英偉達PhysX奠基人張立華入局物理 AI，帶隊自研新一代物理世界模型Fysiverse｜獨家

你有沒有想過一個問題，AI能寫詩、能畫畫、能幫你寫周報，但如果你讓它控制一臺真實的機器人走到桌前，拿起水杯遞給你，它會捏碎杯子，或者撞翻桌子，或者干脆找不到杯子在哪。

這不是機器人不夠靈巧，而是它根本不知道杯子是易碎的。

2026年，世界模型成了AI圈最擁擠的賽道。資本涌入，創業者扎堆，但大多數模型做的是同一件事，從海量視頻里學規律，卻沒有學會世界怎樣運轉。它們能生成以假亂真的畫面，卻回答不了一個三歲小孩都能回答的問題，“推一下積木，它會倒向哪邊？”

這也是為什么，我們在和飛捷科思創始人張立華教授對話時，他反復強調：“完全靠統計學習不能帶來可靠的物理參數。”

張立華可能是中國最懂物理引擎的人。二十多年前，他在美國Ageia公司主持研發了第一代PhysX物理仿真引擎，參與設計了世界第一顆物理仿真加速芯片PPU，該引擎在被英偉達收購后，張立華也主導了該引擎向GPU的遷移優化。回國后，他擔任復旦大學長聘特聘教授、智能機器人與先進制造創新學院副院長，2022 年當選中國人工智能學會會士。

聯合創始人、CTO楊鼎康是張立華培養的復旦大學博士、港中文MMLab博士后，中國人工智能學會清源學者入選者，此前任字節跳動視覺語言基礎模型團隊首席研究員。他先后集齊了國內幾乎所有“大廠”的頂尖人才計劃Offer，卻選擇了加入這家初創公司。聯合創始人、CEO于偉擁有豐富的產業經歷與管理運營經驗，是張立華在清華擔任班主任時的“學生”。這樣深厚的師生信任構成了團隊的底層紐帶。

2024年飛捷科思成立，公司的名字從Physics化出，取復旦（Fudan）之首字母，成了Fysics。

與當前大多數以視頻預測和像素生成作為主要路徑的世界模型不同，飛捷科思選擇從顯式物理模擬切入。他們以完全自研的Fysics可微分物理仿真引擎為底座，把牛頓力學等第一性原理直接編碼進模型，用確定性物理方程替代統計猜測，創新研發了全新一代物理世界模型Fysiverse，從源頭解決物理幻覺。沿著這條路，他們先后構建了Fysics物理引擎、MoziSim具身仿真訓練平臺、OmniFysics全模態物理AI基礎模型、Fysiverse物理世界模型、 FysiData物理 AI 數據工廠和FysicsWorld/Eval評測基準等，形成了從引擎到應用層的完整技術棧。

不久前，飛捷科思完成了Pre-A輪融資，累計數億元人民幣，投資方包括經緯創投、東方富海、沐曦股份、馳星創投、鼎峰科創、硅港資本、云啟資本、常壘資本、長石資本等十余家機構。其中GPU芯片企業沐曦股份不僅出資，還與飛捷科思聯合發布了全棧國產化物理AI仿真訓練工作站 FysiStation，軟硬一體深度綁定。

我們與張立華和楊鼎康聊了2個小時，話題從英偉達PhysX的技術傳承延伸到世界模型熱潮中的冷思考，從顯式物理模擬的技術壁壘聊到礦山和工廠里的真實落地。

以下對話經智客ZhiKer編輯。

（左張立華、右楊鼎康）

一、世界模型賽道的喧囂與真相

智客ZhiKer：世界模型的概念今年非常火，拿到融資的企業也很多，其中有不少年輕創業者，您怎么看？

張立華： 世界模型之所以受關注，是因為現有模型泛化性不夠，受控場景還行，環境一變就不靈。世界模型借鑒了認知科學的思路，人做復雜動作前會先在腦中預測，世界模型就是在模擬這個過程，幫助機器人提升泛化能力。

很多公司做的世界模型主要服務視頻生成、游戲娛樂，看起來像就行。但要服務具身智能和物理AI，遠遠不夠。最終哪條路線能落地，還得看物理真實性夠不夠、端側實時性能跟不跟得上，這些都需要時間檢驗。

楊鼎康： 世界模型在2026年成為繼大語言模型之后最受矚目的技術趨勢。隨著開源生態成熟、算力獲取便利，門檻確實在降低。現在很多年輕創業者在本科甚至高中時就能接觸先進AI框架和云算力，他們對新范式的敏感度和快速迭代能力是傳統研發體系難以比擬的。

熱潮之下也需要冷思考。面向具身智能和產業落地的世界模型，核心挑戰不在于畫面是否逼真，而在于如何更好地模擬符合物理規律的交互。許多年輕團隊在視頻生成層面表現出色，但對物理世界的復雜性、工程化落地的長周期和高壁壘理解還不夠。從讓視頻更逼真到讓機器人不摔倒，中間隔著對經典力學、材料科學、控制理論等底層原理的深刻理解，以及將這種理解轉化為高精度實時工程實踐的能力。我和張老師，一個非常資深、對底層原理理解深刻，一個相對年輕、跟得上技術迭代，這樣打配合是構建核心壁壘更好的模式。

智客ZhiKer：世界模型公司融到錢之后，錢主要花在什么地方？

張立華： 模型的訓練對算力需求很高，資金主要投在這個方向上。世界模型的技術路線還沒有收斂，大量資金要用于探索怎么構建一個真正能落地的世界模型。

智客ZhiKer：李飛飛將世界模型分為渲染器（Renderer）、模擬器（Simulator）、規劃器（Planner）三類，你們認可這個分類嗎？

張立華： 我看過她那篇文章。不算嚴格的學術論文，但她把混亂的世界模型概念做了一次梳理，對業界理解這個領域幫助很大。

楊鼎康： 早期世界模型的分類主要有幾派。一是純Diffusion架構，像Sora、Cosmos這類視頻生成路線；二是楊立昆的隱變量路線，通過海量視頻用對比學習學概率分布，但不主張重建像素；三是以李飛飛World Labs為代表的點云3D表征路線。

李飛飛新的“三分法”做了一次概念糾偏。渲染器負責輸出觀測，涵蓋Diffusion派和3D表征派；模擬器負責推演狀態，她強調顯式模擬，認為動力學、物理、幾何才是世界的本質，這是引擎帶來的第一性原理，但目前做的人很少，世界上真正自研模擬器完整架構體系的，除了英偉達可能就是我們；規劃器負責輸出動作，包括具身大腦模型、VLA模型和World-Action Model。

下一代能真正落地的世界模型，需要把這三者結合起來。我們算是國內率先走“顯式物理模擬器×生成式渲染器”路徑的團隊，這是下一代的方向。

智客ZhiKer：從英偉達PhysX核心研發負責人到回國創辦飛捷科思，促使您做這個決定的契機是什么？

張立華： 物理引擎這件事最早我從2003年就在做了，一直做到2010年底回國。2020到2021年又重新拾起，當時有兩家大廠找過來合作。

過去物理引擎主要服務游戲和影視特效，追求視覺真實。但工業數字孿生興起后，情況變了，數字孿生最大的價值不是3D渲染像不像，而是通過機理建模對實體甚至還沒建的實體做預測，指導產線優化。物理仿真恰恰是機理建模最重要的基礎。

英偉達的動作也印證了這個判斷。黃仁勛把Omniverse定位為Physical AI的操作系統，將Computer Graphics、Physics和AI并稱為英偉達的靈魂。我看完觸動很大，物理仿真不只是做游戲了，中國也需要這樣的底座能力。我一開始想用研究機構的形式推進，但可能理念太超前了沒有得到響應，所以后來決定用企業化的方式做起來。

2024年中，我跟我們CEO于偉聊了這件事，他是我在清華擔任班主任時帶過的“學生”，彼此信任很深。楊鼎康是我在復旦培養的博士生，拿過很多頂尖人才的Offer，最近還入選了中國人工智能學會清源學者，他認同我的關切，放棄大廠優厚職位加入進來。我們希望能一起做一家偉大的公司，為物理智能時代做點力所能及的事。

智客ZhiKer：楊博士，您當時拿到了幾乎所有大廠的頂尖人才計劃offer，為什么選擇加入一家初創公司？

楊鼎康： 據我觀察，大廠主要還是聚焦在會感知、會理解與生成的技術范式上，通過海量數據統一建模。但我認為，下一階段的智能化對象不再是網頁文件或多模態感知，而是機器人、工廠這些落地場景，這就是物理智能。

加入創業公司，能夠對技術方向有更大的自主權，能真正為下一代技術做出令人印象深刻的東西。同時，我堅信張老師帶領我們做的引擎和物理仿真技術，在商業價值上有根本性的躍遷。

二、模型創新與數據基建

智客ZhiKer：飛捷科思開辟了一條全新的世界模型技術路線，用可微分物理引擎作為底座，解決物理幻覺、推理失效、場景崩壞這些問題。為什么選擇這條路？

張立華： 現在基于統計學習的方法，更像是在訓練一種物理直覺。人和動物沒有系統學過物理，靠日常觀察和交互也能積累預測能力，這跟今天大多數世界模型做的事情類似。但直覺有局限，緊急或信息不全時它能幫你快速決策，卻不能保證決策的準確性。

同時，物理AI、機器人操作需要的不只是定性判斷，是定量的物理參數，摩擦系數、材質軟硬、內部有沒有裝東西。同樣形狀的一個杯子，紙杯、塑料杯、金屬杯、陶瓷杯，空的和裝了水的，差別巨大。如果只讓機器人看視頻做模仿學習，它學會的是動作的形式，不知道該抓哪里、使多大力。

完全靠統計學習，永遠拿不到可靠的物理參數。再厲害的物理學家，不給他紙筆和計算器，讓他心算一個物體在什么時間運動到什么位置，恐怕他也沒辦法。物理引擎的作用就在這里，它提供一個能精準可靠進行物理計算的基礎設施。

輸入提示詞：Four cabinets are on the ground, and the first cabinet on the left falls to the right, causing the others to fall as well.地上放著四個柜子，最左邊的那個向右倒下，結果把其他的柜子也帶倒了。

Fysiverse 與前沿世界模型生成結果對比

楊鼎康： 我們的物理世界模型Fysiverse，走的是顯式物理模擬器加生成式渲染器的新一代路徑。模擬器這個技術方向包括李飛飛在內的資深學者都提過，但目前仍然處在早期階段。

顯式物理模擬器就是我們的Fysics引擎，基于牛頓力學、連續介質力學等經典物理定律和數值方法，從第一性原理計算物體怎么動。相當于用物理公式從頭推導一個現象，而不是像大多數世界模型那樣從海量視頻里學像素關聯、讓模型去猜物理規律。

這條路有三個核心優勢。第一是準確性，顯式模擬基于確定性物理方程，在剛體、軟體、流體交互等復雜場景中精度遠超統計模型，這對機器人操縱和自動駕駛決策很關鍵。第二是可解釋性，模擬器演化的每一步都能追溯到原始的物理參數和方程，方便復盤、調試和認證。第三是泛化性，面對訓練數據里從沒出現過的極端場景，基于第一性原理的物理仿真比依賴數據統計的模型更魯棒。

另外，我們也在跟國產芯片和算力做適配，這是未來純國產自研模型在商業化上的一個重要優勢。

智客ZhiKer：Fysics、OmniFysics、Fysiverse，這三者之間是什么關系？

楊鼎康： Fysics是底層的物理仿真引擎，基于經典力學從第一性原理算物體怎么動，是整個技術棧的地基。OmniFysics是跑在引擎上面的物理AI基礎模型，負責理解物理世界，識別物體的材質、物理屬性，推斷未來狀態。Fysiverse是世界模型，面向應用層，把引擎和模型的能力整合起來，生成可以交互的物理仿真場景。

智客ZhiKer：Fysics實現了剛體、柔體、流體的統一求解，能不能舉一個具體例子，幫我們理解模型怎么一步步指導具身智能？

楊鼎康： 對于軟的還是硬的，測算過程背后的運作機理是類似的。給模型一個觀測，模型會通過Real-to-Sim過程對物體的物理屬性和參數進行辨識，摩擦力、質量密度、楊氏模量、屈服應力等，不同材質的質量分布完全不同。辨識出來后，在3D場景中孿生出它的表征。

無論軟體、流體還是剛體，我們的引擎對不同材質的最小化表征進行統一建模。有了統一建模后，引擎就可以統一進行未來狀態的推演，給它一個力它會怎么動，推它一下會發生什么，在給定建模條件和參數邊界下，進行更接近真實物理規律的狀態推演，這就是世界模型生成的過程。

Fysics可微分物理引擎模擬的擦桌子任務-訓練中

Fysics可微分物理引擎模擬的擦桌子任務-訓練后

智客ZhiKer：OmniFysics在模型層面做了哪些創新？

楊鼎康： OmniFysics的創新主要有三點。

第一，全模態架構。我們認為下一代物理AI時代的交互一定是全模態的，不僅僅是圖片和文字，還包括聲音、觸覺信號等多維感知。

第二，動靜結合的物理數據構造中樞系統。這套系統管線是構造海量符合物理定律的訓練數據的核心創新點。傳統方法要么靠人工標注，要么靠視頻爬取，兩者都無法保證物理一致性。我們用Fysics引擎本身來生成和驗證訓練數據，形成了一個引擎生成數據、數據訓練模型、模型反哺引擎的正向循環。

第三，引擎與模型端到端優化。因為Fysics是可微的，我們可以在訓練過程中把模型跟引擎進行端到端優化。這相當于把牛頓定律、胡克定律等物理公式直接作為先驗知識和約束條件編碼到模型學習過程中，使模型不再需要從零開始、耗費巨大算力去猜測這些規律，而是被引導著去學習和遵守。

這也是為什么我們3B參數規模的性能能超過7B、8B參數模型，并在國際多個物理智能評測權威基準上取得綜合排名第一的核心原因。這種范式的改變，使模型能夠真正理解物理，而不只是看起來像。

智客ZhiKer：OmniFysics模型是怎么訓練的？

楊鼎康： OmniFysics是一個全模態的物理AI基礎模型，不是具身Action模型，所以訓練不需要遙操數據。它需要的是對物理世界理解的幾個維度的數據，目標是提升真正的物理感知能力。

訓練中主要增強了幾個能力維度。一是物體的識別和區域定位能力；二是物理屬性綁定能力，把可見對象與材質相關聯，進一步給出質量、密度、剛度、楊氏模量、摩擦力等數量級估計；三是物理趨勢推斷能力，根據給定的物理屬性判斷物體未來狀態的演化過程，是否會滑動、停止、晃動、彎曲、破碎或保持穩定；四是全模態事件復原能力，模型不僅要概括事件，還需要保留對物理世界的全模態理解，包括畫面、環境聲音、語音、動作順序和結尾狀態等；五是物理過程解析能力，把一個物理事件拆解成完整的過程鏈，從對象到動作到接觸到狀態到狀態變化再到結果，使模型具備類似人類大腦思考的完整物理感知思維鏈。

智客ZhiKer：數據采集方面呢？

楊鼎康： 我們和詮視科技聯合開發了一款數據采集終端FysiData-Ego。采集時人穿戴設備做動作，系統將人的雙臂動作實時映射到機器人的機械臂上。

但人能做的動作，機器人不一定能做，關節角度超限、速度過快、即將發生碰撞，Fysics引擎在采集過程中就會實時檢測并攔截，不用等采集結束才發現數據不可用。同時OmniFysics模型會實時標注場景中物品的物理屬性。

傳統方式是先采集大量數據回去再清洗，導致很多數據最后不能用。現在是現場就能判斷數據是否有效，無效數據大幅減少，后期處理成本也降下來了。

三 、中國需要自己的物理AI底座

智客ZhiKer：Fysiverse世界模型目前的進展如何？

楊鼎康： 已經有多家具身大腦公司和機器人本體公司跟我們簽了POC，用我們的模型在工業現場和具身場景里生成物理真實的數據。再往后，我們會作為技術中臺，幫其他模型補上物理理解這塊能力。

產業上兩個合作比較有代表性。一是跟拓斯達做的工業物理世界模型，把工廠里的工藝數據、傳感數據、生產數據喂進去，能直接生成帶物理屬性的產線場景，零件的剛度、形變、摩擦、負載這些參數都自帶，不用再手動設。二是跟博雷頓做的礦山場景，從仿真訓練到實車部署再到數據回流，跑通了Sim-to-Real閉環。礦山里最大的痛點是安全和效率，能不能提前預判地質災害、車輛碰撞、人機干涉，能不能把運力和能耗優化下來。我們提供的物理判斷能力，本質上是幫礦山無人化少走彎路。

智客ZhiKer：未來開源的比例大概是多少？

楊鼎康： 三分之一左右，分階段逐步開源。我們擁抱開源，生態做好了，對公司長期發展一定是加分的。

智客ZhiKer：你們和沐曦的合作進展如何？

張立華： 已經聯合發布了物理AI仿真訓練工作站 FysiStation。飛捷科思提供軟件技術棧，沐曦提供GPU算力，雙方提前完成適配，打包成一臺工作站。做物理AI有一個很大的痛點，就是軟件和硬件對不上，軟件等芯片適配，芯片等軟件調優，周期很長。我們把這層工作提前做好了，客戶拿到手就能直接用。目前有不同檔位的配置，教學、科研到應用場景都能覆蓋。

智客ZhiKer：兩三年之后，您希望外界怎么去看飛捷科思這家公司？

張立華： 飛捷科思以完全自研的可微分物理仿真引擎為底座，構建OmniFysics、Fysiverse等物理AI大模型，從引擎、數據、模型到應用層，打造一套完整的技術底座，為行業落地提供支撐。

放眼全球，物理AI產業才剛剛啟程，各國都站在同一起跑線。我們依托自研新一代可微物理引擎，打造中國人原創的世界級技術底座，立足本土，面向全球，用原創技術定義物理智能的未來。（本文首發鈦媒體APP，文 | 智客Zhiker，作者｜郭虹妘，編輯｜蓋虹達 ）