极映科技高鑫：用AI极致映射物理世界，补齐世界模型的物理底座

当AI开始重塑科研与产业的底层逻辑，“AI for Science”早已从概念走向实践。最近的一场行业沙龙上，几位一线实践者分享了他们的前沿思考。其中，极映科技创始人兼CEO高鑫的分享尤为引人注目，他系统拆解了AI如何驱动下一代物理仿真，并展示了通用物理基础模型如何重构工业流程，甚至为具身智能打开全新的想象空间。

一个有趣的设想是：如果有一天，我们能在数字世界里1:1复刻真实物理世界的所有规律，构建一个完全贴合现实的数字孪生宇宙，这是否意味着，我们自身也可能身处某个巨大的模拟器之中？这个终极愿景的起点，或许就藏在“物理”这个关键拼图里。

世界模型，缺了“物理”这一块

眼下，“世界模型”成了AI领域的热词。但一个清晰的共识正在形成：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、财商等多个维度去衡量，其整体表现是各种能力的复合体。同理，在AI时代，每一项核心的基础能力，未来都可能对应一个专属的基础模型。语言方面，我们有GPT、Claude；感知方面，CLIP、SAM、Sora等模型不断突破。唯独在物理层面——从日常拿杯子该用多大力气的直觉，到专业领域的物理推理——始终是AI尚未补齐的关键一环。

因此，极映科技的出发点很明确：将经典物理范畴内的规律，打造成一个通用的物理基础模型。只有当语言、感知、物理这三大基础模型全部就位，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，物理仿真技术就已诞生。它的价值显而易见：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、耗费数百万；而物理仿真则在计算机里“重演”物理过程，修改设计后能立刻重新计算，大幅节省时间和成本。

这项技术的核心，在于求解描述物理规律的数学方程（如流体的Na vier-Stokes方程）。无论是汽车的气动分析、机器人的复杂动作，还是影视特效中逼真的水流烟雾，背后都有它的身影。

根据麦肯锡2024年的调研，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。但更关键的变化在于，企业对仿真需求的优先级已经发生了根本性翻转。过去，企业优先考虑性能优化，其次是降成本、降工程成本，最后才是加快上市速度。如今顺序完全倒置：加快产品上市时间成为首要诉求，之后才是降低成本与优化性能。

然而，“加快上市”这一首要需求，恰恰是传统仿真工具难以支撑的。它面临几个结构性的瓶颈：速度慢，单次求解动辄数天，工程团队大量时间耗费在等待上；门槛高，网格划分、边界条件设定等工作需要五年以上经验的专家；成本贵，主流软件年费高达数十万，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时代的工业界，需要的是一种人人可用、即取即用、能提供即时反馈的物理推理能力，而非仅服务于少数高端专家的复杂工具。

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：让任意几何形状、任意工况条件下的物理仿真，都能简单、快速、精准地实现。

团队首先选择了工业领域作为商业化落地点——这是一个需求明确、可快速实现价值的市场。为此，他们攻克了几何复杂性、边界与交互复杂性、材料本构泛化性和物理准确性四大技术难点。

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，它重构了物理仿真的底层逻辑：将典型推理时间从4-24小时压缩至秒级，速度提升超100倍，精度损失控制在5%以内；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；采用无网格技术免去复杂的前处理，结合自然语言交互实现零专业门槛上手，打破了传统工具对专家的强依赖。该模型已在多个真实工业场景中完成精度验证。

这堪称工业仿真领域的一次范式跃迁，让物理仿真从“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支架拓扑优化。过去，这项工作依赖工程师深厚的经验，并有上千篇学术论文研究各种复杂算法。现在，利用AI可以“暴力”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。

其技术发展路线图核心分为两步：第一步，采用纯数据驱动方案，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，已实现仅需10-100例小样本微调即可快速适配场景需求；而正在研发的2.0版本，核心目标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，只是物理基础模型的起点。现在，这套能力正在被推向更具前瞻性的领域——具身智能。

目前行业已普遍认识到视频数据、第一人称视角数据对机器人训练的价值。但必须指出，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，是不可或缺的维度。

极映正在做的，正是用物理基础模型补全这一缺失维度：提取视频中的视觉信息，输入基础模型，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学习的训练语料。

这正是通用物理基础模型最核心的价值所在：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工作，统一到一个基础模型中解决。当这个通用物理基础模型，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、完整的世界模型，自然会应运而生。

回溯初心，极映科技的使命，正是用AI极致地映射真实的物理世界。从复刻风洞中的气流运动，到还原一个零件的细微形变，再到补全机器人训练的力学维度，最终目标，是在数字世界里重建一个完全贴合现实规律的物理宇宙。