数智脉进 种子轮

数智脉进深度调研:深圳 SNN+LBM 全栈自研 CFD 初创,宣称消费级硬件秒级出数亿网格结果,获财政部下属基金数千万天使轮,规划迁核心算法至 FPGA

深圳 AI+物理 CFD 初创,2025-06 成立;以 SNN+LBM 全栈自研融合,宣称消费级硬件秒级出数亿网格、相对误差 0.01%–0.5%;FlowStudio 已发布,2026-03 获中财财投(财政部下属)数千万天使轮。

执行摘要

数智脉进(数智脉进人工智能基础技术研究(深圳)有限公司)2025 年 6 月成立于深圳,入驻南山清华信息港国家级孵化器,由国家「千人计划」专家牵头,核心团队有近十年底层算法研发积累。2026 年 3 月至 4 月,公司宣布完成数千万元天使轮融资,由中财财投(湖南)私募基金管理有限公司独家投资——该机构是财政部下属中财金控投资有限公司旗下的专业投资平台,投资策略聚焦「解决关键技术进口替代」的企业。

技术主张是把脉冲神经网络(SNN)与格子玻尔兹曼方法(LBM)深度融合,构建「AI + 物理」的 CFD 模型。公司的三个核心宣称是:极速(消费级硬件上处理数亿量级网格仅需数秒)、超高精度(相对误差 0.01%–0.5%,行业常规为 3%–5%)、全自主可控(从底层 SNN 算子、LBM 模型到上层应用 100% 自研,不依赖第三方商业库)。

产品是 FlowStudio「流、噪模组」,一款汽车空气动力学仿真软件:把复杂 CFD 能力封装成易用工具,支持在普通笔记本上「秒级出结果」,并把稳态与瞬态分析集成到单一模型中。应用场景已覆盖汽车风阻优化与数字风洞,公司称与头部车企达成战略合作,盲测结果与风洞试验数据高度吻合。

路线图上还有两步:一是把核心算法向 FPGA 等专用硬件迁移,配套完整的软硬件开发平台,构建「流体计算核心硬件模块」的开放开发生态(公司类比为工业仿真领域的 CUDA 生态);二是按「2025-2026 项目计划」,在 2026 年实现 CPU 通用版本与基于 FPGA 的高性能版本的产品化交付。可拓展方向包括航空航天(高超音速)、能源电力(水电、电网)、石油石化(长输管线)、轨道交通(高铁横风、隧道、汇车)、核电(冷却系统)与新能源电场气候建模。

物理 AI 视角下,数智脉进的位置是「用非常规 AI 重写 CFD 的求解内核」。它不做代理模型(不替代求解、用数据拟合输入输出),也不做工作流编排(如 Navier),而是试图用 SNN + LBM 这个组合,在物理层面重构求解过程。这个定位的野心比代理模型大,技术风险也更高。

需要提前说明判断:这是一家「技术宣称极强、验证证据极少」的早期公司。它的三个宣称如果成立,都是代际领先级别的突破——0.01% 的相对误差优于大部分学术基准,消费级硬件秒级处理数亿网格意味着算力需求的量级下降,100% 自研则解决了「卡脖子」问题。但这些宣称目前只有公司口径与「盲测与风洞数据吻合」的定性描述,没有第三方复现、没有公开基准、没有论文。评估它的关键不是「SNN + LBM 有没有道理」(有学术依据),而是「0.01% 的误差是在什么问题上测的、消费级硬件的秒级是在什么规模上测的」。

公司概览

起点与团队

公司 2025 年 6 月成立,总部深圳,入驻南山清华信息港国家级孵化器。创始人由国家「千人计划」专家牵头(具体姓名未公开),核心团队有近十年底层算法研发积累,技术成果称经国际知名汽车品牌与国产新能源头部车企项目验证。

「近十年底层算法积累」这个表述值得注意:它暗示技术不是 2025 年才开始做的,而是团队在此前的学术或工业研究中已经积累多年,2025 年成立公司是为了商业化。这在硬科技创业里常见(技术成熟后再创业),也解释了为什么一家成立不到一年的公司能拿出「100% 自研的 SNN + LBM 栈」。

「非经典 AI」的定位

公司在多份材料里强调「人工智能(非经典 AI 算法)」。这个措辞的含义是:它用的不是当前主流的 Transformer/大模型路线,而是脉冲神经网络(SNN)——一种模拟生物神经元脉冲发放机制的神经网络。

这个定位有技术含义也有叙事含义。技术上,SNN 的特点是「事件驱动」(只在神经元发放脉冲时计算),理论上能耗低、适合神经形态硬件;叙事上,「非经典 AI」让它在「大模型同质化」的环境里有差异化,也契合「自主可控、不依赖国外框架」的政策叙事。

融资与投资方

数千万元天使轮,中财财投独家投资。中财财投是财政部下属中财金控的平台,投资策略聚焦「关键技术进口替代」与「卡脖子」难题。这个投资方的含义是:公司的价值不完全按财务回报衡量,也承担「国产替代」的产业任务。

独家投资(不是多家合投)说明两点:一是金额不大,一家机构可以独立承担;二是投资方对项目的控制力较强。

技术分析

为什么用 LBM 不是传统 CFD

传统 CFD 的主流方法是有限体积法(FVM):把计算域离散成网格单元,在每个单元上求解 Navier-Stokes 方程的积分形式。这套方法成熟、验证充分,但在复杂几何与多相流场景有网格生成的困难。

格子玻尔兹曼方法(LBM)是另一条路线:不直接求解宏观方程,而是模拟流体粒子的介观分布函数,通过碰撞与迁移两个步骤演化,宏观量(密度、速度)由分布函数的矩得到。LBM 的优势是:边界条件处理简单(尤其复杂几何)、天然并行(每个格点独立演化)、适合多相流与多孔介质。劣势是:可压缩性与高雷诺数的稳定性问题、内存开销大(每个格点要存多个方向的分布函数)。

选 LBM 的理由很清楚:汽车外气动是「复杂几何 + 中等雷诺数」的问题,LBM 在复杂几何上的边界处理优势正好匹配。这也是为什么商用 LBM 软件(如 PowerFLOW)在汽车气动领域有稳固地位。

SNN 与 LBM 结合的技术含义

把 SNN 与 LBM 结合,可能的技术路径有三种。

第一种:用 SNN 替代 LBM 的碰撞算子。LBM 的碰撞步骤是局部的、非线性的(BGK 模型或更复杂的碰撞模型),可以用神经网络学习「分布函数 → 碰撞后分布函数」的映射。SNN 的事件驱动特性与碰撞的局部性匹配。

第二种:用 SNN 做网格自适应或子网格建模。在网格粗化的区域,用神经网络补偿未解析的物理(类似 LES 的亚格子模型)。

第三种:用 SNN 做多尺度耦合。LBM 在细网格上算,SNN 在粗网格上学习修正。

三种路径的技术难度与效果差异很大。公司没有披露具体采用哪种。这是一个关键缺口——因为「SNN + LBM」这个组合本身不是新想法(学术界有相关论文),真正的创新在于「如何结合」与「结合后的性能」。

误差 0.01% 的解读

「相对误差 0.01%–0.5%」是一个极强的宣称。作为参照:商用 CFD 在汽车外气动上的验证精度通常在 3%–5%(与风洞对比),学术基准(如 Ahmed body、DrivAer)的误差也在这个量级;风洞本身的测量不确定度约 1%–2%。

如果 0.01% 是在「与另一个仿真对比」不是「与实验对比」的意义上成立,那它只证明「两个求解器算得一样」,不证明「算得对」。如果 0.01% 是与风洞实验对比的误差,那它低于风洞本身的测量不确定度,需要非常严格的实验条件(如高精度风洞、精细的边界条件复现)才可能达到。

公司没有说明「误差」的基准是什么(实验?高保真仿真?解析解?)、在什么工况上测的、误差范数是什么(L2?最大偏差?积分量?)。这三个信息缺失,使 0.01% 无法被正确解读。

消费级硬件秒级的技术含义

「消费级硬件上处理数亿量级网格仅需数秒」是另一个强宣称。作为参照:数亿网格的 CFD 在超级计算机上通常需要数小时到数天;即使用 GPU 加速,也需要数十分钟。

如果真的能在笔记本上秒级完成,意味着计算效率提升了 3 至 4 个数量级。这可能是三种情况的组合:一是 LBM 的天然并行性在 GPU 上效率高;二是 SNN 的事件驱动特性减少了不必要的计算;三是模型可能做了简化(如稳态假设、降阶、或代理模型替代部分求解)。

这里的口径问题与误差问题类似:「数亿网格」是网格量还是自由度?「秒级」是单步还是收敛?「消费级硬件」是什么配置(笔记本的核显?还是带独显的工作站)?这些细节决定了宣称的可信度。

100% 自研的边界

「从底层 SNN 算子、LBM 模型到上层应用 100% 自研,不依赖第三方商业库」是一个有价值的宣称(尤其对国产替代场景),但需要区分「自研」与「不依赖商业库」:很多开源库(如 PyTorch、CUDA)是免费的但非自研,如果公司基于 PyTorch 实现 SNN,那「100% 自研」指的是算法不是框架。

FPGA 迁移的逻辑

把算法迁移到 FPGA 是一个有意思的方向。FPGA 的优势是「可定制的数据通路 + 低功耗」,适合 SNN 的事件驱动计算(稀疏的脉冲发放不需要密集的矩阵乘法)。如果算法真的适合 FPGA,那么「消费级硬件秒级」的宣称就有了硬件基础。

但 FPGA 开发成本高(需要硬件工程师、需要针对具体算法优化)、可移植性差(不同 FPGA 型号要重新适配)、生态弱(不像 GPU 有 CUDA 这样的成熟生态)。公司计划「构建 CUDA 式的开放生态」,这是一个十年期的目标,短期内难以实现。

技术短板

第一,验证证据缺失。没有论文、没有公开基准、没有第三方复现。

第二,SNN 训练的成熟度。SNN 的训练比传统神经网络难(脉冲不可微,需要 surrogate gradient 等技巧),在工业级精度要求下能否稳定训练,是公开的学术难题。

第三,LBM 的固有局限。高雷诺数、可压缩性、强湍流场景下 LBM 的稳定性与精度不如 FVM,汽车外气动虽属中等雷诺数,但真实车辆(含旋转轮、复杂尾流)的湍流仍是挑战。

第四,产品成熟度。FlowStudio 已发布,但没有公开的用户数、客户案例细节、与商用软件的对比测试。

产品与商业化

FlowStudio 的产品形态

FlowStudio「流、噪模组」是汽车空气动力学仿真软件,两个模组分别对应「流动」(外气动、风阻)与「噪声」(气动噪声)。产品特点是把 CFD 封装成易用工具(普通笔记本可用、秒级出结果)、稳态与瞬态集成在单一模型。

「稳态 + 瞬态单一模型」这个设计有工程价值:传统 CFD 工具通常把稳态(RANS)与瞬态(LES/DES)分开,用户要在两个工作流之间切换;集成在一个模型里意味着用户可以先用稳态快速看趋势,再切到瞬态看细节,不必重建模型。

客户与验证

公司称与头部车企达成战略合作,盲测结果与风洞试验数据高度吻合。「盲测」这个词有分量——如果真的是「不知情的情况下预测,再与实验对比」,那比「调参后对比」可信得多。但公司没有披露:哪家车企、什么车型、什么工况、误差多少。

商业模式

商业模式未披露。可能是软件许可(按席位)、云服务(按算力/次数)、或项目制(仿真服务)。从「普通笔记本秒级」的定位看,它更可能是本地软件许可(因为不需要云端算力),这对客户有吸引力(数据不出域、无网络依赖)。

路线图与交付承诺

公司承诺 2026 年交付 CPU 通用版本与基于 FPGA 的高性能版本。这个承诺是可核验的里程碑——如果 2026 年底没有交付,说明技术进展不及预期。

竞争格局

CFD 市场的老牌对手

汽车外气动的商用软件包括 Fluent(Ansys)、STAR-CCM+(Siemens)、PowerFLOW(Dassault,LBM 路线)、CFX(Ansys)、以及开源 OpenFOAM。

数智脉进的差异化是「LBM + SNN + 消费级硬件」。PowerFLOW 已经证明 LBM 在汽车气动上的可行性,数智脉进的差异是用神经网络加速。

AI CFD 的新进入者

AI CFD 的竞争者分两类:代理模型类(PhysicsX、Vinci、Neural Concept、以及国内的适创、舜云)与求解器重写类(数智脉进、以及少数用 PINN 直接求解的公司)。

数智脉进属于第二类,风险更高但天花板也更高——如果它真的重写了求解内核,那它不是「更快的工具」,而是「不同的工具」。

与国产 CFD 的对照

国产 CFD 公司多在 FVM 路线上追赶(如十沣、云道),数智脉进选 LBM 是差异化路线。这条路线的好处是避开与 Fluent/STAR-CCM+ 的正面竞争(它们不做 LBM),坏处是 LBM 的生态与验证案例远少于 FVM。

融资与资本结构

天使轮

数千万元,中财财投独家投资。这个金额对一家成立不到一年的公司是充裕的(可支撑 30 至 50 人团队 18 至 24 个月,或更精简团队 3 年)。

资金用途

官方表述:深化「AI + 物理」核心技术研发、加速产品规模化应用交付、拓展多元产业生态;推进「2025-2026 项目计划」,2026 年实现 CPU 通用版与 FPGA 高性能版的产品化交付。

估值与收入

估值未披露,收入未披露。从天使轮阶段看,公司处于「产品已发布、客户在验证」的阶段。

DISCREPANCIES

1. 误差 0.01% 的基准缺失。 公司称相对误差 0.01%–0.5%,行业常规 3%–5%,但未说明误差的基准(实验?高保真仿真?解析解)、测试工况、误差范数。本报告在技术分析中提出「与仿真对比」与「与实验对比」两种解读。来源等级:公司宣称(UNVERIFIED)。

2. 「数亿网格秒级」的硬件与规模口径。 公司称消费级硬件处理数亿网格仅需数秒,但未说明「消费级硬件」的具体配置、「数亿网格」是网格量还是自由度、「秒级」是单步还是收敛。本报告标注口径不明。来源等级:公司宣称(UNVERIFIED)。

3. 「100% 自研」的边界。 公司称从 SNN 算子到应用 100% 自研、不依赖第三方商业库,但未说明是否基于开源框架(如 PyTorch)实现、是否使用 CUDA。本报告区分「算法自研」与「框架自研」。来源等级:OFFICIAL(表述)与缺失(细节)。

4. 投资方性质的表述。 公司称中财财投为「财政部下属中财金控投资有限公司旗下的专业投资机构」,媒体表述为「中字头」「国家级基金」。本报告采用公司口径。来源等级:OFFICIAL(公司表述)。

5. 融资额的「数千万」不精确。 公司称「数千万」,未给具体数字;不同媒体一致使用「数千万」。本报告采用「数千万元」并标注不精确。来源等级:OFFICIAL。

6. 客户与验证的细节缺失。 公司称与头部车企战略合作、盲测与风洞数据高度吻合,但未披露车企名称、车型、工况、误差数值。本报告标注为定性描述。来源等级:公司宣称(UNVERIFIED)。

7. 成立时间的表述。 公司称 2025 年 6 月成立,与工商信息一致。部分媒体称「2025 年」。本报告采用 2025 年 6 月。来源等级:OFFICIAL。

8. 创始人身份的披露。 公司称由国家「千人计划」专家牵头,但未公开创始人姓名与履历。本报告不推测。来源等级:OFFICIAL(表述)与缺失(姓名)。

风险与尽调缺口

其一,技术验证缺失。 所有性能宣称(误差、速度、精度)都没有第三方复现、论文或公开基准。这对一家技术驱动公司是最大的风险。

其二,SNN 的训练难度。 脉冲神经网络在工业级精度下的稳定训练是公开的学术难题,公司是否解决了,未见证据。

其三,LBM 的固有局限。 高雷诺数、强湍流、可压缩场景的稳定性与精度,是 LBM 路线的结构性挑战。

其四,FPGA 路线的执行风险。 FPGA 开发成本高、可移植性差,且公司承诺 2026 年交付,时间紧。

其五,客户验证的深度。 「头部车企战略合作」「盲测吻合」是定性表述,未披露客户是否付费、是否进入量产流程。

其六,单一场景依赖。 目前聚焦汽车外气动,扩展到航空航天、能源、核电需要不同的验证与认证。

其七,团队披露不足。 创始人姓名、核心团队构成未公开,难以判断技术能力的真实性。

综合评分

技术维度给 6.5 分。SNN + LBM 的组合有学术依据,LBM 在复杂几何上的优势与汽车外气动场景匹配,FPGA 迁移的方向符合 SNN 的事件驱动特性。扣分项是性能宣称无验证、SNN 训练难度、LBM 的固有局限。

商业维度给 5.5 分。FlowStudio 已发布,稳态+瞬态集成单一模型的设计有工程价值,本地软件形态(数据不出域)适合车企。扣分项是客户与收入未披露、定价未知、单场景依赖。

财务维度给 6 分。数千万元天使轮由中财财投独家投资,资金充裕度中等。扣分项是估值与收入未披露、后续融资依赖技术验证。

产品维度给 6 分。FlowStudio 的产品定义清晰(汽车气动 + 噪声、笔记本可用),但无公开用户数据与对比测试。扣分项是成熟度未验证、界面与体验未披露。

市场维度给 7 分。国产 CFD 替代是政策刚需、汽车气动是明确场景、财政部背景的投资方提供政策资源。扣分项是商用软件壁垒高、客户对新求解器极度保守、验证周期长。

综合 6.2 分。这是本轮里「技术野心最大、验证证据最少」的一家:它试图用 SNN + LBM 重写 CFD 的求解内核,如果成功是代际突破,如果失败则难以与成熟求解器竞争。它的短板是所有关键宣称都缺少可核验的证据。对物理 AI 的判断是:用非常规神经网络重写物理求解器是一条有想象力的路线,也符合「自主可控」的国家需求;但物理仿真的可信度建立在海量验证之上,一家成立不到一年的公司要证明「0.01% 误差」与「笔记本秒级」,需要公开基准、论文与第三方复现——这些目前都不存在。

参考资料

  1. 天使轮公告(2026-03-30 至 04-05,中国发展网、中国企业报、新华网广东站、中国新闻网):数智脉进完成数千万元天使轮融资,由中财财投(湖南)私募基金管理有限公司独家投资;资金用于深化「AI+物理」核心技术研发、加速产品规模化应用交付、拓展多元产业生态;推进「2025-2026 项目计划」,2026 年实现 CPU 通用版本与基于 FPGA 的高性能版本产品化交付
  2. 公司背景(同一批报道):成立于 2025 年 6 月,聚焦制造业智能化升级,以汽车行业为切入点;由国家「千人计划」专家牵头,核心团队有近十年底层算法研发积累,技术成果经国际知名汽车品牌与国产新能源头部车企项目验证;入驻深圳南山清华信息港国家级孵化器
  3. 技术宣称(同一批报道):创新性融合脉冲神经网络(SNN)与格子玻尔兹曼方法(LBM),构建「AI+物理」CFD 模型;极速(消费级硬件处理数亿量级网格仅需数秒)、超高精度(相对误差 0.01%-0.5%,行业常规 3%-5%,最高微米级空间精度)、强泛化(无需针对不同车型或场景额外训练)、全自主可控(从底层 SNN 算子、LBM 模型到上层应用 100% 自研,不依赖第三方商业库)
  4. 产品信息(同一批报道):已推出汽车空气动力学仿真软件 FlowStudio「流、噪模组」,将复杂 CFD 封装为易用工具,支持普通笔记本电脑「秒级出结果」,稳态与瞬态分析集成于单一模型;应用于汽车风阻优化、数字风洞,与头部车企达成战略合作,盲测结果与风洞试验数据高度吻合
  5. 生态规划(同一批报道):计划构建以「流体计算核心硬件模块」为基础的开放开发生态,将核心算法向 FPGA 等专用硬件迁移,配套完整软硬件开发平台,模式类比工业仿真领域的 CUDA 生态
  6. 可拓展方向(同一批报道):航空航天(高超音速)、能源电力(水力发电、电网优化)、石油石化(长输管线)、轨道交通(高铁横风、隧道、汇车)、核电(冷却系统)、新能源电场气候建模
  7. 投资方背景(同一批报道):中财财投为财政部下属中财金控投资有限公司旗下的专业投资机构,投资策略聚焦国家关键技术进口替代、重点赋能具备突破「卡脖子」难题能力的高科技企业
  8. 技术背景(公开资料):格子玻尔兹曼方法(LBM)模拟介观分布函数的碰撞与迁移,宏观量由分布函数的矩得到;优势是复杂几何边界处理简单、天然并行、适合多相流与多孔介质;劣势是可压缩性与高雷诺数稳定性、内存开销大;商用 LBM 软件(如 PowerFLOW)在汽车气动领域有稳固地位
  9. 技术背景(公开资料):有限体积法(FVM)是传统 CFD 主流,成熟、验证充分,但复杂几何网格生成困难;汽车外气动属「复杂几何 + 中等雷诺数」,是 LBM 的优势场景
  10. 技术背景(公开资料):脉冲神经网络(SNN)的事件驱动特性理论上能耗低、适合神经形态硬件;训练难度高于传统网络(脉冲不可微,需 surrogate gradient 等技巧);与 LBM 的结合可能路径含替代碰撞算子、子网格建模、多尺度耦合
  11. 技术背景(公开资料):商用 CFD 在汽车外气动上的验证精度(与风洞对比)通常在 3%-5%,学术基准(Ahmed body、DrivAer)误差也在该量级;风洞本身测量不确定度约 1%-2%
  12. 竞争格局(公开资料):汽车外气动商用软件含 Fluent、STAR-CCM+、PowerFLOW(LBM 路线)、CFX 与开源 OpenFOAM;AI CFD 竞争者分代理模型类(PhysicsX、Vinci、Neural Concept、适创、舜云)与求解器重写类(数智脉进、以及少数 PINN 直接求解的公司);国产 CFD 公司多在 FVM 路线追赶(十沣、云道)

本报告依据公开资料整理,不构成投资建议。公司未上市,收入与客户未披露;误差、速度、精度等性能宣称均为公司口径,无第三方复现或公开基准,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。