北大数院戈登贝尔奖得主下场：破解物理AI“准与快”死结

精准击穿了行业长期悬而未决的 “准” 与 “快” 两大核心痛点。

当具身智能与物理 AI 的产业热度持续攀升，落地难却成了全行业无法回避的尴尬：虚拟环境里训练完美的策略，一上真机就频频失效；依赖云端算力的部署方案，到了真实应用就被延迟与成本击碎……“仿得不准、算得太贵”成为物理AI从实验室走向现实、从demo演示走向真实生产力的最大死结，把物理AI的落地路径和规模化商用卡在了“最后一公里”。

近期，这个行业公认的死结有望迎来最有力的破局者。由北京大学数学科学学院教授、我国首位戈登・贝尔奖获得者杨超创办的壹零壹壹科技（1011.AI），带着计算数学与高性能计算领域二十年的深耕积累下场。在杨超教授看来，物理AI的落地困境本质上是“算法—算力—场景”三者之间的系统性失配，整个行业需要从底层重构物理 AI 技术范式。

这支曾登顶全球超算之巅的团队，把国际顶尖的数值方法与并行计算能力转化到物理 AI ，着力打造“高精度物理仿真+全栈高性能计算”双根技术，精准击穿了行业长期悬而未决的 “准” 与 “快” 两大核心痛点。

资本的嗅觉往往最为敏锐。壹零壹壹公司自2026 年6月成立以来短期内已完成过亿元融资，成为物理 AI 基础设施赛道最受关注的新锐玩家。天使轮投资方包括峰瑞资本、华控基金、北京信息产业基金、上海未来产业基金、道禾长期投资等头部市场化及国资机构，同时另有多家产业资本参与本轮投资。据悉，天使+轮也已经在陆续交割中。

一、物理 AI 的本质考题：不准不快，都是空谈

在杨超看来，物理 AI 与数字 AI 有着本质分野：数字 AI 的推演发生在虚拟信息域，误差只是输出结果的偏差；而物理 AI 要驱动实体机器人与真实世界交互，每一次计算误差，都会转化为真实的物料损耗、产线停摆甚至安全风险。

从第一性原理出发，“准” 与 “快” 不是优化方向，而是物理 AI 落地的硬性入场券。

准，是结果可靠的底线。抓取力度差一牛、运动轨迹偏一毫米，任务就可能失败；接触、形变、摩擦的计算偏离真实规律，仿真训练出的策略就无法在真机复用。

快，是实时执行的前提。真实场景中，物体滑落、接触碰撞、产线流转都发生在毫秒级，核心控制闭环必须在本地完成，无法完全依赖云端算力的传输与调度。

但行业现状恰好卡在这两个关口。“准” 的层面，真机数据采集是当前主流路径，但成本高、周期长，极端与危险场景无法复现，且数据质量高度依赖操作人员水平，人的能力就是数据质量的天花板。物理仿真本应是破局答案，却陷入了两难：主流 AI 仿真大多脱胎于图形学引擎，天生以视觉观感为核心，接触、形变、流体等物理过程大量采用近似处理，并不严格遵循物理定律，直接导致 Sim2Real（仿真到真实）的鸿沟难以跨越；

传统工业仿真精度足够，但计算效率低了数个数量级，单次复杂仿真动辄耗时数天，根本无法支撑 AI 模型大规模训练的数据需求。“图形学仿真不够准，工业仿真不够快。物理 AI 要往前走，必须有一套原生的、同时兼顾高精度与高效率的仿真引擎”， 杨超的判断直指行业本质。

“快” 的层面，多数落地方案依赖集中式云端算力，可传输延迟、网络波动都是不可控风险。更现实的问题是，工业产线有固定节拍、零售场景有成本约束，端侧算力不足、模型跑不动、时延压不住，就永远匹配不了真实作业的节奏。

准度决定能不能用，效率决定能不能规模化。这两个死结不解开，物理 AI 就永远走不出实验室 Demo 阶段。

二、破解 “准” 的难题：从底层重做原生物理仿真引擎

一支做超算的团队为何能做好物理仿真？答案是能力同源。十年前杨超带领团队在国产 “神威・太湖之光” 超级计算机上，实现全球首个千万核可扩展非静力大气动力学全隐式模拟，求解规模超过 7700 亿未知数，核心要求就是：既准，又快。这套全隐式求解、多物理场耦合、大规模并行计算的底层能力，平移到物理 AI 场景，是天然的技术降维。

针对仿真失“准”的行业痛点，壹零壹壹自研了物理仿真引擎 “谐物”，从诞生之初就跳出 “重画面、轻物理” 的行业惯性，把误差控制贯穿资产构建、物理求解到轨迹输出的全流程，目标只有一个：让数字世界的每一次交互，都无限贴近真实物理规律。

这套高保真能力，拆解为三个可落地的维度：

第一是资产真。不同于传统仿真只做几何外观的 3D 模型，谐物搭建了覆盖刚体、铰接结构、柔体、布料与线缆、液体、颗粒等类别的数千个可复用物理资产，每一项都附带完整的材料参数、物性属性与场景边界条件，是能真正发生力学交互的数字实体，从源头消减仿真偏差。

第二是引擎真。团队从底层自研求解器，严格遵循物理定律计算接触碰撞、摩擦形变、刚柔耦合、刚流耦合等复杂物理过程。机械臂抓取柔性物件、灵巧手操作海绵、物体在液体中浮沉等典型场景，都能实现高置信度模拟，不再靠视觉效果 “凑数”。

第三是轨迹真。依赖严谨的数学计算，仿真输出的每一条动作轨迹，都严格满足动力学约束与执行器极限，确保训练出的策略可直接向真机迁移，从根本上避免 “仿真满分、真机零分” 的尴尬。

精度拉满的同时，成本并没有水涨船高。团队通过自适应建模、AI 加速数值方法、隐式求解与大规模并行计算多维度协同优化，进一步实现了“少算、快算、大步算、并行算”等核心技术，在保证精度的前提下大幅压低计算成本。目前公司的仿真平台，在求解精度跻身行业第一梯队。更重要的是，团队没有陷入“纯仿真”的极端路径。在杨超看来，仿真追求极致精度，但真机数据仍有不可替代的校准价值。两者形成正向循环：用仿真低成本扩展样本空间、生成超越人类操作习惯的最优轨迹，用真机交互数据修正仿真参数、验证落地效果，才能真正缩小 Sim2Real 的差距。“虚实融合，可能是这个行业所需达到的根本性终局”，杨超说。

三、打通 “快” 的堵点：把超算能力沉到端侧

仿真解决“训练对不对”的问题，高性能计算则解决 “落地贵不贵、跑不跑得动” 的问题。 壹零壹壹没有把高性能计算当成配套工具，而是作为独立的根技术主线，打造了端侧高性能推理框架 “扶摇”，直戳“算得太贵”要害：不用堆砌昂贵的高端硬件，也能跑出满足工业节拍的实时性能。

杨超有一个明确的判断：实现端侧高速推理、摆脱对云端算力的单一依赖，是物理 AI 走向真实可落地的一道硬门槛。这个判断的依据完全来自产业现实：工业产线的节拍不会等云端传输延迟，零售场景的成本扛不住专属算力盒子，更广泛的普惠场景，更不可能为每一台机器人配置高端边缘算力。物理 AI 要规模化，必须能在不同层级的硬件上，以可接受的成本跑出实时性能。

这种跨架构、跨算力层级的深度适配能力，价值远不止于 “提速”：对机器人企业而言，不用盲目升级硬件就能满足作业节拍要求，直接降低部署成本；对芯片厂商而言，软件优化能充分释放硬件潜力，快速拓宽物理 AI 的应用场景。既能为客户节省硬件成本，又能为客户提生产效率，这也正是底层技术的核心产业价值。

四、商业化跑通：从生态到场景，全产业链验证落地

技术好不好，最终要看客户愿不愿意买单。成立短短数月，壹零壹壹的技术底座已经快速拿到全产业链的落地验证。

在上游生态侧，公司已与头部大模型厂商开展仿真数据合作，获邀参与具身智能评测榜单的仿真环境共建，进入多家云厂商的仿真引擎供应商清单；端侧推理框架也与国内头部芯片厂商推进联合适配，共同优化边缘算力下的运行性能。

在下游产业侧，这套全栈能力已经落地零售客户，开展深度合作。对场景方而言，物理 AI 落地的诉求高度一致：部署周期短、综合成本可控、能匹配真实作业节拍。而壹零壹壹的技术组合恰好精准命中需求：

高保真仿真大幅降低了真机数据采集和方案调试的成本，新场景、新物体的适配周期大幅缩短；

端侧推理优化保障了现场作业的效率与稳定性，不用依赖云端就能跑通生产流程。

相较于demo展示的行业普遍，壹零壹壹已经迈出产业落地的实质一步。

五、硬核且差异化的Infra能力收获多家头部市场化机构加持

物理 AI 赛道从不缺概念与热度，但潮水退去，终究要回归产业本质。

“政策与产业需求的共同推动，正在为中国物理AI打开规模化应用空间，其发展重心将进一步转向理解真实工况、可靠执行任务，并在制造、能源、交通、航空航天等产业中创造可衡量的提质增效价值。壹零壹壹选择的不是追求快速堆叠场景的故事性，而是沉下心打磨仿真与计算两项根技术；不依赖前沿概念放大估值迅速融资，而是用产业落地验证技术价值。这条路不喧嚣，但足够扎实；这条路不讨巧，但足够接近物理 AI 的本质。”——天使轮领投方，知名投资人峰瑞资本创始合伙人李丰总结道。

天使轮核心投资方，华控基金董事长张扬补充道：“对于一级市场而言，物理 AI 的投资逻辑也正在发生变化：从追逐场景应用的短期故事，转向布局底层基础设施的长期价值。仿真与计算是物理 AI 的通用底座，不依赖单一赛道，却能赋能全场景，具备极强的复用性与产业穿透力。从用数学公式描述物理规律，到用超算能力求解复杂系统，再到用技术赋予机器人真实行动能力，壹零壹壹走的是一条 ‘从底层向上击穿’ 的路径。当行业都在向上卷应用、卷场景时，向下扎根底层技术的玩家，反而会构建起最深的护城河”。

硬科技创业从来不是一场短跑，而是一场需要耐心与定力的马拉松。可以预见，随着物理AI从实验室涌向千行百业，底层技术的厚度，最终将决定产业能走多远。而壹零壹壹正在做的，就是为中国物理 AI 产业，筑牢可信、高效的数字地基。