独家对话极映科技高鑫：我们为什么要做一个比Sora难10倍的物理世界模型？｜甲子光年

如果底层范式不改变，工业仿真将成为工程创新的天花板。

作者｜周悦

编辑｜王博

2025年7月，硅谷完成了工业软件史上最昂贵的一笔交易：半导体设计软件龙头新思科技以350亿美元收购仿真巨头ANSYS。

几乎同期，PhysicsX、Neural Concept等AI工业软件公司相继完成1亿美元级融资。

这意味着资本正在达成共识：AI时代，预测物理世界的能力需要被重新定价。

在半导体、航空航天等领域，物理仿真仍受困于传统范式。一轮复杂计算往往耗时数日，工程师被困在网格划分与参数调试中。

正是这一长期低效，催生了物理世界模型公司极映科技。

今天，「甲子光年」独家获悉，极映科技连续完成了数千万元的种子轮及天使轮融资。其中种子轮由奇绩创坛投资，天使轮由元禾璞华领投，未来光锥跟投。远山资本担任独家财务顾问。

这家公司并非从风口起步，而是源于创始人高鑫十年前的切身体验。作为迈阿密大学博士、密西根大学博士后，高鑫一直从事仿真与AI研究工作。但在早年为了跑通数值算法，他曾需对着医学影像手动点击上千次鼠标，清洗“脏”数据。

这种对耐心的极致消耗，让他逐渐确认了一件事：如果底层范式不改变，工业仿真将成为工程创新的天花板。

为了击穿这个天花板，高鑫与两位联合创始人组成了一个高度互补的技术“铁三角”：邱康（武汉大学博士）曾任鹏城实验室算法工程师及航天科工副主任设计师；李福华（清华大学博士）则拥有机器人与半导体双重博士后背景，曾任半导体公司研发高管。

三位技术老兵积累了超过30年的物理仿真与软件研发经验，这种配置恰好精准覆盖了半导体与航空航天，这两个对仿真要求最苛刻的领域。

在当下的AI语境中，极映常被归入“世界模型”的讨论。高鑫指出，当前主流模型更多是通过视频学会“物体看起来如何运动”，却难以回答“为什么会这样运动”。

而工业仿真几乎没有容错空间，它要求的是物理上绝对成立，而不仅仅是视觉合理。一次微小偏差，可能意味着试产失败、材料浪费，甚至安全风险。

因此，极映选择了一条更窄、更硬的路径：跳出流体、结构、热学等物理场割裂体系，回归质量与能量守恒的底层定律，让AI直接学习偏微分方程的共性，补上世界模型中缺失的物理内核。

这条路径并不平坦。在基于开源架构修补一年后遭遇泛化瓶颈，高鑫做出一次典型的工程师式决断——推倒重来，从底层重构架构。

这一选择带来了质变：相比传统仿真数值方法，极映的物理世界模型，把反馈周期从“天”压缩至“秒”，响应速度百倍于传统仿真。

这种对物理一致性的极致追求，引起了工业界之外的关注，包括米哈游在内的游戏团队也曾主动交流，在虚拟世界中构建可信的物理边界。

近期「甲子光年」独家专访高鑫，和他聊了聊工程领域是否会迎来属于自己的“GPT-3.5 时刻”，以及物理仿真的终极形态。

谈及未来，他的回答带着些哲学意味：“如果有一天，我们真的能把真实世界极致地映射出来，或许意味着，我们已经具备了创造其他世界的能力。”

在投资人眼里，极映不仅是 AI for Science 新范式下的突破性样本，更代表了下一代世界模型的分水岭——从视觉上的“像”，走向物理上的“真”。

元禾璞华董事总经理陈瑜认为，极映1.0物理仿真大模型是0—1的全新的创新，它将有效解决多物理场仿真耗时长、成本高、耦合难的行业痛点。

未来光锥前沿科技基金创始合伙人姬十三表示，极映科技有望解决传统数值仿真的长期难题，应用前景横跨工业研发、具身智能与科学研究多个领域。

奇绩创坛则认为，极映选择高精度、多物理场的工业级仿真切入，用最苛刻的场景证明通用性，这是一条更难但更正确的路。

1.跳出“解方程”的思维范式

甲子光年：提到世界模型，大家可能会先想到Sora、Genie，还有一些自动驾驶模型等，你们做的世界模型和那些有什么不同？

高鑫：目前世界模型主要有两类：一类以Sora为代表，生成视觉逼真的内容，再逐步加物理约束；另一类是自动驾驶，聚焦于轨迹和动力学。

极映走的是第三条路：覆盖更广的物理场（流体、热、电磁等），且优先确保物理规律的准确对齐，而非只是视觉逼真。我们想做的是工业级的物理基础模型。

极映科技整体框架，图片来源：受访者供图

甲子光年：“对齐物理规律”这件事有多难？如果从1到10打分，你会怎么评估？

高鑫：如果游戏场景的难度是1—2分，具身智能（依赖物理直觉）是5—6分，那么工业级应用就是9—10分。因为工业场景没有“差不多”，结果必须严格可验证。

甲子光年：既然这么难，为什么要选择做物理仿真的世界模型方向？

高鑫：最开始其实完全是从我自己的痛点出发的。

十年前读博时，我做的是医疗仿真。为了从CT影像中重建人体器官的几何结构，我遇到的最大痛点不是复杂的方程，而是几何清理。医学影像的数据非常“脏”，但传统数值算法极其脆弱，对几何质量要求极高。

为了跑通一个仿真，我往往要花小半天时间，手动点击几千次鼠标去修补网格——修一轮、跑一轮，报错了就要重来。这件事几乎没有技术含量，但极其消耗耐心。

这种重复劳动让我意识到：如果仿真工具一直停留在这种对变化极不友好、极其消耗人力的状态，它本身就已经成为了工程创新的阻碍。

更令人遗憾的是，过去十年，传统仿真软件的进步非常有限。它们更多是依赖硬件红利——CPU更强了、算力更高了，只是速度更快而不是算法本身有了突破。

这也促使我思考，数值求解只是解决物理问题的一种方法，不应该是唯一的方法。我们需要一条更适合今天研发节奏的新路径，这也是我后来转向AI与仿真结合的原点。

甲子光年：传统仿真软件通常把流体、结构、热学分开建模，而你们强调统一建模，为什么？

高鑫：传统软件的割裂是受限于数值算法，我们最大的挑战在于跳出“解方程”的数值思维。

如果还停留在传统的数值思维里，用数值算法的方式去看问题，就很容易觉得不同的偏微分方程——比如椭圆型、抛物型这些——在数值处理上天然就需要用完全不同的方法来解决。

我们选择跳脱出这种数值算法的思维框架，回到物理本源，很多物理过程，本质上由梯度驱动，并受到连续性、守恒等基本原理约束。

我们把这些本源性的物理机制抽象成神经网络中的功能组件，每个组件对应一类核心物理过程，再将它们组合成完整的模型架构。

甲子光年：听起来最关键的一点，其实是思维方式的转变。在工程上有没有非常明确的难点？

高鑫：最重要的一点是，解决问题的底层方法、整个求解范式，发生了根本性的变化，这是一个非常大的挑战。

我们底层的模型架构也是完全自研的，能直接借鉴的成熟框架非常少，没有简单套用现成网络结构，这对研发是挑战很大。

甲子光年：如何判断模型生成结果是否可信、是否偏离真实物理世界的？这和传统仿真软件的方法有什么区别？

高鑫：传统的仿真软件，本质上是一个正向求解的过程。它的目标是把每一步数值求解都尽量算对，保证最终结果是对的。

而我们现在的方式不一样。我们是通过神经网络直接生成一个结果，但中间神经网络内部具体发生了什么，其实并不是完全可解释的。

你可以把它理解为：这个结果是神经网络“猜”出来的。所以关键不在于中间过程，而在于结果是否成立。

我们只需要把这个“猜出来的解”，重新带回原本的物理方程里，去检验它是否满足这些方程。如果满足，那这个结果在物理上就是成立的。就像小学做数学题，最后一步验算答案。

甲子光年：在什么样的场景下，更适合使用你们这种基于模型的方式？哪些情况下，传统数值求解方式更合适？

高鑫：我们目前最推荐的场景，是设计方案的快速比选与筛选。

在实际工程中，设计阶段往往会产生上百种候选方案。可以先用我们的模型快速筛选出三到五种相对更优的方案，再在最终校核阶段，使用传统仿真软件进行更精细、严格的数值验证。这是一种效率和可靠性之间比较平衡的用法。

航空发动机支架设计优化案例，图片来源：受访者供图

2.工程领域处于“GPT-3.5时刻”前夜

甲子光年：过去一次流体仿真要跑几个小时，但你们可以做到秒级响应。这种加速的关键原因是什么？对用户的研发工作流带来了哪些实质性的变化？

高鑫：本质原因在于求解范式的变化。传统数值仿真每一次都要“从头算起”，几何清理、网格划分、数值求解，流程非常重。而神经网络通过训练，已经学会了从问题设定到结果输出之间的映射关系。

在实际使用时，每一次仿真不是解方程，而是进行一次前向推理。这就像AlphaFold预测蛋白质结构一样，这种范式上的降维打击，自然带来了百倍的速度提升。

最核心的变化是从经验驱动转向了目标驱动。过去仿真慢，工程师更多依赖经验，只能在有限的十几个方案中做优化。

现在，既然仿真只需要几秒钟，我们就可以通过AI生成成千上万种结构方案，用相对“暴力”的方式在巨大的设计空间里搜索最优解。

这也意味着对人的要求变了：以前考验的是直觉，现在考验的是定义目标的能力——比如在半导体场景下，你能不能清晰定义晶圆表面的温差阈值？只要目标清晰，AI就能帮你找到那个最优解。

AI仿真与数值仿真速度对比，图片来源：受访者供图

甲子光年：你们提到过一个FDA血流泵的案例，R²>0.99。这样的精度指标在工程里算什么水平？

高鑫：精度指标必须结合具体场景来看。有些应用更关注一致性，做到0.9以上就可以接受；有些场景要求更高，可能需要接近0.999。

在这个医疗案例中，R²>0.99，意味着AI仿真和传统数值仿真在统计意义上已经高度一致，具备一定程度的可替代基础。

这并不等同于可以直接用于FDA申报。无论是AI仿真还是传统方法，都必须通过FDA的验证体系，这是一套独立于技术路径之外的监管要求。

甲子光年：模型兼具速度和精度，更多来自范式本身的优势，还是在架构上的设计？

高鑫：速度主要来自范式本身——神经网络相对于传统数值算法，天然就快，这是我们一开始就预期到的。但真正困难的是准确性。模型结构和高质量数据，是精度能够成立的两个关键前提。

我们的大量精力，其实都放在解决精度上，从零开始设计更适合物理问题的模型架构，同时在数据层面建立严格的质量控制体系。

甲子光年：要训练这个模型，最大的技术壁垒在哪里？是算力还是数据？

高鑫：相比于算力，数据质量才是真正的隐形壁垒。我们的预训练其实只用了少量A100，推理阶段甚至一张3090就能搞定。

真正困难的是让神经网络准确学习物理场，这需要极高的数据纯度。早期最痛苦的工作就是处理来自不同软件、不同工程师的“脏数据”。

为此我们建立了一套自动化的数据质检体系，比如验证残差大小到解的连续性等指标，最终只有通过严苛检验的数据才能进入训练。

甲子光年：你们现在的模型处于什么阶段？未来的演进目标是什么？

高鑫：我们正在从1.0的小样本微调，走向2.0的零样本通用。现阶段，用户最好提供少量历史数据来微调模型，以适配特定场景。

而随着参数量和数据覆盖度的量级提升，我们的2.0版本目标是覆盖90%以上的常见物理仿真场景，实现真正的开箱即用（Zero-shot）。

甲子光年：在物理或工程领域，“GPT-3.5时刻”具体体现在哪里？现在的进度条走到哪一步了？

高鑫：我个人非常相信一点：各个科学学科都会在相对短的时间内，陆续迎来属于自己的“GPT-3.5时刻”。

过去，工程创新被慢且重的仿真计算锁死，极大地限制了科研人员的探索空间。当仿真被极大加速后，情况就变了，只要有一个想法，几乎能即时拿到结果。这和AI Coding带来的变革非常像。当物理世界的验证也能做到“即时反馈”时，创新的爆发是必然的。

如果做一个类比，我认为物理仿真领域目前大约处于GPT-3.0或略高于3.0的水平。而我们计划在年底发布的2.0版本，目标就是将其推进到接近GPT-3.5的水平——那将是一个真正可用的分水岭。

甲子光年：在航空、半导体这类封闭的行业里，工程师过去并不使用你们这套工具，如何逐步建立起工程师信任的？

高鑫：信任一定是一个逐步建立的过程，大致可以分为三步。

第一步，是“工具化”。先用速度解决痛点，让工程师愿意上手

第二步，是“数据对齐”。用客户的历史数据跑一遍，对比传统仿真结果。

第三步，是“明确边界”。让用户清楚知道，哪些场景AI能从容应对，哪些极端场景仍需传统方法兜底。

目前我们最推荐的落地模式是快速筛选：先用AI快速从成千上万种方案中筛选出十几种，最后再用传统软件做最终校核。这是在效率与严谨之间找到的最佳平衡点。

甲子光年：这种方式在不同行业里都适用吗？比如半导体、医疗，会不会有明显差别？

高鑫：从物理仿真的角度看，本身是通用的。物理规律在不同行业里并没有区别，这一点和传统工业仿真软件是一样的。

真正的差异，主要体现在各行业对结果的要求以及验证体系上。不同领域、不同公司，会依据自身的行业规范和内部标准，对仿真结果进行核验和使用。

在项目初期，我们通常会和客户一起做验证，用实际数据来确认模型是否满足使用要求。

3.从“至暗时刻”到推倒重来

甲子光年：很多技术创业公司在早期都在寻找PMF（产品市场匹配）。极映是在哪个节点明确要走现在这条通用物理基模路线的？

高鑫：转折点大概在2020到2021年。起初我们的想法很务实，想的是改良，用AI去优化传统仿真中那些高人工成本的环节，比如几何清理、网格划分。这还是在传统计算工程（CE）的框架里修修补补。

但后来我意识到，这种修补无法解决根本问题。我们需要跳出原有体系，用AI直接去接管物理求解本身。也是在那时，我们确立了目标：不做单一场景的优化工具，而是做一个能覆盖多种物理场的通用物理基模。

甲子光年：走一条无人区的新路，中间有没有遭遇过“至暗时刻”？

高鑫：有的。在确定做基模后，我们曾基于学术界开源的架构做优化，整整打磨了一年，却始终看不到希望。

那套架构在思路上和传统数值算法很像，当时觉得更容易理解、也更安全，正是这种数值算法的惯性，让我们在早期选了那样一条路。但真正落地时发现，它的泛化性是死结：几何一换、物理场一变，模型就失效了。

那段时间确实非常自我怀疑，是能力不够？还是这条路根本走不通？面对一年的沉没成本，我们最终做了一个痛苦但关键的决定：推倒重来，完全自研一套算法架构。

甲子光年：这种“推倒重来”的决策风险极高，你们的跨学科团队是如何支撑这种快速迭代和试错的？

高鑫：这主要归功于我们团队的交叉判断能力。

我的两位合伙人是我回国后第一份工作的同事，一位深耕AI，一位专注仿真。这种组合的最大价值是判断快。

当模型跑不出结果时，纯AI背景的人容易盲目调参，纯仿真背景的人容易质疑物理原理。而我们能迅速凭直觉判断：问题究竟出在模型结构、数据质量，还是物理约束本身？

这种基于跨学科背景的快速定位能力，让我们在早期没有成熟工具可用的情况下，依然保持了极快的迭代节奏，最终走通了这条路。

甲子光年：你现在是怎么去吸引、说服一些比较厉害的科学家加入你们团队的？这件事对科学家的吸引力到底在哪里？

高鑫：虽然目前团队规模还不大，但要吸引科学家，核心在于展示“统一性”的魅力。我们想做的不是解决某一个具体方程，而是构建一个偏微分方程的通用AI求解平台。

过去，解不同的方程需要五花八门的方法，体系支离破碎；而我们试图用一套AI框架去覆盖大多数物理问题。对科学家而言，这种将复杂问题“大一统”的理论美感，本身就是最大的吸引力。

甲子光年：现在很多仿真巨头，比如Comsol也在引入AI，你们的做法和他们有什么本质区别？

高鑫：本质区别在于是做“副驾驶”，还是换“发动机”。仿真巨头们的AI更多是“使用助手”，教用户怎么设置参数、怎么排错，解决的是易用性问题，并没有改变底层的求解方式。而极映做的是范式层面的替换，直接用神经网络去完成物理求解的过程。

甲子光年：仿真软件巨头会不会转向用神经网络来做物理仿真？你们的壁垒主要体现在哪里？

高鑫：如果这条路线被证明是成功的，大厂未来一定会做。但目前的缺位就是我们的先发优势。

我们更核心的壁垒在于认知和判断，在“AI+物理仿真”这个方向上探索了接近十年，本身就是很难被快速复制的核心资产。

甲子光年：回到公司名字“极映”（极致映射）。有没有一种可能，未来某一天你们会跳出“物理学”的引力，不再执着于映射现实，而是去创造一个不依赖物理规则的全新世界？

高鑫：这是一个很有意思的悖论：要证明我们是否生活在虚拟世界里，最直接的方式，就是看我们自己能否创造一个足够真实的虚拟世界。

如果有一天，我们真的能做到对物理世界的“极致映射”，在数字世界中完整、稳定、可信地复现现实环境，那么基于同样的技术路径，我们自然也就具备了制定新规则、创造新世界的能力。

那可能不再是对物理现实的映射，而是对人类想象力的映射。这虽然遥远，但非常值得期待。

4.不卖软件，卖的是基础设施

甲子光年：你之前长期在高校任教，现在作为创始人，你是如何完成这个转变的？现在的极映更像实验室还是公司？

高鑫：这是一个本质的转变。做老师时，我对学术创新负责；做公司，必须对商业结果负责。

我们刻意避免把极映做成“学术实验室”。虽然我们在某些场景下的指标做到过业内最优，但这不是对外宣传的重点。

因为在商业世界里，最重要的不是benchmark刷了多少分，而是用户能不能真正把你的产品用在业务里。

这种转变不是一瞬间完成的。在真正创业前，我特意去一家医疗创业公司工作过，去感受那种快速迭代的节奏，去思考如何把学术突破变成可落地的产品。

目前我的时间大致分成两块：一半放在技术和产品上，包括模型和算法；另一半放在客户沟通和商业化相关的事情上。但接下来，我会逐步把更多时间投入到客户侧。

甲子光年：在整个创业过程中，投资人最常问你们的一类问题是什么？

高鑫：几乎每一个投资人都会问同一个问题：在中国卖软件不是一门好生意，你们怎么做商业化？

这个质疑很常见，但如果不把自己定义为“卖软件的公司”，逻辑就不一样了。

这有点像大模型的商业模式：一种是用户在平台上按次或按结果付费；另一种是开发者调用我们的API，把它作为底层能力集成到工业系统中。我们本质上是在提供一种仿真能力的基础设施。

工业客户对软件付费意愿低，但对结果的付费意愿极强。为了拿到一个可靠的结论，他们愿意投入昂贵的算力、人力甚至咨询费。只要我们能交付这个结果，商业价值就成立。

甲子光年：既然类比大模型，现在大模型普遍亏损，仿真这门生意能盈利吗？

高鑫：我们判断，在仿真赛道，盈利的时间窗口会明显早于通用大模型。

原因有二：第一，工业客户更专业，付费能力更强，客单价更高；第二，我们的模型专注于物理求解，算力消耗远低于通用大语言模型。

高客单价叠加低算力成本，这门生意的经济模型其实比通用大模型更健康。

甲子光年：具体的商业化落地，你们会从哪个行业切入？目前的进展如何？

高鑫：我们最看好、也最先切入的是半导体。

这个行业对仿真的依赖度极高，且随着芯片制程演进，痛点最痛。虽然从零到一很难，但只要树立了标杆，后续拓展会顺畅很多。目前我们已经产生了一些收入，主要是按项目收取的验证费用，单价在几十万元量级。

甲子光年：像Ansys被收购这样的案例，会让你对极映的未来持有开放态度吗？比如被巨头收购？

高鑫：我对未来的态度非常开放，核心标准只有一个，这是否有助于技术的广泛应用。

如果一项技术是好的，它天然就应该被应用到工业体系中。无论是独立发展，还是被产业方深度投资甚至收购，只要符合这个长期愿景，我们都不排斥。

很难想象会有谁收购一项技术是为了雪藏它，这违背商业逻辑。

甲子光年：你们所在的上海漕河泾聚集了不少游戏公司，他们怎么看待物理仿真进入更大众的To C场景？

高鑫：米哈游确实在比较早期的时候，大概一年多以前，就找我们聊过。当时行业里对具身智能、合成数据和物理真实性的关注度很高，他们更多是想快速理解我们在做什么，这是一次行业层面的认知交流。

这其实也印证了你的后半个问题：To C场景是一定存在的，只是节奏和路径的问题。

第一阶段可能是“准工业”的ToC。如果仿真的成本和门槛足够低，很多个人用户在DIY、3D打印、个人设计甚至科研学习中，都会自然产生仿真需求。

再往前一步，在更通用的世界模型体系中，我们很可能会成为非常重要的一环：提供真实、可靠的物理约束。无论是在游戏娱乐，还是更严肃的具身智能、机器人领域，我们都会像一种基础设施一样存在。

这其实也是我们给公司取名“极映”的初心：极致映射。

我们希望做的，就是把真实的物理世界，尽可能真实、完整地映射到数字世界里。无论是为了造出更好的芯片，还是为了构建一个更可信的虚拟世界。

（封面图来源：AI生成）