Related articles
你有没有想过一个问题，AI 能写诗、能画画、能帮你写周报，但如果你让它控制一台真实的机器人走到桌前，拿起水杯递给你，它会捏碎杯子，或者撞翻桌子，或者干脆找不到杯子在哪。
这不是机器人不够灵巧，而是它根本不知道杯子是易碎的。
2026 年，世界模型成了 AI 圈最拥挤的赛道。资本涌入，创业者扎堆，但大多数模型做的是同一件事，从海量视频里学规律，却没有学会世界怎样运转。它们能生成以假乱真的画面，却回答不了一个三岁小孩都能回答的问题，「推一下积木，它会倒向哪边？」
这也是为什么，我们在和飞捷科思创始人张立华教授对话时，他反复强调：「完全靠统计学习不能带来可靠的物理参数。」
张立华可能是中国最懂物理引擎的人。二十多年前，他在美国 Ageia 公司主持研发了第一代 PhysX 物理仿真引擎，参与设计了世界第一颗物理仿真加速芯片 PPU，该引擎在被英伟达收购后，张立华也主导了该引擎向 GPU 的迁移优化。回国后，他担任复旦大学长聘特聘教授、智能机器人与先进制造创新学院副院长，2022 年当选中国人工智能学会会士。
联合创始人、CTO 杨鼎康是张立华培养的复旦大学博士、港中文 MMLab 博士后，中国人工智能学会清源学者入选者，此前任字节跳动视觉语言基础模型团队首席研究员。他先后集齐了国内几乎所有 「大厂」 的顶尖人才计划 Offer，却选择了加入这家初创公司。联合创始人、CEO 于伟拥有丰富的产业经历与管理运营经验，是张立华在清华担任班主任时的 「学生」。这样深厚的师生信任构成了团队的底层纽带。
2024 年飞捷科思成立，公司的名字从 Physics 化出，取复旦 （Fudan） 之首字母，成了 Fysics。
与当前大多数以视频预测和像素生成作为主要路径的世界模型不同，飞捷科思选择从显式物理模拟切入。他们以完全自研的 Fysics 可微分物理仿真引擎为底座，把牛顿力学等第一性原理直接编码进模型，用确定性物理方程替代统计猜测，创新研发了全新一代物理世界模型 Fysiverse，从源头解决物理幻觉。沿着这条路，他们先后构建了 Fysics 物理引擎、MoziSim 具身仿真训练平台、OmniFysics 全模态物理 AI 基础模型、Fysiverse 物理世界模型、 FysiData 物理 AI 数据工厂和 FysicsWorld/Eval 评测基准等，形成了从引擎到应用层的完整技术栈。
不久前，飞捷科思完成了 Pre-A 轮融资，累计数亿元人民币，投资方包括经纬创投、东方富海、沐曦股份、驰星创投、鼎峰科创、硅港资本、云启资本、常垒资本、长石资本等十余家机构。其中 GPU 芯片企业沐曦股份不仅出资，还与飞捷科思联合发布了全栈国产化物理 AI 仿真训练工作站 FysiStation，软硬一体深度绑定。
我们与张立华和杨鼎康聊了 2 个小时，话题从英伟达 PhysX 的技术传承延伸到世界模型热潮中的冷思考，从显式物理模拟的技术壁垒聊到矿山和工厂里的真实落地。
以下对话经智客 ZhiKer 编辑。
（左张立华、右杨鼎康）
一、世界模型赛道的喧嚣与真相
智客 ZhiKer：世界模型的概念今年非常火，拿到融资的企业也很多，其中有不少年轻创业者，您怎么看？
张立华： 世界模型之所以受关注，是因为现有模型泛化性不够，受控场景还行，环境一变就不灵。世界模型借鉴了认知科学的思路，人做复杂动作前会先在脑中预测，世界模型就是在模拟这个过程，帮助机器人提升泛化能力。
很多公司做的世界模型主要服务视频生成、游戏娱乐，看起来像就行。但要服务具身智能和物理 AI，远远不够。最终哪条路线能落地，还得看物理真实性够不够、端侧实时性能跟不跟得上，这些都需要时间检验。
杨鼎康： 世界模型在 2026 年成为继大语言模型之后最受瞩目的技术趋势。随着开源生态成熟、算力获取便利，门槛确实在降低。现在很多年轻创业者在本科甚至高中时就能接触先进 AI 框架和云算力，他们对新范式的敏感度和快速迭代能力是传统研发体系难以比拟的。
热潮之下也需要冷思考。面向具身智能和产业落地的世界模型，核心挑战不在于画面是否逼真，而在于如何更好地模拟符合物理规律的交互。许多年轻团队在视频生成层面表现出色，但对物理世界的复杂性、工程化落地的长周期和高壁垒理解还不够。从让视频更逼真到让机器人不摔倒，中间隔着对经典力学、材料科学、控制理论等底层原理的深刻理解，以及将这种理解转化为高精度实时工程实践的能力。我和张老师，一个非常资深、对底层原理理解深刻，一个相对年轻、跟得上技术迭代，这样打配合是构建核心壁垒更好的模式。
智客 ZhiKer：世界模型公司融到钱之后，钱主要花在什么地方？
张立华： 模型的训练对算力需求很高，资金主要投在这个方向上。世界模型的技术路线还没有收敛，大量资金要用于探索怎么构建一个真正能落地的世界模型。
智客 ZhiKer：李飞飞将世界模型分为渲染器 （Renderer）、模拟器 （Simulator）、规划器 （Planner） 三类，你们认可这个分类吗？
张立华： 我看过她那篇文章。不算严格的学术论文，但她把混乱的世界模型概念做了一次梳理，对业界理解这个领域帮助很大。
杨鼎康： 早期世界模型的分类主要有几派。一是纯 Diffusion 架构，像 Sora、Cosmos 这类视频生成路线；二是杨立昆的隐变量路线，通过海量视频用对比学习学概率分布，但不主张重建像素；三是以李飞飞 World Labs 为代表的点云 3D 表征路线。
李飞飞新的 「三分法」 做了一次概念纠偏。渲染器负责输出观测，涵盖 Diffusion 派和 3D 表征派；模拟器负责推演状态，她强调显式模拟，认为动力学、物理、几何才是世界的本质，这是引擎带来的第一性原理，但目前做的人很少，世界上真正自研模拟器完整架构体系的，除了英伟达可能就是我们；规划器负责输出动作，包括具身大脑模型、VLA 模型和 World-Action Model。
下一代能真正落地的世界模型，需要把这三者结合起来。我们算是国内率先走 「显式物理模拟器×生成式渲染器」 路径的团队，这是下一代的方向。
智客 ZhiKer：从英伟达 PhysX 核心研发负责人到回国创办飞捷科思，促使您做这个决定的契机是什么？
张立华： 物理引擎这件事最早我从 2003 年就在做了，一直做到 2010 年底回国。2020 到 2021 年又重新拾起，当时有两家大厂找过来合作。
过去物理引擎主要服务游戏和影视特效，追求视觉真实。但工业数字孪生兴起后，情况变了，数字孪生最大的价值不是 3D 渲染像不像，而是通过机理建模对实体甚至还没建的实体做预测，指导产线优化。物理仿真恰恰是机理建模最重要的基础。
英伟达的动作也印证了这个判断。黄仁勋把 Omniverse 定位为 Physical AI 的操作系统，将 Computer Graphics、Physics 和 AI 并称为英伟达的灵魂。我看完触动很大，物理仿真不只是做游戏了，中国也需要这样的底座能力。我一开始想用研究机构的形式推进，但可能理念太超前了没有得到响应，所以后来决定用企业化的方式做起来。
2024 年中，我跟我们 CEO 于伟聊了这件事，他是我在清华担任班主任时带过的 「学生」，彼此信任很深。杨鼎康是我在复旦培养的博士生，拿过很多顶尖人才的 Offer，最近还入选了中国人工智能学会清源学者，他认同我的关切，放弃大厂优厚职位加入进来。我们希望能一起做一家伟大的公司，为物理智能时代做点力所能及的事。
智客 ZhiKer：杨博士，您当时拿到了几乎所有大厂的顶尖人才计划 offer，为什么选择加入一家初创公司？
杨鼎康： 据我观察，大厂主要还是聚焦在会感知、会理解与生成的技术范式上，通过海量数据统一建模。但我认为，下一阶段的智能化对象不再是网页文件或多模态感知，而是机器人、工厂这些落地场景，这就是物理智能。
加入创业公司，能够对技术方向有更大的自主权，能真正为下一代技术做出令人印象深刻的东西。同时，我坚信张老师带领我们做的引擎和物理仿真技术，在商业价值上有根本性的跃迁。
二、模型创新与数据基建
智客 ZhiKer：飞捷科思开辟了一条全新的世界模型技术路线，用可微分物理引擎作为底座，解决物理幻觉、推理失效、场景崩坏这些问题。为什么选择这条路？
张立华： 现在基于统计学习的方法，更像是在训练一种物理直觉。人和动物没有系统学过物理，靠日常观察和交互也能积累预测能力，这跟今天大多数世界模型做的事情类似。但直觉有局限，紧急或信息不全时它能帮你快速决策，却不能保证决策的准确性。
同时，物理 AI、机器人操作需要的不只是定性判断，是定量的物理参数，摩擦系数、材质软硬、内部有没有装东西。同样形状的一个杯子，纸杯、塑料杯、金属杯、陶瓷杯，空的和装了水的，差别巨大。如果只让机器人看视频做模仿学习，它学会的是动作的形式，不知道该抓哪里、使多大力。
完全靠统计学习，永远拿不到可靠的物理参数。再厉害的物理学家，不给他纸笔和计算器，让他心算一个物体在什么时间运动到什么位置，恐怕他也没办法。物理引擎的作用就在这里，它提供一个能精准可靠进行物理计算的基础设施。
输入提示词：Four cabinets are on the ground, and the first cabinet on the left falls to the right, causing the others to fall as well. 地上放着四个柜子，最左边的那个向右倒下，结果把其他的柜子也带倒了。
Fysiverse 与前沿世界模型生成结果对比
杨鼎康： 我们的物理世界模型 Fysiverse，走的是显式物理模拟器加生成式渲染器的新一代路径。模拟器这个技术方向包括李飞飞在内的资深学者都提过，但目前仍然处在早期阶段。
显式物理模拟器就是我们的 Fysics 引擎，基于牛顿力学、连续介质力学等经典物理定律和数值方法，从第一性原理计算物体怎么动。相当于用物理公式从头推导一个现象，而不是像大多数世界模型那样从海量视频里学像素关联、让模型去猜物理规律。
这条路有三个核心优势。第一是准确性，显式模拟基于确定性物理方程，在刚体、软体、流体交互等复杂场景中精度远超统计模型，这对机器人操纵和自动驾驶决策很关键。第二是可解释性，模拟器演化的每一步都能追溯到原始的物理参数和方程，方便复盘、调试和认证。第三是泛化性，面对训练数据里从没出现过的极端场景，基于第一性原理的物理仿真比依赖数据统计的模型更鲁棒。
另外，我们也在跟国产芯片和算力做适配，这是未来纯国产自研模型在商业化上的一个重要优势。
智客 ZhiKer：Fysics、OmniFysics、Fysiverse，这三者之间是什么关系？
杨鼎康： Fysics 是底层的物理仿真引擎，基于经典力学从第一性原理算物体怎么动，是整个技术栈的地基。OmniFysics 是跑在引擎上面的物理 AI 基础模型，负责理解物理世界，识别物体的材质、物理属性，推断未来状态。Fysiverse 是世界模型，面向应用层，把引擎和模型的能力整合起来，生成可以交互的物理仿真场景。
智客 ZhiKer：Fysics 实现了刚体、柔体、流体的统一求解，能不能举一个具体例子，帮我们理解模型怎么一步步指导具身智能？
杨鼎康： 对于软的还是硬的，测算过程背后的运作机理是类似的。给模型一个观测，模型会通过 Real-to-Sim 过程对物体的物理属性和参数进行辨识，摩擦力、质量密度、杨氏模量、屈服应力等，不同材质的质量分布完全不同。辨识出来后，在 3D 场景中孪生出它的表征。
无论软体、流体还是刚体，我们的引擎对不同材质的最小化表征进行统一建模。有了统一建模后，引擎就可以统一进行未来状态的推演，给它一个力它会怎么动，推它一下会发生什么，在给定建模条件和参数边界下，进行更接近真实物理规律的状态推演，这就是世界模型生成的过程。
Fysics 可微分物理引擎模拟的擦桌子任务-训练中
Fysics 可微分物理引擎模拟的擦桌子任务-训练后
智客 ZhiKer：OmniFysics 在模型层面做了哪些创新？
杨鼎康： OmniFysics 的创新主要有三点。
第一，全模态架构。我们认为下一代物理 AI 时代的交互一定是全模态的，不仅仅是图片和文字，还包括声音、触觉信号等多维感知。
第二，动静结合的物理数据构造中枢系统。这套系统管线是构造海量符合物理定律的训练数据的核心创新点。传统方法要么靠人工标注，要么靠视频爬取，两者都无法保证物理一致性。我们用 Fysics 引擎本身来生成和验证训练数据，形成了一个引擎生成数据、数据训练模型、模型反哺引擎的正向循环。
第三，引擎与模型端到端优化。因为 Fysics 是可微的，我们可以在训练过程中把模型跟引擎进行端到端优化。这相当于把牛顿定律、胡克定律等物理公式直接作为先验知识和约束条件编码到模型学习过程中，使模型不再需要从零开始、耗费巨大算力去猜测这些规律，而是被引导着去学习和遵守。
这也是为什么我们 3B 参数规模的性能能超过 7B、8B 参数模型，并在国际多个物理智能评测权威基准上取得综合排名第一的核心原因。这种范式的改变，使模型能够真正理解物理，而不只是看起来像。
智客 ZhiKer：OmniFysics 模型是怎么训练的？
杨鼎康： OmniFysics 是一个全模态的物理 AI 基础模型，不是具身 Action 模型，所以训练不需要遥操数据。它需要的是对物理世界理解的几个维度的数据，目标是提升真正的物理感知能力。
训练中主要增强了几个能力维度。一是物体的识别和区域定位能力；二是物理属性绑定能力，把可见对象与材质相关联，进一步给出质量、密度、刚度、杨氏模量、摩擦力等数量级估计；三是物理趋势推断能力，根据给定的物理属性判断物体未来状态的演化过程，是否会滑动、停止、晃动、弯曲、破碎或保持稳定；四是全模态事件复原能力，模型不仅要概括事件，还需要保留对物理世界的全模态理解，包括画面、环境声音、语音、动作顺序和结尾状态等；五是物理过程解析能力，把一个物理事件拆解成完整的过程链，从对象到动作到接触到状态到状态变化再到结果，使模型具备类似人类大脑思考的完整物理感知思维链。
智客 ZhiKer：数据采集方面呢？
杨鼎康： 我们和诠视科技联合开发了一款数据采集终端 FysiData-Ego。采集时人穿戴设备做动作，系统将人的双臂动作实时映射到机器人的机械臂上。
但人能做的动作，机器人不一定能做，关节角度超限、速度过快、即将发生碰撞，Fysics 引擎在采集过程中就会实时检测并拦截，不用等采集结束才发现数据不可用。同时 OmniFysics 模型会实时标注场景中物品的物理属性。
传统方式是先采集大量数据回去再清洗，导致很多数据最后不能用。现在是现场就能判断数据是否有效，无效数据大幅减少，后期处理成本也降下来了。
三、中国需要自己的物理 AI 底座
智客 ZhiKer：Fysiverse 世界模型目前的进展如何？
杨鼎康： 已经有多家具身大脑公司和机器人本体公司跟我们签了 POC，用我们的模型在工业现场和具身场景里生成物理真实的数据。再往后，我们会作为技术中台，帮其他模型补上物理理解这块能力。
产业上两个合作比较有代表性。一是跟拓斯达做的工业物理世界模型，把工厂里的工艺数据、传感数据、生产数据喂进去，能直接生成带物理属性的产线场景，零件的刚度、形变、摩擦、负载这些参数都自带，不用再手动设。二是跟博雷顿做的矿山场景，从仿真训练到实车部署再到数据回流，跑通了 Sim-to-Real 闭环。矿山里最大的痛点是安全和效率，能不能提前预判地质灾害、车辆碰撞、人机干涉，能不能把运力和能耗优化下来。我们提供的物理判断能力，本质上是帮矿山无人化少走弯路。
智客 ZhiKer：未来开源的比例大概是多少？
杨鼎康： 三分之一左右，分阶段逐步开源。我们拥抱开源，生态做好了，对公司长期发展一定是加分的。
智客 ZhiKer：你们和沐曦的合作进展如何？
张立华： 已经联合发布了物理 AI 仿真训练工作站 FysiStation。飞捷科思提供软件技术栈，沐曦提供 GPU 算力，双方提前完成适配，打包成一台工作站。做物理 AI 有一个很大的痛点，就是软件和硬件对不上，软件等芯片适配，芯片等软件调优，周期很长。我们把这层工作提前做好了，客户拿到手就能直接用。目前有不同档位的配置，教学、科研到应用场景都能覆盖。
智客 ZhiKer：两三年之后，您希望外界怎么去看飞捷科思这家公司？
张立华： 飞捷科思以完全自研的可微分物理仿真引擎为底座，构建 OmniFysics、Fysiverse 等物理 AI 大模型，从引擎、数据、模型到应用层，打造一套完整的技术底座，为行业落地提供支撑。
放眼全球，物理 AI 产业才刚刚启程，各国都站在同一起跑线。我们依托自研新一代可微物理引擎，打造中国人原创的世界级技术底座，立足本土，面向全球，用原创技术定义物理智能的未来。（本文首发钛媒体 APP，文 | 智客 Zhiker，作者｜郭虹妘，编辑｜盖虹达）
