例反推,实际最强的场景是三类:高频电磁(Albis 的 70 GHz 射频、Infineon 的 MEMS 扬声器)、超导电磁-热耦合(UKAEA 的高温超导电缆与线圈、Proxima Fusion 的仿星器磁体)、以及声学-结构耦合(GSS Audio、Myvox 的 MEMS 扬声器)。

这三类的共同技术特征是「强耦合 + 多尺度」:超导磁体的电流分布依赖磁场,磁场又依赖电流分布,同时还要算热传导与失超传播;MEMS 扬声器的薄膜振动与空气声场耦合,尺度从微米到毫米;70 GHz 的射频结构,波长在毫米量级,结构细节在微米量级。这些问题的共同点是传统桌面工具要么算不动,要么需要大量简化。

反过来说,Quanscient 在「常规结构强度」「常规流体」「常规传热」这些成熟场景上没有明显优势——这些场景 Ansys、COMSOL、Siemens 的工具已经足够好、生态足够完整、验证案例足够多。它的机会在「新场景」,而新场景的市场规模天然较小。

量子格玻尔兹曼方法:真实进展与时间尺度

Quantum Labs 是这家公司最独特的部分,也是最容易被误读的部分。它做的是量子格玻尔兹曼方法(QLBM):把经典格子玻尔兹曼方法中的分布函数编码到量子态上,用幺正演化实现碰撞与迁移步骤,理论上可以在容错量子计算机上实现流体的指数级加速。

已公开的进展包括:与 IBM、IQM、Airbus、Embraer、Quantinuum、IonQ 建立合作;8 名量子算法研究者(含 6 位博士、3 位教授);申请 7 项专利;在真实量子硬件上完成 5 次「世界首次」演示。这些是可以核验的事实,说明它不是空壳研究组。

但必须说清时间尺度。当前的量子硬件处于含噪声中等规模量子(NISQ)阶段,量子比特数与相干时间都远不足以运行有工程意义的 CFD 问题。QLBM 的实用化依赖容错量子计算机,业界普遍预期在 2030 年代。这意味着量子业务在未来 5 至 10 年内不会产生收入,它的价值是「期权」:如果量子硬件成熟,Quanscient 拥有算法与专利的先发位置。

公司对此的表述是诚实的:「与我们一起共同开发量子原生算法,确保你的研发在硬件成熟的那一刻就绪」。这句话承认了硬件尚未成熟。评估时应当把量子部分当作研发投入,不计入业务线。

AI 数据引擎:一个正确的论点

公司最有洞察力的主张是「仿真是 AI 的数据源」。逻辑链条是:物理感知 AI 需要大量高质量的多物理场数据,而真实世界的实验数据稀缺且昂贵;传统仿真工具跑得慢、需要人工简化,无法生成足够的数据量;云原生求解器可以把数据生成的成本降下来,从而支撑物理 AI 的训练。

这个论点在方向上与 NVIDIA 的 PhysicsNeMo、Ansys 的 SimAI、以及各家「仿真数据即资产」的叙事一致,属于行业共识。Quanscient 的差异在于它从「数据生成的成本」切入,未从「模型架构」切入。

但这个论点的落地需要证明一件事:它生成的数据质量足以训练有用的模型。目前公开信息里没有这方面的证据——没有客户用它生成数据集训练出可用的代理模型,也没有公开的基准。这是一个待验证的假设。

技术短板

第一,求解器的物理覆盖窄。公司强调结构、流体、电磁、热四类,但实际案例集中在电磁与超导。湍流、燃烧、多相流、接触非线性这些成熟但困难的领域,没有公开案例。

第二,验证与确认(V&V)体系不明。工业客户采购仿真软件时,最关心的是「结果可不可信」,这需要大量的标准算例对比、网格收敛性研究、与实验数据的对标。Ansys、COMSOL 有几十年的积累,Quanscient 作为 2021 年成立的公司,V&V 文档的完备性无法与前者相比。这在航空、核电等强监管行业是实质门槛。

第三,性能宣称缺少第三方基准。100 倍加速、99% 运行时间降低这两个数字没有说明对比对象(哪个桌面工具、什么模型规模、什么硬件配置),也没有第三方复现。skyTran 的 63 倍案例是单点数据。

第四,量子业务的时间尺度与资金需求不匹配。量子算法研究是长周期、高投入的活动,1,000 万欧元的 A 轮难以支撑到容错量子计算机成熟。这块业务要么依赖外部合作(IBM、IQM 的项目经费),要么在下一轮融资中被稀释。

产品与商业化

Allsolve 的产品形态

Allsolve 是云端平台,提供 Python 接口与网页界面。核心能力包括:几何与网格处理、多物理场弱形式定义、云端并行求解、结果可视化与后处理、以及与 Python 科学计算生态的集成。定价采用按使用量计费(按计算资源消耗),没有前期许可费,提供试用(含免费计算时长或个人演示)。

Allsolve Agent 是本期最重要的产品变化,2026-09-03 上线并对全部 Allsolve 客户开放。 它是直接内建在平台里的助手:用自然语言描述需求,它就完成几何、材料、物理、网格与求解本身,不需要写代码、不需要另建环境、也不需要额外的 LLM 订阅;打开项目即可使用。官方描述其五项能力:其一,描述即建模,包括判断该耦合哪些物理、边界条件放在哪里,并可调节推理深度(从快速查询到完整建模);其二,先排错再返工,当结果不符预期时检查模型并对照设计意图,当运行失败时读取求解器日志、用自然语言解释原因并给出修复建议,也能读出脚本自定义部分里可能的问题;其三,用一条命令把单个单元扩展成阵列几何,这正是 PMUT 与 CMUT 阵列工作的依赖项;其四,文档导师,可检索文档与教程、端到端复现一个教程流程,或按阶段讲解并答疑;其五,后台运行,默认在改动前询问、信任后可开启 auto-accept,在用户转去别处时自行推进长时作业并跟踪状态。

官方案例点名了客户工程师:KROHNE 高级开发工程师 Jack Massaad 以怀疑态度试用该智能体,称用它在数日内建成含耦合声-压电物理的复杂参数化 3D 超声流量计模型,而手工构建同等复杂度「要接近一个月」。这是公司发布的客户案例,不是独立验证的测量,方法学与基线定义均未公布。

第二个同方向的信号是 2026-10-03 在坦佩雷大学举办的 Hack for Humanity: Finland edition,由 TRES 与 AI Collective 承办。约 80 人报名、三个赛题,Allsolve 赛题有 10 队参赛,每队 2 至 4 人、合计约 30 人,且此前都未使用过 Allsolve。各队需在 11:00 至 17:00 之间选定工程问题、开发一个通过 SDK 调用 Allsolve 并返回可用结果的网页应用,10 队全部交付了可运行应用。获胜队 HolkkiLab 由两名有医学背景的成员组成,做出假肢接受腔衬套设计工具:在 80 kg 演示案例中并行跑 96 次 3D FEM 仿真用时 66 秒,最优衬套把肢体尖端载荷从 29.4 kPa 降至 20.3 kPa(−31%),代价是额外陷入不足 1 mm,且从 27 个增加到 216 个衬套时运行时间几乎持平。团队同时说明模型局限:线性静力组织模型、简化的肢体几何、肢体与接受腔之间无摩擦。第二名 ModalForge 用 3D 振动仿真合成足步声,草稿质量求解约 2 分钟。第三名 Touchstone 为空中触觉设计 PMUT 单元,12 个设计 228 次仿真并行 2.5 分钟,谐振与实测偏差在 2% 以内,同时发现超过 2×2 单元后单元级结果组合与整体阵列求解相差 10%–19%。评审由公司按五项标准打分,前三名相差 1 分,上述数字均为团队自报、由公司汇总。

两件事放在一起看,指向同一个变化:从问题描述到跑通仿真的时间在缩短,应用层也从厂商界面外溢到客户自建工具。但两者都没有改变既有约束:V&V 体系未公开、性能宣称缺第三方基准、收入规模公司不披露。

这个定价模式对研发型客户友好:小团队可以先跑几个算例验证价值,再决定投入。对大企业,按量计费需要采购流程配合(预算科目、用量监控、成本分摊),落地比年度许可复杂。

客户案例的解读

五个公开案例各有指向。

Albis Electronics 做 70 GHz 射频仿真,痛点是「复杂的射频寄生效应」与「昂贵的高频硬件迭代」。云端并行让它能快速迭代设计,减少硬件打样次数。这个案例说明 Allsolve 在高频电磁上的可用性。

GSS Audio 做音频设备的复杂物理耦合,看中的是纯 Python 实现与从核心耦合物理的能力。这个案例说明可编程性对特殊耦合问题的价值。

skyTran 做磁悬浮个人快速交通,运行时从 3 周降到 8 小时、精度从 10% 提升到 3%。这个案例的量化和对比最完整,也最能说明「云 + 改进模型」的组合效果。

Infineon 用 Allsolve 做 MEMS 扬声器设计,看中的是「轻松扩展算力以探索更大的设计空间」。这个案例说明大公司愿意在特定项目上试用新工具。

UKAEA(英国原子能管理局)与 Proxima Fusion 用它做高温超导电缆、线圈与仿星器磁体仿真。这两个案例最能体现技术门槛:超导磁体的电磁-热-力耦合、失超传播、交流损耗,是公认的难题,传统工具处理起来代价很高。

商业规模的现实

公司未披露收入。按 40 人团队、欧洲软件公司的成本结构估算,年运营成本在 500 万至 800 万欧元区间;1,000 万欧元的 A 轮大致覆盖 18 至 24 个月。这意味着公司目前的收入规模很可能在数百万欧元量级,处于早期商业化阶段。

客户结构也印证这一点:以研发驱动的中小企业(Albis、GSS Audio、skyTran、Myvox、kiutra、IXI)、研究机构(UKAEA、坦佩雷大学)、以及大公司的创新项目(Infineon)为主,少有大型企业的全线部署。这类客户的单客收入有限,但决策快、愿意为新技术承担风险。

生态与合作

Quanscient 的量子合作网络是它最重要的无形资产之一:IBM、IQM(芬兰量子硬件公司)、Airbus、Embraer、Quantinuum、IonQ。这些合作的具体形式(联合研究、项目经费、技术验证)未公开,但同时与三家量子硬件厂商(IBM、IQM、Quantinuum、IonQ 中的多家)合作,说明它在 QLBM 这个细分方向上被视为有价值的算法伙伴。

航空侧的 Airbus 与 Embraer 两家同时出现,值得注意:这说明 QLBM 的应用场景被定位在气动与流体,而这是量子 CFD 最被看好的方向。

竞争格局

云 CAE 的竞争者

云原生 CAE 不是一个新赛道。SimScale 是最直接的对手:德国公司,提供云端 CFD、结构、热与声学仿真,订阅制定价,客户覆盖广泛,品牌认知度高于 Quanscient。Rescale 提供云 HPC 平台,把各家商业求解器(包括 Ansys、COMSOL)跑在云端,做的是「算力调度」,不涉及「自研求解器」。OnScale(现属 Ansys)曾做云端多物理场,后被收购。

Quanscient 与这三家的差异在于「自研求解器 + 可编程 + 面向强耦合场景」。SimScale 的优势是易用性与市场覆盖,弱点是求解器深度有限、可编程性弱;Rescale 的优势是能跑任何求解器,弱点是它不拥有求解器、无法针对云架构做底层优化。Quanscient 选的是更难但更差异化的路。

与传统桌面工具的关系

Ansys、COMSOL、Siemens、Dassault 都在推云端部署,但它们的核心产品是为桌面设计的,云化是「把桌面求解器搬到云主机上」,尚未做到「为云重写」。这个区别在中小模型上不明显,在超大模型与大规模参数扫描上会显现。

传统厂商的真正优势不在架构,而在三件事:物理模型的完备性(几十个模块、上千种材料模型)、验证数据的积累(几十年的标准算例与实验对标)、以及客户工作流的嵌入(前处理、求解、后处理、报告、数据管理的完整链条)。Quanscient 在这三件事上都处于起步阶段。

因此现实的竞争关系是「互补」,暂未形成「替代」:客户在成熟场景用传统工具,在新场景(高频、超导、强耦合)用 Quanscient。这个定位能活,但天花板受限。

量子仿真赛道的格局

量子计算用于工程仿真的赛道里,参与者分三类。硬件厂商(IBM、IQM、Quantinuum、IonQ、PsiQuantum)自己做应用探索;算法与软件公司(Classiq、QC Ware、Zapata、Quanscient)做算法与编译;行业用户(Airbus、Embraer、航空发动机厂商、能源公司)做场景验证。

Quanscient 的位置是「算法 + 场景」的结合:它不造硬件,但把 QLBM 这个特定算法做到能与多家硬件厂商合作验证的程度。这个位置的价值取决于 QLBM 是否成为量子 CFD 的主流路线——如果主流路线转向量子线性求解器(HHL 及其变体)或其他方法,它的先发优势会削弱。

融资与资本结构

A 轮的结构与含义

1,000 万欧元 A 轮(2026 年 5 月 26 日),55 North 与 B&C Group 联合领投,Maki.vc、Crowberry Capital、QAI Ventures、First Fellow Partners 全额跟投。领投方一个是量子专项基金、一个是工业投资机构,这个组合说明投资逻辑是「量子技术 + 工业落地」的双重押注。

55 North 的首席科学官 Helmut Katzgraber 在公告中的表述值得引用:他认为 Quanscient 的云原生多物理场平台加上量子算法与 AI 工具的前瞻工作,为核聚变、先进电子、量子技术等领域的创新者提供了「不牺牲精度的吞吐量跃升」。这段话把投资逻辑说得很清楚:买的是「吞吐量」,即在同等精度下处理更大设计空间的能力。

资本效率与资金需求

1,000 万欧元支撑 40 人团队 18 至 24 个月,资本效率中等。对比同类的云 CAE 公司(SimScale 累计融资超过 1 亿美元、Rescale 超过 3 亿美元),Quanscient 的融资规模小一个数量级,这意味着它必须靠「差异化场景 + 高客单价」建立业务,难以靠「广泛覆盖」。

量子研究的资金需求是另一个问题。8 名量子算法研究者(含 3 位教授)的年成本在 100 万至 200 万欧元量级,加上量子硬件访问费用(IBM、IonQ 的云量子服务按次计费),这块业务每年消耗 200 万至 300 万欧元。在 1,000 万欧元的总盘子里,这意味着量子业务占用了相当比例的资金,而其收入贡献在 5 至 10 年内为零。

未披露的关键数据

估值、收入、毛利率、客户留存率、之前轮次的金额与估值,全部未披露。对一家早期公司这是常态,但意味着外部无法判断单位经济模型是否成立——尤其是「按量计费」模式下,云基础设施成本占收入的比例决定了毛利率的天花板。如果客户用大量算力跑参数扫描,而计费单价接近成本,规模越大亏损越大。

DISCREPANCIES

1. 融资的币种与金额。 官方口径为 1,000 万欧元,部分中文与英文报道折算为约 1,160 万美元。两个数字对应同一轮,差异来自汇率。本报告采用「1,000 万欧元(约 1,160 万美元)」。来源等级:OFFICIAL(公司公告)。

2. 累计融资与轮次数量。 第三方数据库(startup.eu)把累计融资记为 1,000 万欧元、轮次记为 1 轮;但 A 轮公告明确提到 Maki.vc、Crowberry Capital、QAI Ventures、First Fellow Partners 为「现有投资人」并全额跟投,说明此前存在至少一轮融资(金额未披露)。本报告采用「公开披露的首轮为 1,000 万欧元 A 轮,此前轮次未披露」的表述。来源等级:OFFICIAL(公告)优于第三方数据库。

3. 成立时间。 第三方数据库把成立日期记为 2026-05-26,这实际是 A 轮公告日期;官方与多方资料一致为 2021 年。本报告采用 2021 年。来源等级:OFFICIAL。

4. 「量子启发」与「量子算法」的混淆。 第三方资料称 Allsolve 使用「量子启发算法(quantum-inspired algorithms)」,官方表述是 Quantum Labs 研究「在量子硬件上运行的量子算法」(QLBM)。前者指在经典计算机上模拟量子思路的算法,后者指真正跑在量子处理器上的算法,技术性质完全不同。本报告按官方口径区分。来源等级:OFFICIAL 优于第三方。

5. 加速倍数的表述与适用范围。 官方称「最多快 100 倍、运行时间最多降低 99%」,这两个说法在数学上等价(100 倍加速 = 时间降低 99%),属于同一事实的两种表达。但官方未说明对比基准(哪个桌面工具、什么模型规模、什么硬件),也未区分「任务级并行吞吐」与「单模型求解延迟」。公开案例中 skyTran 为约 63 倍(3 周降至 8 小时),低于 100 倍。本报告在技术分析中区分两类加速,并标注 100 倍为公司口径。来源等级:OFFICIAL(公司宣称,未经第三方基准)。

6. 89% 工程师简化模型的调查来源。 公司称其研究显示 89% 的工程师会为适配运行时与内存预算而例行简化物理模型,但未披露样本量、受访者构成、调查方法与时间。这是公司自研调研,非独立第三方研究。本报告保留数字并标注来源性质。来源等级:公司研究(UNVERIFIED)。

7. 「全球首个云与量子驱动的多物理场仿真供应商」的排他性。 公司自称是「第一个云与量子驱动的多物理场仿真软件供应商」。这个「第一」无法核验,且取决于如何定义「云与量子驱动」——若指同时提供云求解与量子算法研究,则确实少见;若指任何涉及量子计算的仿真公司,则存在其他参与者。本报告不使用该排他性表述。来源等级:公司营销表述(UNVERIFIED)。

8. 团队规模的构成。 公司称团队 40 人、来自 15 个国家;同时称 Quantum Labs 有 8 名量子算法研究者,含 6 位博士与 3 位教授。3 位教授在 8 人团队中,通常意味着学术兼职或顾问身份,未必是全职雇员。本报告在引用时保留原始表述,不推断全职比例。来源等级:OFFICIAL(公司表述)但构成细节未披露。

9. 智能体与黑客松成果的厂商口径。 公司博客称 Allsolve Agent 对全部 Allsolve 客户开放;称 KROHNE 工程师用 Agent 建成复杂参数化 3D 超声流量计模型耗时「不到一周」,而手工需「接近一个月」;称获胜队并行跑 96 次 3D FEM 仿真用时 66 秒,并把肢体尖端载荷从 29.4 kPa 降至 20.3 kPa(−31%)。裁定:保留为公司口径数字,KROHNE 一项归因于具名客户工程师,黑客松数字标注为团队自报结果而非经审计的基准。 KROHNE 数字出自公司发布的案例,黑客松数字由公司从团队自报材料汇总,二者均无独立验证;获胜队自己也列明线性静力组织模型、简化几何与无接触摩擦等模型局限。此处记录「黑客松自报—厂商汇总—独立复现」之间的差距,不做抹平。

风险与尽调缺口

其一,收入与单位经济模型完全不透明。 收入、毛利率、客户留存、客单价均未披露。按量计费模式下,云基础设施成本是主要变动成本,如果计费单价与成本接近,规模扩张不带来利润改善。这是评估商业模式是否成立的核心缺口。

其二,验证与确认体系未经检验。 工业客户采购仿真工具时,V&V 文档的完备性是硬门槛。Quanscient 成立仅五年,标准算例库、网格收敛研究、实验对标数据的积累无法与传统厂商相比。在航空、核电、医疗等强监管行业,这可能成为准入障碍。

其三,量子业务的时间与资金错配。 QLBM 的实用化依赖容错量子计算机,业界预期在 2030 年代。公司 1,000 万欧元的 A 轮无法支撑到那个时点,量子业务需要持续的外部经费(合作项目、政府资助)或后续融资。如果量子硬件进展慢于预期,这块投入的回报周期会进一步拉长。

其四,客户集中在小众场景。 射频/微波、超导磁体、MEMS 扬声器、聚变装置,这些场景技术门槛高但市场规模有限。如果公司无法从这些「滩头阵地」扩展到更宽的工业场景(汽车、航空的主流结构/流体分析),收入天花板会很低。

其五,与云厂商的竞合关系。 Allsolve 跑在公有云上(未披露具体厂商),云厂商自身在推仿真服务(如 AWS 的 CAE 合作、Azure 的 HPC)。如果云厂商决定自建仿真能力或收购竞品,Quanscient 的议价能力会下降。

其六,人才依赖。 40 人团队里 8 人做量子算法,核心研究者(含教授)的流失会直接影响这块业务。芬兰的量子人才池有限,与 IQM 等本地公司存在人才竞争。

其七,地缘与出口管制。 客户含 UKAEA(核聚变)、Infineon(半导体)、以及航空航天客户(Airbus、Embraer 为量子合作方)。这些领域受出口管制与投资审查影响,跨境业务可能受限。

综合评分

技术维度给 7.5 分。云原生架构与纯 Python 可编程是真实的技术差异,多物理场强耦合场景(超导、高频、MEMS)有可验证的客户案例;QLBM 研究有专利、有硬件演示、有多家硬件厂商合作,不是空壳。扣分项是求解器物理覆盖窄、V&V 体系未公开、性能宣称缺第三方基准。

商业维度给 6.5 分。客户名单质量不错(Infineon、UKAEA、Proxima Fusion、Airbus/Embraer 合作),场景选择精准,按量计费降低了试用门槛。扣分项是收入规模极小、客户集中在小众场景、单位经济模型不透明。

财务维度给 6 分。1,000 万欧元 A 轮、投资人结构合理(量子专项基金 + 工业投资机构)、资本效率中等。扣分项是累计融资规模比同类小一个数量级、量子业务消耗资金但短期无收入、估值与收入未披露。

产品维度给 7 分。Allsolve 的架构(云并行 + Python 原生 + 多物理场可组合)方向正确,界面与工作流在早期客户中获得认可,试用机制友好;2026-09-03 起平台向全部客户交付 Allsolve Agent,2026-10 的黑客松进一步显示十支此前未使用过 Allsolve 的队伍在一个下午内做出可运行的仿真应用。扣分项是产品成熟度与传统工具差距明显、后处理与数据管理能力未详述、缺乏行业模板与合规模块、以及智能体的证据链来自公司发布内容而非独立验证。

市场维度给 6.5 分。云 CAE 是确定的趋势,量子仿真是有想象力的长期方向,强耦合场景的需求真实存在。扣分项是市场规模有限、SimScale 等对手已占据云 CAE 认知、传统厂商的云化会压缩差异化空间。

综合 6.7 分。这是一家「架构领先、规模极小、路径正确」的公司:它把云原生与可编程做到了工程可用,用超导与高频这些「传统工具算不动」的场景建立了滩头阵地,并且在量子 CFD 上做了有实质投入的探索。但它的收入规模、V&V 体系、以及量子业务的时间尺度,都决定了它在 3 至 5 年内只能是小众玩家。对物理 AI 的判断是:它的「仿真即数据源」论点是对的,云原生架构确实是生成大规模物理数据的前提;但把论点变成生意,需要证明两件事——生成的数据能训练出有用的代理模型,以及它能在主流工业场景里获得验证认可。

参考资料

  1. Quanscient A 轮公告(2026-05-26,坦佩雷):1,000 万欧元 A 轮,55 North 与 B&C Group 联合领投,Maki.vc、Crowberry Capital、QAI Ventures、First Fellow Partners 全额跟投;公司成立于 2021 年,创始人为 Juha Riippi、Alexandre Halbach、Asser Lähdemäki、Valtteri Lahtinen,Andrew Tweedie 于 2024 年作为第五位创始人加入;团队 40 人、15 个国籍;平台较传统桌面工具最多快 100 倍、运行时间最多降低 99%;公司研究称 89% 的工程师会为适配运行时与内存预算而简化物理模型
  2. Quanscient 官网(2026 年访问):Allsolve 定位为「为 AI 时代准备的多物理场仿真平台」,支持数千个并行云仿真、100% Python 原生编程控制;Quantum Labs 研究量子格玻尔兹曼方法(QLBM)用于计算流体力学,合作方含 IBM、IQM、Airbus、Embraer、Quantinuum、IonQ;8 名量子算法研究者(含 6 位博士、3 位教授)、7 项专利申请、5 次在真实量子硬件上的世界首次演示
  3. Quanscient 客户案例(官网):Albis Electronics 在云端做 70 GHz 射频仿真以应对复杂射频寄生效应;GSS Audio 用纯 Python 实现从核心耦合复杂物理;skyTran 运行时从 3 周降至 8 小时、精度从 10% 提升至 3%;Infineon 用于 MEMS 扬声器设计并扩展设计空间探索;kiutra 减少硬件迭代次数;IXI 称首轮即找到可用设计、节省三个月开发时间;UKAEA 用于高温超导电缆与线圈的三维多物理场建模;Proxima Fusion 用于仿星器超导磁体仿真;坦佩雷大学用于超导三维仿真;Myvox 用于 MEMS 扬声器
  4. 55 North 首席科学官 Helmut Katzgraber 表态(A 轮公告):认为 Quanscient 的云原生多物理场平台结合量子算法与 AI 工具,为客户在核聚变、先进电子、量子技术等领域提供不牺牲精度的吞吐量跃升
  5. B&C Group 董事总经理 Julia Reilinger 表态(A 轮公告):认为 Quanscient 处于仿真、量子计算与 AI 的交叉点,正在为物理产品开发设定新标准,对强化欧洲工业创新能力具有长期意义
  6. Quanscient CEO Juha Riippi 表述(A 轮公告):AI 不会改造硬件工程,除非仿真本身为它重建;把多物理场做成代码驱动与云可扩展,可生成 AI 所需体量的物理数据,把仿真从瓶颈变成数据驱动设计的引擎;为云与量子构建的架构也是「物理感知 AI 模型」的基础
  7. 芬兰 2026 年上半年融资统计(EU Information Service):Quanscient 在 2026 年上半年获得 1,000 万欧元 A 轮,用于国际扩张与云仿真平台、AI 能力、量子计算技术的开发;同期芬兰其他融资包括 Algorithmiq 1,970 万欧元、Kelluu 1,500 万欧元、Capalo AI 1,100 万欧元、Vexlum 1,000 万欧元
  8. 中文报道(维度网,2026):A 轮 1,000 万欧元约合 1,160 万美元;资金用于扩大国际业务并加速云端与量子驱动的多物理场仿真平台;平台把结构力学、流体动力学、电磁学与热学方程统一在单一可组合环境中;客户覆盖欧洲、北美、日本的财富 100 强企业与工业制造商
  9. 第三方融资数据库(startup.eu):把 Quanscient 记为芬兰公司、累计融资 1,000 万欧元、1 轮、投资方 6 家、估值未披露;成立时间记为 2026-05-26(与官方 2021 年冲突);描述其差异化为云原生、API 优先架构、大规模并行仿真、按使用量计费无前期许可费、以及量子算法与 AI 工作流集成
  10. 第三方资料(中文技术媒体)对平台的描述:云原生架构执行仿真速度较传统桌面工具最高提升 100 倍、整体计算运行时间降低 99%;把仿真数据视为基础数据源,用于生成训练生成式 AI 设计模型所需的大规模多域物理数据集
  11. 竞品信息(行业公开资料):SimScale 提供云端 CFD、结构、热与声学仿真并用订阅制;Rescale 提供云 HPC 平台承载第三方商业求解器;OnScale 曾做云端多物理场后被 Ansys 收购;Ansys、COMSOL、Siemens、Dassault 均提供云端部署但核心产品为桌面架构
  12. 量子计算在工程仿真的行业背景(公开资料):当前量子硬件处于含噪声中等规模量子阶段,量子比特数与相干时间不足以运行有工程意义的 CFD 问题;量子格玻尔兹曼方法把分布函数编码到量子态、以幺正演化实现碰撞与迁移步骤,理论上可获得指数级加速,实用化依赖容错量子计算机
  13. Quanscient 官方博客《The Allsolve Agent is here: 5 ways it can make your life easier》,2026-09-03,Juha Riippi(CEO),含 Allsolve Agent 对全部 Allsolve 客户开放、五项能力(自然语言建模、结果排错、阵列生成、文档导师、后台运行),以及 KROHNE 案例中高级开发工程师 Jack Massaad 称复杂参数化 3D 模型耗时不到一周、手工需接近一个月
  14. Quanscient 官方博客《What 30 first-time users built with the Allsolve SDK in six hours》,2026-10-06,Jukka Knuutinen,含 2026-10-03 坦佩雷大学 Hack for Humanity: Finland edition(TRES 与 AI Collective 承办,约 80 人报名、10 队每队 2–4 人、全部在 17:00 前交付可运行应用),以及获胜队 HolkkiLab 并行 96 次 3D FEM 仿真用时 66 秒、肢体尖端载荷从 29.4 kPa 降至 20.3 kPa(−31%),第二名 ModalForge 的地板振动足步声合成,第三名 Touchstone 的 PMUT 阵列设计(12 设计 228 仿真 2.5 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,收入与财务数据未披露;性能宣称与调查数字为公司口径,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。