极映创始人高鑫：用物理基模，补上 AGI 缺失的第三块地基

当AI技术持续重塑科研与产业的底层逻辑，“AI for Science”早已从概念走向实践。近期，一场聚焦于此的沙龙活动，为我们揭示了AI如何驱动下一代物理仿真，并以此为基础，撬动工业革新与具身智能的广阔未来。其中，极映科技创始人兼CEO高鑫的分享，尤为清晰地勾勒出一条从通用物理模型到世界模型的演进路径。

世界模型，缺了“物理”这一块

“世界模型”无疑是当下AI领域的热词。但一个冷静的判断是：真正的世界模型，绝非一个模型包打天下，而是语言、感知与物理三大基础能力的深度融合。

这就像评价一个人，我们会从情商、智商、财商等多个维度综合考量。同理，在AI时代，每一项核心的基础能力，都可能孕育出一个专属的基础模型。如今，语言基础模型有GPT、Claude，感知基础模型有CLIP、SAM乃至Sora，但物理模型——从日常拿杯子该用多大力气的直觉，到专业严谨的物理规律推理——始终是AI能力版图中尚未补齐的关键一环。

补齐这块拼图，正是极映科技的初心：将经典物理范畴内的规律，沉淀为一个通用的物理基础模型。只有当语言、感知、物理这三大支柱全部就位，真正的世界模型才会自然涌现。

传统的物理仿真，跟不上 AI 时代的工业需求了

用计算机模拟物理规律，其实并非新鲜事。早在上世纪50年代，物理仿真技术便已诞生。它的价值直观而巨大：比如测试新车空气动力学，过去需要制造真车、送入风洞，耗时数月、耗资数百万；而物理仿真则能在计算机中“重演”物理过程，修改设计后立刻重新计算，极大地节省了时间和成本。

其核心在于求解描述物理规律的数学方程，无论是汽车风阻、机器人动作，还是电影中逼真的流体特效，背后都有它的身影。麦肯锡2024年的一项调研指出，未来五年全球约30万亿美元的新产品研发，都将依赖物理仿真。

然而，更关键的变化在于企业需求的优先级发生了根本性翻转。过去，企业考量顺序是性能优化、降低成本、降低工程成本，最后才是加快上市速度。如今，这个顺序完全倒置了——“加快上市时间”已跃居企业对仿真的第一需求。

遗憾的是，传统仿真方法难以支撑这种高速迭代的诉求，它面临四个结构性的瓶颈：

速度慢：单次求解动辄数天，工程团队大量时间消耗在等待上；
门槛高：网格划分、边界条件设定等关键步骤，需要拥有五年以上经验的专家才能完成；
成本贵：主流商业软件年费高昂，还需配备高性能计算集群；
覆盖面窄：在中小企业中的渗透率不足10%。

显然，AI时代的工业，需要的是人人可用、即时反馈的物理推理能力，而非仅供少数专家驾驭的复杂工具。

极映 1.0：从专家工具到人人可调用的基础能力

正是洞察到这些行业痛点，以及对AI时代物理能力范式的判断，极映科技在2024年底成立，目标直指：让任意几何、任意工况的物理仿真，都能简单、快速、精准地实现。

工业，成为其首个商业化落地的场景。团队攻克了几何复杂性、边界与交互复杂、本构泛化性和物理准确性等四大技术难点。

2025年底，极映1.0模型正式发布。相比传统计算流体动力学工具，它实现了底层逻辑的重构：将典型推理时间从4-24小时压缩至秒级，速度提升超100倍，且精度损失低于5%；以统一框架覆盖流体、结构、热、电磁四大物理场，替代了过去相互独立的分散工具；采用无网格技术省去复杂前处理，结合自然语言交互实现零专业门槛上手。这标志着工业仿真领域的一次范式跃迁，物理仿真正从“专家专属工具”转变为“人人可调用的基础能力”。

一个典型的例子是工业设计中的拓扑优化。过去，这项工作依赖工程师的深厚经验，并有上千篇学术论文研究各种复杂算法。现在，利用AI可以生成数千种几何方案，极映模型能在1-2小时内完成全部仿真，设计师只需从中挑选符合需求的方案即可。整个过程从“被动优化”转向了“物理约束下的主动生成”，极大地拓展了设计空间。

其技术路线图清晰分为两步：第一步，通过纯数据驱动，收集海量多物理场数据，训练出通用的物理基础预训练模型；第二步，在预训练模型之上进行场景化封装，落地到不同应用领域。目前的1.0版本，已能做到仅需10-100例小样本即可快速适配新场景；而研发中的2.0版本，核心目标将是实现零样本物理推理，进一步打破模型的应用边界。

不止于工业：打开具身智能与世界模型的想象空间

工业应用，只是通用物理基础模型的起点。它的能力，正在向更具前沿性的具身智能领域延伸。

目前行业已普遍认识到视频数据、第一人称视角数据对训练机器人的价值。但所有视频数据都存在一个致命的信息维度缺失——力学信息。

我们能从视频中看到物体的外观、尺寸和运动轨迹，却无法得知“抓握这个物体需要多大的力”、“碰撞后会发生怎样的形变”。而这些力控信息，恰恰是机器人完成灵巧操作和高难度接触任务的核心。

极映科技正在做的，正是用物理基础模型补全这一缺失维度：将视频中提取的视觉信息输入模型，便能直接输出对应的完整力学信息。这意味着，互联网上海量的人类操作视频，有望一夜之间转化为机器人可用的高质量训练语料。

这正是通用物理基础模型的核心价值所在：它将过去分散在汽车、航空、影视、机器人等不同行业的物理仿真任务，统一到一个基础模型中解决。当这个模型与语言大模型、视觉大模型等其他基础能力完成深度融合，我们所期待的那个真正的世界模型，便会应运而生。

从复刻风洞中的气流，到模拟零件的形变，再到补全机器人训练的力学维度，最终目标是在数字世界中，重建一个完全贴合现实规律的物理宇宙。这不仅是技术路径，更是一种对物理世界进行极致映射的愿景。