如果底層范式不改變，工業仿真將成為工程創新的天花板。

作者｜周悅

編輯｜王博

2025年7月，硅谷完成了工業軟件史上最昂貴的一筆交易：半導體設計軟件龍頭新思科技以350億美元收購仿真巨頭ANSYS。

幾乎同期，PhysicsX、Neural Concept等AI工業軟件公司相繼完成1億美元級融資。

這意味著資本正在達成共識：AI時代，預測物理世界的能力需要被重新定價。

在半導體、航空航天等領域，物理仿真仍受困于傳統范式。一輪復雜計算往往耗時數日，工程師被困在網格劃分與參數調試中。

正是這一長期低效，催生了物理世界模型公司極映科技。

今天，「甲子光年」獨家獲悉，極映科技連續完成了數千萬元的種子輪及天使輪融資。其中種子輪由奇績創壇投資，天使輪由元禾璞華領投，未來光錐跟投。遠山資本擔任獨家財務顧問。

這家公司并非從風口起步，而是源于創始人高鑫十年前的切身體驗。作為邁阿密大學博士、密西根大學博士后，高鑫一直從事仿真與AI研究工作。但在早年為了跑通數值算法，他曾需對著醫學影像手動點擊上千次鼠標，清洗“臟”數據。

這種對耐心的極致消耗，讓他逐漸確認了一件事：如果底層范式不改變，工業仿真將成為工程創新的天花板。

為了擊穿這個天花板，高鑫與兩位聯合創始人組成了一個高度互補的技術“鐵三角”：邱康（武漢大學博士）曾任鵬城實驗室算法工程師及航天科工副主任設計師；李福華（清華大學博士）則擁有機器人與半導體雙重博士后背景，曾任半導體公司研發高管。

三位技術老兵積累了超過30年的物理仿真與軟件研發經驗，這種配置恰好精準覆蓋了半導體與航空航天，這兩個對仿真要求最苛刻的領域。

在當下的AI語境中，極映常被歸入“世界模型”的討論。高鑫指出，當前主流模型更多是通過視頻學會“物體看起來如何運動”，卻難以回答“為什么會這樣運動”。

而工業仿真幾乎沒有容錯空間，它要求的是物理上絕對成立，而不僅僅是視覺合理。一次微小偏差，可能意味著試產失敗、材料浪費，甚至安全風險。

因此，極映選擇了一條更窄、更硬的路徑：跳出流體、結構、熱學等物理場割裂體系，回歸質量與能量守恒的底層定律，讓AI直接學習偏微分方程的共性，補上世界模型中缺失的物理內核。

這條路徑并不平坦。在基于開源架構修補一年后遭遇泛化瓶頸，高鑫做出一次典型的工程師式決斷——推倒重來，從底層重構架構。

這一選擇帶來了質變：相比傳統仿真數值方法，極映的物理世界模型，把反饋周期從“天”壓縮至“秒”，響應速度百倍于傳統仿真。

這種對物理一致性的極致追求，引起了工業界之外的關注，包括米哈游在內的游戲團隊也曾主動交流，在虛擬世界中構建可信的物理邊界。

近期「甲子光年」獨家專訪高鑫，和他聊了聊工程領域是否會迎來屬于自己的“GPT-3.5 時刻”，以及物理仿真的終極形態。

談及未來，他的回答帶著些哲學意味：“如果有一天，我們真的能把真實世界極致地映射出來，或許意味著，我們已經具備了創造其他世界的能力。”

在投資人眼里，極映不僅是 AI for Science 新范式下的突破性樣本，更代表了下一代世界模型的分水嶺——從視覺上的“像”，走向物理上的“真”。

元禾璞華董事總經理陳瑜認為，極映1.0物理仿真大模型是0—1的全新的創新，它將有效解決多物理場仿真耗時長、成本高、耦合難的行業痛點。

未來光錐前沿科技基金創始合伙人姬十三表示，極映科技有望解決傳統數值仿真的長期難題，應用前景橫跨工業研發、具身智能與科學研究多個領域。

奇績創壇則認為，極映選擇高精度、多物理場的工業級仿真切入，用最苛刻的場景證明通用性，這是一條更難但更正確的路。

1.跳出“解方程”的思維范式

甲子光年：提到世界模型，大家可能會先想到Sora、Genie，還有一些自動駕駛模型等，你們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兩類：一類以Sora為代表，生成視覺逼真的內容，再逐步加物理約束；另一類是自動駕駛，聚焦于軌跡和動力學。

極映走的是第三條路：覆蓋更廣的物理場（流體、熱、電磁等），且優先確保物理規律的準確對齊，而非只是視覺逼真。我們想做的是工業級的物理基礎模型。

極映科技整體框架，圖片來源：受訪者供圖

甲子光年：“對齊物理規律”這件事有多難？如果從1到10打分，你會怎么評估？

高鑫：如果游戲場景的難度是1—2分，具身智能（依賴物理直覺）是5—6分，那么工業級應用就是9—10分。因為工業場景沒有“差不多”，結果必須嚴格可驗證。

甲子光年：既然這么難，為什么要選擇做物理仿真的世界模型方向？

高鑫：最開始其實完全是從我自己的痛點出發的。

十年前讀博時，我做的是醫療仿真。為了從CT影像中重建人體器官的幾何結構，我遇到的最大痛點不是復雜的方程，而是幾何清理。醫學影像的數據非常“臟”，但傳統數值算法極其脆弱，對幾何質量要求極高。

為了跑通一個仿真，我往往要花小半天時間，手動點擊幾千次鼠標去修補網格——修一輪、跑一輪，報錯了就要重來。這件事幾乎沒有技術含量，但極其消耗耐心。

這種重復勞動讓我意識到：如果仿真工具一直停留在這種對變化極不友好、極其消耗人力的狀態，它本身就已經成為了工程創新的阻礙。

更令人遺憾的是，過去十年，傳統仿真軟件的進步非常有限。它們更多是依賴硬件紅利——CPU更強了、算力更高了，只是速度更快而不是算法本身有了突破。

這也促使我思考，數值求解只是解決物理問題的一種方法，不應該是唯一的方法。我們需要一條更適合今天研發節奏的新路徑，這也是我后來轉向AI與仿真結合的原點。

甲子光年：傳統仿真軟件通常把流體、結構、熱學分開建模，而你們強調統一建模，為什么？

高鑫：傳統軟件的割裂是受限于數值算法，我們最大的挑戰在于跳出“解方程”的數值思維。

如果還停留在傳統的數值思維里，用數值算法的方式去看問題，就很容易覺得不同的偏微分方程——比如橢圓型、拋物型這些——在數值處理上天然就需要用完全不同的方法來解決。

我們選擇跳脫出這種數值算法的思維框架，回到物理本源，很多物理過程，本質上由梯度驅動，并受到連續性、守恒等基本原理約束。

我們把這些本源性的物理機制抽象成神經網絡中的功能組件，每個組件對應一類核心物理過程，再將它們組合成完整的模型架構。

甲子光年：聽起來最關鍵的一點，其實是思維方式的轉變。在工程上有沒有非常明確的難點？

高鑫：最重要的一點是，解決問題的底層方法、整個求解范式，發生了根本性的變化，這是一個非常大的挑戰。

我們底層的模型架構也是完全自研的，能直接借鑒的成熟框架非常少，沒有簡單套用現成網絡結構，這對研發是挑戰很大。

甲子光年：如何判斷模型生成結果是否可信、是否偏離真實物理世界的？這和傳統仿真軟件的方法有什么區別？

高鑫：傳統的仿真軟件，本質上是一個正向求解的過程。它的目標是把每一步數值求解都盡量算對，保證最終結果是對的。

而我們現在的方式不一樣。我們是通過神經網絡直接生成一個結果，但中間神經網絡內部具體發生了什么，其實并不是完全可解釋的。

你可以把它理解為：這個結果是神經網絡“猜”出來的。所以關鍵不在于中間過程，而在于結果是否成立。

我們只需要把這個“猜出來的解”，重新帶回原本的物理方程里，去檢驗它是否滿足這些方程。如果滿足，那這個結果在物理上就是成立的。就像小學做數學題，最后一步驗算答案。

甲子光年：在什么樣的場景下，更適合使用你們這種基于模型的方式？哪些情況下，傳統數值求解方式更合適？

高鑫：我們目前最推薦的場景，是設計方案的快速比選與篩選。

在實際工程中，設計階段往往會產生上百種候選方案。可以先用我們的模型快速篩選出三到五種相對更優的方案，再在最終校核階段，使用傳統仿真軟件進行更精細、嚴格的數值驗證。這是一種效率和可靠性之間比較平衡的用法。

航空發動機支架設計優化案例，圖片來源：受訪者供圖

2.工程領域處于“GPT-3.5時刻”前夜

甲子光年：過去一次流體仿真要跑幾個小時，但你們可以做到秒級響應。這種加速的關鍵原因是什么？對用戶的研發工作流帶來了哪些實質性的變化？

高鑫：本質原因在于求解范式的變化。傳統數值仿真每一次都要“從頭算起”，幾何清理、網格劃分、數值求解，流程非常重。而神經網絡通過訓練，已經學會了從問題設定到結果輸出之間的映射關系。

在實際使用時，每一次仿真不是解方程，而是進行一次前向推理。這就像AlphaFold預測蛋白質結構一樣，這種范式上的降維打擊，自然帶來了百倍的速度提升。

最核心的變化是從經驗驅動轉向了目標驅動。過去仿真慢，工程師更多依賴經驗，只能在有限的十幾個方案中做優化。

現在，既然仿真只需要幾秒鐘，我們就可以通過AI生成成千上萬種結構方案，用相對“暴力”的方式在巨大的設計空間里搜索最優解。

這也意味著對人的要求變了：以前考驗的是直覺，現在考驗的是定義目標的能力——比如在半導體場景下，你能不能清晰定義晶圓表面的溫差閾值？只要目標清晰，AI就能幫你找到那個最優解。

AI仿真與數值仿真速度對比，圖片來源：受訪者供圖

甲子光年：你們提到過一個FDA血流泵的案例，R2>0.99。這樣的精度指標在工程里算什么水平？

高鑫：精度指標必須結合具體場景來看。有些應用更關注一致性，做到0.9以上就可以接受；有些場景要求更高，可能需要接近0.999。

在這個醫療案例中，R2>0.99，意味著AI仿真和傳統數值仿真在統計意義上已經高度一致，具備一定程度的可替代基礎。

這并不等同于可以直接用于FDA申報。無論是AI仿真還是傳統方法，都必須通過FDA的驗證體系，這是一套獨立于技術路徑之外的監管要求。

甲子光年：模型兼具速度和精度，更多來自范式本身的優勢，還是在架構上的設計？

高鑫：速度主要來自范式本身——神經網絡相對于傳統數值算法，天然就快，這是我們一開始就預期到的。但真正困難的是準確性。模型結構和高質量數據，是精度能夠成立的兩個關鍵前提。

我們的大量精力，其實都放在解決精度上，從零開始設計更適合物理問題的模型架構，同時在數據層面建立嚴格的質量控制體系。

甲子光年：要訓練這個模型，最大的技術壁壘在哪里？是算力還是數據？

高鑫：相比于算力，數據質量才是真正的隱形壁壘。我們的預訓練其實只用了少量A100，推理階段甚至一張3090就能搞定。

真正困難的是讓神經網絡準確學習物理場，這需要極高的數據純度。早期最痛苦的工作就是處理來自不同軟件、不同工程師的“臟數據”。

為此我們建立了一套自動化的數據質檢體系，比如驗證殘差大小到解的連續性等指標，最終只有通過嚴苛檢驗的數據才能進入訓練。

甲子光年：你們現在的模型處于什么階段？未來的演進目標是什么？

高鑫：我們正在從1.0的小樣本微調，走向2.0的零樣本通用。現階段，用戶最好提供少量歷史數據來微調模型，以適配特定場景。

而隨著參數量和數據覆蓋度的量級提升，我們的2.0版本目標是覆蓋90%以上的常見物理仿真場景，實現真正的開箱即用（Zero-shot）。

甲子光年：在物理或工程領域，“GPT-3.5時刻”具體體現在哪里？現在的進度條走到哪一步了？

高鑫：我個人非常相信一點：各個科學學科都會在相對短的時間內，陸續迎來屬于自己的“GPT-3.5時刻”。

過去，工程創新被慢且重的仿真計算鎖死，極大地限制了科研人員的探索空間。當仿真被極大加速后，情況就變了，只要有一個想法，幾乎能即時拿到結果。這和AI Coding帶來的變革非常像。當物理世界的驗證也能做到“即時反饋”時，創新的爆發是必然的。

如果做一個類比，我認為物理仿真領域目前大約處于GPT-3.0或略高于3.0的水平。而我們計劃在年底發布的2.0版本，目標就是將其推進到接近GPT-3.5的水平——那將是一個真正可用的分水嶺。

甲子光年：在航空、半導體這類封閉的行業里，工程師過去并不使用你們這套工具，如何逐步建立起工程師信任的？

高鑫：信任一定是一個逐步建立的過程，大致可以分為三步。

第一步，是“工具化”。先用速度解決痛點，讓工程師愿意上手

第二步，是“數據對齊”。用客戶的歷史數據跑一遍，對比傳統仿真結果。

第三步，是“明確邊界”。讓用戶清楚知道，哪些場景AI能從容應對，哪些極端場景仍需傳統方法兜底。

目前我們最推薦的落地模式是快速篩選：先用AI快速從成千上萬種方案中篩選出十幾種，最后再用傳統軟件做最終校核。這是在效率與嚴謹之間找到的最佳平衡點。

甲子光年：這種方式在不同行業里都適用嗎？比如半導體、醫療，會不會有明顯差別？

高鑫：從物理仿真的角度看，本身是通用的。物理規律在不同行業里并沒有區別，這一點和傳統工業仿真軟件是一樣的。

真正的差異，主要體現在各行業對結果的要求以及驗證體系上。不同領域、不同公司，會依據自身的行業規范和內部標準，對仿真結果進行核驗和使用。

在項目初期，我們通常會和客戶一起做驗證，用實際數據來確認模型是否滿足使用要求。

3.從“至暗時刻”到推倒重來

甲子光年：很多技術創業公司在早期都在尋找PMF（產品市場匹配）。極映是在哪個節點明確要走現在這條通用物理基模路線的？

高鑫：轉折點大概在2020到2021年。起初我們的想法很務實，想的是改良，用AI去優化傳統仿真中那些高人工成本的環節，比如幾何清理、網格劃分。這還是在傳統計算工程（CE）的框架里修修補補。

但后來我意識到，這種修補無法解決根本問題。我們需要跳出原有體系，用AI直接去接管物理求解本身。也是在那時，我們確立了目標：不做單一場景的優化工具，而是做一個能覆蓋多種物理場的通用物理基模。

甲子光年：走一條無人區的新路，中間有沒有遭遇過“至暗時刻”？

高鑫：有的。在確定做基模后，我們曾基于學術界開源的架構做優化，整整打磨了一年，卻始終看不到希望。

那套架構在思路上和傳統數值算法很像，當時覺得更容易理解、也更安全，正是這種數值算法的慣性，讓我們在早期選了那樣一條路。但真正落地時發現，它的泛化性是死結：幾何一換、物理場一變，模型就失效了。

那段時間確實非常自我懷疑，是能力不夠？還是這條路根本走不通？面對一年的沉沒成本，我們最終做了一個痛苦但關鍵的決定：推倒重來，完全自研一套算法架構。

甲子光年：這種“推倒重來”的決策風險極高，你們的跨學科團隊是如何支撐這種快速迭代和試錯的？

高鑫：這主要歸功于我們團隊的交叉判斷能力。

我的兩位合伙人是我回國后第一份工作的同事，一位深耕AI，一位專注仿真。這種組合的最大價值是判斷快。

當模型跑不出結果時，純AI背景的人容易盲目調參，純仿真背景的人容易質疑物理原理。而我們能迅速憑直覺判斷：問題究竟出在模型結構、數據質量，還是物理約束本身？

這種基于跨學科背景的快速定位能力，讓我們在早期沒有成熟工具可用的情況下，依然保持了極快的迭代節奏，最終走通了這條路。

甲子光年：你現在是怎么去吸引、說服一些比較厲害的科學家加入你們團隊的？這件事對科學家的吸引力到底在哪里？

高鑫：雖然目前團隊規模還不大，但要吸引科學家，核心在于展示“統一性”的魅力。我們想做的不是解決某一個具體方程，而是構建一個偏微分方程的通用AI求解平臺。

過去，解不同的方程需要五花八門的方法，體系支離破碎；而我們試圖用一套AI框架去覆蓋大多數物理問題。對科學家而言，這種將復雜問題“大一統”的理論美感，本身就是最大的吸引力。

甲子光年：現在很多仿真巨頭，比如Comsol也在引入AI，你們的做法和他們有什么本質區別？

高鑫：本質區別在于是做“副駕駛”，還是換“發動機”。仿真巨頭們的AI更多是“使用助手”，教用戶怎么設置參數、怎么排錯，解決的是易用性問題，并沒有改變底層的求解方式。而極映做的是范式層面的替換，直接用神經網絡去完成物理求解的過程。

甲子光年：仿真軟件巨頭會不會轉向用神經網絡來做物理仿真？你們的壁壘主要體現在哪里？

高鑫：如果這條路線被證明是成功的，大廠未來一定會做。但目前的缺位就是我們的先發優勢。

我們更核心的壁壘在于認知和判斷，在“AI+物理仿真”這個方向上探索了接近十年，本身就是很難被快速復制的核心資產。

甲子光年：回到公司名字“極映”（極致映射）。有沒有一種可能，未來某一天你們會跳出“物理學”的引力，不再執著于映射現實，而是去創造一個不依賴物理規則的全新世界？

高鑫：這是一個很有意思的悖論：要證明我們是否生活在虛擬世界里，最直接的方式，就是看我們自己能否創造一個足夠真實的虛擬世界。

如果有一天，我們真的能做到對物理世界的“極致映射”，在數字世界中完整、穩定、可信地復現現實環境，那么基于同樣的技術路徑，我們自然也就具備了制定新規則、創造新世界的能力。

那可能不再是對物理現實的映射，而是對人類想象力的映射。這雖然遙遠，但非常值得期待。

4.不賣軟件，賣的是基礎設施

甲子光年：你之前長期在高校任教，現在作為創始人，你是如何完成這個轉變的？現在的極映更像實驗室還是公司？

高鑫：這是一個本質的轉變。做老師時，我對學術創新負責；做公司，必須對商業結果負責。

我們刻意避免把極映做成“學術實驗室”。雖然我們在某些場景下的指標做到過業內最優，但這不是對外宣傳的重點。

因為在商業世界里，最重要的不是benchmark刷了多少分，而是用戶能不能真正把你的產品用在業務里。

這種轉變不是一瞬間完成的。在真正創業前，我特意去一家醫療創業公司工作過，去感受那種快速迭代的節奏，去思考如何把學術突破變成可落地的產品。

目前我的時間大致分成兩塊：一半放在技術和產品上，包括模型和算法；另一半放在客戶溝通和商業化相關的事情上。但接下來，我會逐步把更多時間投入到客戶側。

甲子光年：在整個創業過程中，投資人最常問你們的一類問題是什么？

高鑫：幾乎每一個投資人都會問同一個問題：在中國賣軟件不是一門好生意，你們怎么做商業化？

這個質疑很常見，但如果不把自己定義為“賣軟件的公司”，邏輯就不一樣了。

這有點像大模型的商業模式：一種是用戶在平臺上按次或按結果付費；另一種是開發者調用我們的API，把它作為底層能力集成到工業系統中。我們本質上是在提供一種仿真能力的基礎設施。

工業客戶對軟件付費意愿低，但對結果的付費意愿極強。為了拿到一個可靠的結論，他們愿意投入昂貴的算力、人力甚至咨詢費。只要我們能交付這個結果，商業價值就成立。

甲子光年：既然類比大模型，現在大模型普遍虧損，仿真這門生意能盈利嗎？

高鑫：我們判斷，在仿真賽道，盈利的時間窗口會明顯早于通用大模型。

原因有二：第一，工業客戶更專業，付費能力更強，客單價更高；第二，我們的模型專注于物理求解，算力消耗遠低于通用大語言模型。

高客單價疊加低算力成本，這門生意的經濟模型其實比通用大模型更健康。

甲子光年：具體的商業化落地，你們會從哪個行業切入？目前的進展如何？

高鑫：我們最看好、也最先切入的是半導體。

這個行業對仿真的依賴度極高，且隨著芯片制程演進，痛點最痛。雖然從零到一很難，但只要樹立了標桿，后續拓展會順暢很多。目前我們已經產生了一些收入，主要是按項目收取的驗證費用，單價在幾十萬元量級。

甲子光年：像Ansys被收購這樣的案例，會讓你對極映的未來持有開放態度嗎？比如被巨頭收購？

高鑫：我對未來的態度非常開放，核心標準只有一個，這是否有助于技術的廣泛應用。

如果一項技術是好的，它天然就應該被應用到工業體系中。無論是獨立發展，還是被產業方深度投資甚至收購，只要符合這個長期愿景，我們都不排斥。

很難想象會有誰收購一項技術是為了雪藏它，這違背商業邏輯。

甲子光年：你們所在的上海漕河涇聚集了不少游戲公司，他們怎么看待物理仿真進入更大眾的To C場景？

高鑫：米哈游確實在比較早期的時候，大概一年多以前，就找我們聊過。當時行業里對具身智能、合成數據和物理真實性的關注度很高，他們更多是想快速理解我們在做什么，這是一次行業層面的認知交流。

這其實也印證了你的后半個問題：To C場景是一定存在的，只是節奏和路徑的問題。

第一階段可能是“準工業”的ToC。如果仿真的成本和門檻足夠低，很多個人用戶在DIY、3D打印、個人設計甚至科研學習中，都會自然產生仿真需求。

再往前一步，在更通用的世界模型體系中，我們很可能會成為非常重要的一環：提供真實、可靠的物理約束。無論是在游戲娛樂，還是更嚴肅的具身智能、機器人領域，我們都會像一種基礎設施一樣存在。

這其實也是我們給公司取名“極映”的初心：極致映射。

我們希望做的，就是把真實的物理世界，盡可能真實、完整地映射到數字世界里。無論是為了造出更好的芯片，還是為了構建一個更可信的虛擬世界。

（封面圖來源：AI生成）