清雁科技完成数亿元A轮融资用微分几何给物理AI重打“地基”

2026世界机器人大会的展厅里，一个微妙的变化正在发生。往年占据C位的跳舞、后空翻等“炫技式”表演明显减少，取而代之的是拧螺丝、分拣货品、收拾杂物、电力巡检等更贴近真实作业的场景演示。“干活”取代“表演”，成为本届大会最高频的关键词之一。

但需要看到，多数设备仍停留于表演、科研等非生产场景，规模化商用受阻。针对物理AI泛化性、可靠性、持续学习三大行业核心痛点，清雁科技走出差异化技术路径，依托微分几何搭建几何物理驱动的物理AI框架，破解纯数据驱动技术瓶颈，目前公司已完成数亿元A轮融资，为物理AI产业化落地、机器人真实场景规模化部署筑牢技术与资本基础。

六成机器人仍在“非生产岗”

近年来，机器人出货量迎来爆发式增长，Counterpoint Research报告显示，2026年上半年全球人形机器人出货量突破2.2万台，同比增长接近300%，中国厂商包揽了全球97%的份额。

然而2026年上半年全球人形机器人出货量中，文娱表演占33.6%，数据生产与科研占27%，两项合计超过六成；服务与导览约19%，智能制造12.8%，仓储物流4.9%。真正进入智能制造和仓储物流的还不到两成。

国家地方共建具身智能机器人创新中心总经理熊友军直言，机器人产业正从单纯“炫技”转向重视产业逻辑。真正的产业化，要求研发、供应链、工程化、客户服务整套链条同步跟上。

单次成功不等于可部署

“机器人行业从来不缺令人惊艳的演示，缺的是能在真实世界长期可靠工作的系统。”在“机器人走向真实世界——从能力突破到系统演进与规模化探索”，清雁科技首席技术官王凡的判断戳中了行业痛点。他提出，从实验室Demo到规模化部署，物理AI（Physical AI）必须跨越三道核心门槛：泛化性、可靠性、持续学习。

这三道门槛并非孤立存在，它们分别指向物理AI架构必须回答的三个根本问题：如何理解世界、如何验证判断、如何持续进化。

泛化性关乎机器人是否换个场景就“失灵”。泛化能力不足也是行业的广泛共识。宇树科技创始人王兴兴在大会上也坦言，机器人在固定场景下可以通过训练把成功率做得很高，但一旦更换物品或环境，表现就会明显下降。

在王凡看来，瓶颈根源之一在于当前大量技术路线仅依靠数据和参数规模的堆叠，忽略了理解世界几何物理规律的复杂性。纯数据驱动的模型本质上是在“记忆”训练过的场景，而非真正“理解”物理世界的运行法则。当环境出现微小变化，模型就容易超出经验边界。

如果说泛化性回答“能不能做”，可靠性回答的则是“能不能稳定做”。王凡表示，与大语言模型可以通过代码执行获得即时反馈不同，物理AI长期缺乏类似Coding之于LLM的可靠系统外验证能力。真实世界的评价不仅风险高，更大的缺陷是缺乏“反事实推演”的验证手段——无法回答“如果不是这样，会发生什么”。这导致世界模型的长程推演、长视频生成始终缺乏客观的评价和验证体系。

第三道门槛最容易被忽视，却决定了机器人能否真正长期服役。当前大部分模型在部署后都是静态的，缺乏对持续变化的环境进行适应和学习的能力。而真实世界的场景、本体、任务组合过于复杂，存在大量不确定性，没有任何模型能在训练阶段穷尽所有情形。静态模型在长期部署中，极容易因为环境的微小漂移而失败。

几何物理遇上AI，重塑物理世界的建模方式

面对三道门槛，行业正在探索不同于纯数据堆叠的技术路径。清雁科技在本届大会上首次公开的“几何物理驱动的物理AI框架”，代表了其中一条值得关注的技术路线。

清雁科技以微分几何为底座，对3D/4D物理世界进行高效建模与表征——一个物体等于一个函数。相比主流3D高斯泼溅与点云方案用数万离散点或高斯基元表达一个物体，几何表征依赖更少参数，且能够跨视角、光照、背景与纹理保持稳定，以极少参数刻画物体的静态形状与动态形变。现场演示显示，一个球体经由一个可微映射函数即可映射为房屋、航天飞机、兔子等复杂形体，并实现了材料域的跨运动与形变的一致对应。

几何物理表征解决了“如何理解世界”的问题，清雁框架中的两大学习范式则分别回应了可靠性与持续学习的挑战。清雁自研的全新的场景级物理引擎，可高效模拟多体碰撞接触、柔性物体形变等传统物理引擎的难点问题。在现场演示的动态距离与碰撞计算上，同等精度下该引擎的计算效率达到当前主流物理引擎Newton的5.2倍；在柔性体形变计算方面，同等精度下，效率高出一个量级，且材料适应性显著领先。

针对第三道门槛，清雁的布局方向是“持续学习”——通过“学会如何学习”“长时记忆”和“自主发现和沉淀知识”三个关键能力，实现机器人在真实世界部署后的持续演进。用通俗的话说，就是让机器人在“新本体、新岗位、新场景”中越做越熟练，同时“旧本体、旧岗位、旧技能”不轻易遗忘。

完成数亿元A轮融资的清雁科技，只是物理AI赛道众多探索者中的一个。但它选择的“几何物理+AI”路线，折射出行业一个重要的转向信号——单纯靠数据和参数堆规模的路径正在遭遇天花板，向基础科学原理要答案，成为新的共识方向。

王凡表示，围绕“使物理AI从会演示走向长期、可靠地作业”这一目标，公司将沿框架的三个层次推进：基础设施与模型层——物理AI基础设施与模型及其数据体系的研发；验证层——可验证学习范式与面向世界模型学习的高效物理引擎；演化层——持续学习方向的深化，真正支撑机器人在真实世界的长期部署。

先锋配资提示：文章来自网络，不代表本站观点。