Ansys「电池仿真 + AI」聚焦档案(已被 Synopsys 收购)

角色:背景板 + 远期威胁,不是已经在做同一件事的直接对手。Ansys 是要被 agent 驾驶的"工具类对标/替代生态"之一(有 Newman P2D 工具),其 AI 当前停在 copilot 问答 + SimAI 代理模型加速 + 网格/几何窄 agent,没有自主端到端跑电化学仿真、更没有参数识别+留出验证闭环。真实风险是它有全部零件、资金与客户,未来可"顺手"补齐——所以 AutoSim 护城河必须落在 Ansys 当前明确不碰的地方:agent 自主闭环 + 参数可识别性 + 留出工况验证。

本档案只聚焦"电池仿真 × AI"的交集,不写整个 Ansys。

1. Ansys 的电池仿真能力

• 核心是 Ansys Fluent Battery Module,采用 MSMD(多尺度多域)框架,把电芯视为正交各向异性连续体。
• 电化学模型三档:经验型 NTGK、等效电路 ECM、物理机理型 Newman P2D / DFN。即 Fluent 内置 P2D,可做电化学-热-流完全耦合瞬态。
• 配套:结构/碰撞用 LS-DYNA,包级热管理用 Fluent,系统级用 Twin Builder(降阶/数字孪生)。
• 覆盖:电芯电化学(P2D)、热(强项,CFD 主导)、热失控与传播(营销重点)、结构/碰撞(LS-DYNA)、老化/容量衰减(偏弱)。

与 COMSOL Battery Design Module 比 P2D 谁更强: - COMSOL 以电化学机理为核心,P2D/DFN 是原生主线,在多孔电极、电解液传质、化学体系参数化上更深、更透明、更易用,第三方普遍认为其纯电化学更专。 - Ansys 电池仿真重心是 CFD/热/结构,P2D 是 Fluent 的附加电化学能力(常需 UDF/UDM 配置,门槛更高)。 - 判断:P2D 电化学机理深度上 COMSOL 更强;Ansys 优势在热/结构/包级 CFD 与多物理耦合规模。Ansys 的电池仿真是 CFD/热/结构主导,不是电化学机理主导。

2. Ansys 的 AI 方向

SimAI(数据驱动代理模型) - 数据驱动 surrogate 平台,physics-agnostic:用既有仿真/测量数据训练,对新设计几分钟内给预测。 - 量级:电池模组案例约 10 组 CFD 结果训练,1 分钟内预测 8 个新冷却设计;定位"早期设计探索、快速评估"。 - 2026 R1 分两档:SimAI Pro(桌面版,本地 GPU,当前只能预测几何表面物理量)/ SimAI Premium(全功能云 SaaS,训练数据扩到 >15 TB)。 - 本质是"加速仿真的代理模型",不是 agent。

Ansys Engineering Copilot / AnsysGPT - LLM 问答/向导助手,不自主跑仿真。基于 GPT-4o(经 Azure AI Foundry)。 - 能力:答产品/物理/工程问题、解释报错给纠正建议、推荐建模方法、检索文档、引导 setup。官方与第三方都明确"它不自主运行仿真"。 - 2025 R2 起进入 Discovery、Mechanical,陆续进 Fluent、HFSS/AEDT 等;对持牌用户免费。

有没有"AI agent 自主端到端跑仿真":尚未到。 2026 R1 出现首批 agentic 功能,但都是任务级窄 agent: - Mesh Agent(Mechanical):自动诊断网格失败、给修复步骤。 - Discovery Validation Agent:仿真准备阶段主动发现 setup 问题。 - 母公司 Synopsys 演示了 AgentEngineer 下的"L4 多 agent 设计与验证流",但在芯片/EDA 侧,不在电池仿真侧。 - 结论:停在 copilot(问答)+ 代理模型加速(SimAI)+ 单点任务 agent(网格/setup),没有自主端到端跑物理仿真的产品。

被 Synopsys 收购后(2025-07 完成):Synopsys 自定位为"silicon-to-systems 工程龙头",三大投资方向 co-design、digital twins、agentic AI;2026 R1 主打 agentic + 生成式 AI(Mesh Agent、GeomAI)。AI 投入加码且强调 agentic,但落点在芯片/系统协同与通用网格/几何,电池 P2D 不是叙事重心。

3. 电池 × AI 的交集

• 有,但只在"热/CFD 代理模型"这一层落地,且只是 SimAI:电池模组热管理是 SimAI 官方主打案例(约 10 组 CFD → 1 分钟预测 8 个冷却设计)。是用 AI 加速电池热仿真,不触及电化学 P2D。
• 没有发现:把 Copilot/agent 用于电池电化学 P2D 的案例;没有"AI agent 自主做电池 P2D 设计/参数识别/验证"的产品或公开表态。
• 结论:Ansys 的"电池×AI" = 用 SimAI 给电池热/CFD 做代理模型加速,停在热管理层;电化学机理侧 + agent 自主侧是空白。

4. 战略判断(对 AutoSim 的威胁)

• 能力具备所有零件(P2D 工具 + Copilot + SimAI + 收购后 agentic 投入 + AgentEngineer),理论上可顺手做"电池仿真 AI agent";但当前路线没把零件拼成"自主跑电化学闭环",重心在芯片/系统协同与热/几何/网格。
• 优势:既有 P2D/DFN 工具 + 全套多物理 + 庞大付费客户与渠道 + SimAI/Copilot/窄 agent + 母公司资金与战略。
• 劣势(AutoSim 的切口):通用巨头,电池电化学 P2D 非主线、机理深度弱于 COMSOL;AI 是 copilot + surrogate,非 agent 自主端到端;不碰参数识别 + 留出验证闭环(SimAI 是用历史仿真训代理模型加速,与"用真实数据约束参数、跨工况留出验证、不可识别就给边界或拒绝"正交);大公司转向慢,电池 P2D 垂直闭环对它是边角需求。

小结

Ansys 在电池仿真上是 CFD/热/结构主导的全能巨头,有 Newman P2D 但机理深度不及 COMSOL;其 AI 当前只有 SimAI 代理模型(仅在电池热管理层落地)和 Engineering Copilot 问答助手,加 2026 R1 刚冒头的网格/几何窄 agent,没有自主端到端跑电化学仿真、更没有参数识别+留出验证闭环。被 Synopsys 收购后 AI 加码、押注 agentic,但落点在芯片/系统协同,电池 P2D 不是重心。对 AutoSim 是背景板 + 远期威胁:它有全部零件、资金与客户,未来可"顺手"补齐,所以护城河必须押在它明确不碰的 agent 自主闭环 + 参数可识别性 + 留出工况验证。

信息来源(区分官方 / 第三方)

• Fluent Battery Module / P2D(官方):https://ansyshelp.ansys.com/public/Views/Secured/corp/v242/en/flu_ug/flu_bat_chp_overview.html ;https://www.ansys.com/applications/battery/pack-and-module-thermal-management
• COMSOL vs Ansys 电化学(第三方):https://www.researchgate.net/post/Is_COMSOL_multiphysics_or_ANSYS_more_powerful_for_simulating_electrochemical_processes
• COMSOL Battery Design Module(官方):https://doc.comsol.com/5.6/doc/com.comsol.help.battery/IntroductionToBatteryDesignModule.pdf
• SimAI / SimAI Pro(官方):https://www.ansys.com/products/ai/simai ;https://simai-pro.docs.ansys.com/version/stable/
• Engineering Copilot / AnsysGPT(官方):https://www.ansys.com/blog/work-faster-smarter-with-ansys-engineering-copilot
• 2026 R1 agentic 功能(第三方):https://www.simtool.com/article/synopsys-launches-ansys-2026-r1-first-integration-of-silicon-to-systems-simulation-platform/
• Synopsys 收购后愿景(官方):https://www.prnewswire.com/news-releases/synopsys-outlines-vision-for-engineering-the-future-302711205.html
• 电池热 AI 案例(官方):https://www.ansys.com/products/ai

Brimstone(负碳水泥,海外)

角色:关联弱,仅作存档。化学工艺创新(非 AI 软件),且经历政策资金波动。按对标新规则不作 AutoSim 对标。

基本信息

• 公司名:Brimstone(美国,总部加州 Oakland)
• 成立:2019 年,创立于 Caltech。
• 创始人:Cody Finke(CEO)、Hugo Leandri(联合创始人、首席战略官)。
• 业务定位:负碳水泥及"Rock Refinery"岩石精炼工艺,后续扩展到氧化铝等关键材料。

解决方案

• 解决问题:水泥生产约占全球 CO2 排放 7%–8%,主要来自煅烧石灰石释放的 CO2。
• 解决方式:不用石灰石,改用硅酸钙岩石作为钙源,从源头消除原料带来的 CO2 排放。
• 产物:普通波特兰水泥(OPC),与常规水泥等同,并已通过 ASTM C150 标准(口径:Brimstone 称为首个达到该标准的脱碳波特兰水泥,2023.07 公布)。

技术路线

• 原料:硅酸钙岩石。Brimstone 称该类岩石储量约为石灰石的 200 倍,且本身不含 CO2。
• 工艺:研磨岩石后,用浸出剂提取其中的钙,用于生产波特兰水泥。
• 负碳来源:工艺同时产出镁化合物,这些副产物可吸收空气中的 CO2,使整体过程达到负碳。
• 副产物:除水泥外,工艺还可产出补充胶凝材料(SCM)和冶炼级氧化铝(smelter grade alumina)。
• 路线扩展:2025.12 公布"Fourth Great Refinery"愿景,计划在水泥、氧化铝、SCM 基础上,进一步共产钢、铝、镁、钛等关键材料。首座工厂先落地"最小可行工艺(MVP)",只产水泥、氧化铝和 SCM。

产品壁垒

• 工艺壁垒:自有 Rock Refinery 专利工艺(共产多种材料的精炼路线)。
• 认证壁垒:OPC 通过 ASTM C150 标准,口径上可替代约 98% 的现有水泥用途(来源:DCVC)。
• 资源壁垒:在全美评估超过 23,000 个采石场后选定原料供应方,体现对岩石原料的筛选门槛。
• 注:壁垒属化学工艺 + 重资产产能型,非软件型。

团队

• Cody Finke:联合创始人兼 CEO,Caltech 环境科学与工程博士,电化学背景。
• Hugo Leandri:联合创始人兼首席战略官,与 Finke 在 Caltech 相识。
• James "Tim" Rens:2025.10 加入,任首席财务官,负责增长与商业化。

客户

• Amazon:2025.07 签署商业协议,预订 Brimstone 未来工厂的 OPC 和 SCM 年度产量(口径:reserve annual volumes,属预订/承购意向)。
• 其他建筑、水泥采购方与企业客户:Brimstone 称已就商业工厂产能与建筑公司、地产及企业伙伴展开承购谈判,具体名单未公开。

订单 / 合作 / 商业化

• Amazon 承购协议:2025.07,预订未来工厂年度水泥与 SCM 产量;双方计划 2025–2026 年继续更全面测试。
• Dolese Bros. Co.(俄克拉荷马州):2025.06,签署意向书(LOI),为 Brimstone 规划中的商业级 Rock Refinery 供应原料。
• 商业级工厂:规划一座约 $378M 的商业示范工厂,目标本十年末建成;选址仍在确定中(此前有内华达试点工厂)。该工厂规划产出波特兰水泥、SCM 和冶炼级氧化铝,被称为一代人以来美国首个本土氧化铝新产源。
• 上市状态:未公开有股票上市。注:2025.12 的"Brimstone Goes Public"指其结束 stealth、公开发布"Fourth Great Refinery"愿景,非证券市场 IPO。(另有同名 SPAC "Brimstone Acquisition Holdings",NYSE 代码 BRIM.U,系无关公司,勿混淆。)
• 营收信号:未公开。

市场信号(融资 / 估值)

• 累计融资约 $60M+。
• 种子轮 $5.1M,DCVC 与 Breakthrough Energy Ventures 联合领投。
• Series A $55M(2022),Breakthrough Energy Ventures 与 DCVC 联合领投。
• 其他投资方包括 Collaborative Fund、Amazon Climate Pledge Fund、Fifth Wall、S2G Ventures、GVP Climate、Osage University Partners、SystemIQ 等。
• 政策资金波动:2024.03 经 DOE Industrial Demonstrations Program 入选,获最高 $189M 联邦投资;2025.05 该拨款被 DOE 取消。Brimstone 表示在无此资金情况下仍推进首座工厂。

三反思(对 AutoSim)

• (a) 客户:建筑业、水泥采购方。
• (b) 服务:新工艺生产实体水泥。
• (c) 交付形态 + 壁垒:自建工厂、卖水泥(实体产品);壁垒=化学工艺 + 产能。

关键判断

按对标新规则剔除:非 AI 软件、重资产实体制造,且经历 DOE 拨款取消(政策/资金波动)。与 AutoSim 无叙事关联,仅留存档。

参考链接

• Brimstone secures $55M for carbon-negative cement - Build in Digital
• Brimstone advancing after losing DOE grant - Fast Company
• Carbon-free cement: Breakthrough, DCVC put $55 million into Brimstone - CNBC
• Brimstone's decarbonized Portland cement first to meet ASTM standard - Business Wire (2023.07)
• This startup CEO claims he can completely decarbonize the cement industry - CNBC
• Amazon and Brimstone Advance Lower-Carbon Cement Collaboration - Business Wire (2025.07)
• Brimstone to Produce Alumina, Bolstering U.S. Aluminum Supply Chain - Business Wire (2025.01)
• Industrial Demonstrations Program Selects Brimstone for $189 Million Federal Investment - Business Wire (2024.03)
• Brimstone advances plans to build first new U.S. Alumina plant in over 50 years - BIC Magazine
• Brimstone Goes Public as 'Fourth Great Refinery' - Business Wire (2025.12)
• DCVC | Brimstone receives ASTM certification, can replace 98% of world's cement
• Brimstone Media / News

Chai Discovery(生成式蛋白/抗体设计,海外独角兽)

角色:OpenAI 加持的药物基础模型独角兽;算法类 + 开源造势的估值锚。

基本信息

• 公司名:Chai Discovery(美国),2024 年 3 月成立。
• 创始团队:Joshua Meier(CEO,前 OpenAI/Meta 研究员,曾任 Absci 首席 AI 官)、Jack Dent(President,前 Stripe)、Matt McPartlon(CTO,前 Absci)、Jacques Boitreaud(前 Aqemia AI 负责人)。
• 业务:用生成式 AI 模型设计抗体和小分子,再用湿实验验证。
• 融资:累计约 $231M(Seed $30M;Series A $70M @ $550M,2025.08;Series B $130M @ $1.3B,2025.12)。投资方含 OpenAI、General Catalyst、Thrive Capital、Menlo Ventures、Oak HC/FT,以及 Greg Brockman、Fred Ehrsam 等个人。

解决方案

解决抗体药物发现慢和贵的问题。传统方法靠理性设计和定向进化,找到一个可用候选抗体通常需要 12–24 个月。Chai 用生成式 AI 直接在计算端设计抗体序列,再做湿实验验证,把周期压缩到 4–8 周。抗体相比小分子有更高的特异性和更长的血清半衰期,但发现过程一直慢而贵,这是 Chai 切入的痛点。

技术路线

• Chai-1:多模态结构预测基础模型,预测蛋白、DNA、RNA 和小分子之间的相互作用。开源(Apache 2.0)。在抗体–抗原结合测试上,约 17% 的留出结构 DockQ 得分高于 0.8,约为 AlphaFold 2 在同基准上的两倍。
• Chai-2:专门做 de novo 抗体设计的系统,分设计模块(生成针对指定表位和格式的新抗体序列)和折叠模块(预测抗体–抗原复合物结构)。
• zero-shot de novo 抗体设计:仅凭目标表位和结构,直接生成全新的 CDR(互补决定区),不依赖已有抗体模板或训练期支架。在 52 个不含已知抗体/纳米抗体结合物的靶点上测试,单轮实验对 50% 的靶点至少找到一个命中,实验命中率约 16–20%。
• 与传统计算方法的差别:传统计算方法的实验命中率约 0.1%,Chai-2 的命中率提升约 100–200 倍。Chai-2 折叠模块预测抗体–抗原复合物达到实验精度的概率约为 Chai-1 的两倍。小蛋白(miniprotein)设计的湿实验成功率约 68%。
• 上述结果来自 2025.07 发布的预印本《Zero-shot antibody design in a 24-well plate》(bioRxiv)。

产品壁垒

• 类型:基础模型 + 药企专有数据 + 开源生态。
• 模型:早期验证结果领先,Chai-1 折叠精度约为 AlphaFold 2 的两倍。
• 数据:与药企合作训练专属模型,获得药企专有数据,这是公共数据集(PDB 约 20 万结构、SAbDab 约 1 万)之外的增量。
• 开源生态:Chai-1 开源后数月内 GitHub star 超 1900、被引超 400 次(2025 全年约 304 篇论文引用),建立研究者口碑并区别于纯闭源对手。
• 难追/不难追:团队(OpenAI、Absci 背景)和先发位置是优势;但公共数据集对手同样可用,业内判断模型优势衰减快(每半年可能有新模型声称更强),纯平台模式历史上捕获价值有限。

团队

• Joshua Meier(CEO):哈佛本科,曾在 Feng Zhang 实验室做全基因组 CRISPR 筛选;在 Facebook 和 OpenAI 做过机器学习;2023 年在 Absci 任首席 AI 官和全球 AI 负责人。
• Jack Dent(President):Meier 哈佛计算机系同学;曾在 Stripe 搭建并领导产品与工程团队。
• Matt McPartlon(CTO):在 Absci 与 Meier 共事,做 de novo 抗体设计建模。
• Jacques Boitreaud:RNA 生物信息学背景;曾在 Aqemia 领导 AI,做小分子发现工具的工程化。

客户

• Eli Lilly(礼来):2026.01 公布的生物制药合作。
• Pfizer(辉瑞):2026.06 公布的授权协议。
• 其余药企客户名未公开。生态侧另有 David Baker 实验室(华盛顿大学)等学术使用,以及参与英国 OpenBind 计划。

订单 / 合作 / 商业化

• 商业模式:Chai-1 开源(Apache 2.0);Chai-2 按年订阅收费;为药企开发基于其专有数据的定制模型。主要客户是开发抗体疗法的大型药企和生物技术公司。
• Eli Lilly(礼来):2026.01.09–12 公布,为礼来内部管线加速。礼来支付中八位数(mid-eight figures)年度访问费(口径:有报道为年费,亦有来源称未披露具体金额)。Chai 用礼来大规模专有数据训练专属模型,礼来对该定制模型有独家使用权。合作处于临床前发现阶段,覆盖多个靶点,产出的抗体序列归礼来或独家授权给礼来。
• Pfizer(辉瑞):2026.06.02 由 BusinessWire 发布、2026.06.05 媒体报道。辉瑞将 Chai 的生成式 AI 药物发现平台部署进其研发流程,获得 Chai-3(此前未公开的下一代模型)的早期访问权,以及基于辉瑞专有数据训练的定制模型。财务条款未公开。
• 营收信号:礼来年费口径为中八位数;辉瑞条款未公开。除此之外营收数字未公开。

市场信号(融资 / 估值)

• 累计融资约 $231M:Seed $30M;Series A $70M @ $550M(2025.08);Series B $130M @ $1.3B(2025.12)。
• 投资方:OpenAI、General Catalyst、Thrive Capital、Menlo Ventures、Oak HC/FT,及 Greg Brockman、Fred Ehrsam 等个人。

三反思(对 AutoSim)

• (a) 客户:药企。
• (b) 服务:生成式化学/蛋白基础模型。
• (c) 交付形态 + 壁垒:模型平台(Chai-1 开源造势)+ 药企部署;壁垒=基础模型 + 实验反馈数据。

关键判断

算法类,OpenAI 背书。领域=药物,离 AutoSim 远;价值在"基础模型 + 开源造势"的估值范式。

参考链接

• Chai raises $130M at $1.3B - DDW
• Chai Discovery breakdown - Contrary Research
• Chai-2 releases: 16% hit rate de novo antibody design - MarkTechPost
• Chai-2 zero-shot antibody design 16-20% hit rate - BioPharmaTrend
• Zero-shot antibody design in a 24-well plate - bioRxiv 预印本
• Joshua Meier - Crunchbase
• Chai's the Limit after $130M Series B - GEN
• Chai Discovery & Eli Lilly Partnership - IntuitionLabs
• Chai Discovery Announces License Agreement with Pfizer - BusinessWire
• Chai Discovery license agreement with Pfizer - PharmExec

Chemix(GenAI 电池设计,海外)

角色:★ 电池垂类最相关;self-driving lab 数据飞轮。客户与 AutoSim 高度重叠、任务互补。

基本信息

• 公司名:Chemix, Inc.(美国)
• 成立:2021 年
• 总部:美国加州 Sunnyvale(地址:495 Mercury Drive, Sunnyvale, CA 94085)
• 联合创始人 / CEO:Kaixiang Lin(博士)
• 联合创始人:Jason Koeller(博士)
• 团队来源:哈佛、斯坦福、伯克利及顶级电池/EV 公司(公司自述)
• 官网:chemix.ai
• 融资:Series A $20M(2024.4)
• 估计年营收:约 $1.5M(第三方数据库 Prospeo 口径,非官方,时间未标注)
• 累计融资:约 $23M(Crunchbase 口径)

解决方案

• 解决的问题:电池研发周期长、试错成本高。传统材料配方与电芯设计依赖人工试验,迭代慢,难以匹配不同 EV 车型的差异化性能需求。
• 怎么解:用生成式 AI 自动设计电解液配方、电极设计和电芯方案,再由自建实验室自动测试验证,缩短研发迭代周期。公司称研发周期可缩短约 10 倍(官方口径)。
• 目标产品:无钴、无镍(Co/Ni-free)的高性能可持续 EV 电池化学体系,长期目标减少对镍、锂的依赖。
• 兼容性:电池设计兼容现有锂离子产线,客户可从研发平滑过渡到量产(公司自述)。

技术路线

• 核心形态:垂直整合的"生成式 AI + 自动驾驶实验室"(GenAI-powered self-driving lab)。
• 平台:专有研发平台 MIX®。AI 每天生成新分子/配方供测试,实验室自动执行,数据回流再训练模型,形成数据飞轮。
• 模型:专有的基于 transformer 的深度神经网络,用于自动生成材料和电芯设计。
• 数据规模(2024.4 官方口径,成立不到三年累计):测试 10,000 个商用规格软包/圆柱/方形电芯;筛选 4,000 种电解液配方;评估 2,000 余对电极设计;采集 450 万次循环数据。
• 与传统方法的差别:传统靠人工试验试错;Chemix 用自建实验室产生专有数据训练 GenAI 模型,由模型驱动配方和电芯设计的自动迭代。
• 已公布技术指标(官方口径,部分称经 EV OEM 第三方验证):
• 无钴无镍锂离子电池,高温下连续 1,500 次循环,或快充约 2,000 次循环。
• 下一代无钴无镍电池,能量密度比主流 LFP 高约 20%,寿命超过 1,500 次循环。

产品壁垒

• 主壁垒属"数据 + 模型":自建自动实验室持续产生专有电池数据,训练专有 GenAI 模型,形成数据飞轮。难追原因是自动实验室的资本投入和多年积累的循环数据难以短期复制。
• 次要壁垒属"团队":创始团队具备电解液/锂金属电池研发背景,叠加 GenAI 能力。
• 客户切换成本:电池设计兼容现有锂离子产线,降低客户切换门槛,这点对 Chemix 是获客优势而非锁定壁垒。

团队

• Kaixiang Lin(联合创始人 / CEO):多伦多大学有机化学本科(2009–2013);哈佛大学有机化学与电化学博士(2013–2017);斯坦福大学博士后(2017–2018);此后在电池创业公司 Cuberg 任电池科学家、高级科学家(2018–2021),主导高能量密度锂金属电池的核心电解液研发,并管理先进开发研发团队。
• Jason Koeller(联合创始人,博士):公开背景细节未公开。
• 团队整体来自哈佛、斯坦福、伯克利、剑桥及顶级电池/EV 公司(公司自述,未公开具体名单)。

客户

• 一家 EV 制造商:2024 年 Q1 签订 2-GWh 电芯供应协议,客户名称未公开(官方描述为"一家前沿 EV 制造商",用于高端越野 SUV 及电池包产品线)。
• 另有报道称该供应协议面向电动摩托车和商用 EV 制造商(二手来源,口径与官方"高端越野 SUV"不完全一致,需谨慎)。
• 与 APAC 和 EU 的主流车企扩大合作(二手来源,具体车企名称未公开)。
• 具体客户名:未公开。

订单 / 合作 / 商业化

• 供应协议:2024 年 Q1 与一家 EV 制造商签订 2-GWh 电芯供应协议(官方口径)。Series A 资金用于支撑该协议交付。
• 战略合作:KDDI 表示将支持 Chemix 拓展日本市场;尚无具体落地合作公布。
• 市场拓展:公司称在扩大 APAC 与 EU 主流车企合作并提升营收和销售管线(官方口径,无具体金额)。
• 营收:官方未公开具体数字;第三方数据库估计约 $1.5M/年(口径与时间未明)。

市场信号(融资 / 估值)

• Series A $20M(2024.4,Ibex Investors 领投;Mayfield Fund、Berkeley SkyDeck、Urban Innovation Fund 参投;战略投资方 BNP Paribas Solar Impulse Venture Fund、KDDI Open Innovation Fund III、Porsche Ventures)。早期投资方还包括 Radical Ventures。
• 早期估值约 $37M(二手来源,需谨慎)。
• Porsche Ventures、KDDI 等战略投资方绑定车企/电信产业,验证产业付费意愿。
• 2-GWh 供应协议是较强的商业化信号:已从研发走向有量产订单。

三反思(对 AutoSim)

• (a) 客户:EV 电池研发/车厂(与 AutoSim 客户高度重叠)。
• (b) 服务:GenAI 设计电池配方 + 自动实验室验证。
• (c) 交付形态 + 壁垒:self-driving lab(配方 IP + 实验数据飞轮);壁垒=自动实验室数据。

关键判断

与 AutoSim 同属"给电池研发提速",但 Chemix 做材料配方发现(数据类,self-driving lab 一看就懂),AutoSim 做电芯电化学仿真(agent 驾驶 COMSOL)。客户重叠、任务互补。规模尚小($20M),但验证了电池行业愿为 AI 研发工具买单。

参考链接

• GenAI-powered Battery Developer Chemix Closes Its $20M Series A - WebWire
• Chemix closes $20M Series A - FinSMEs
• KDDI Open Innovation Fund III Invests in Chemix - KDDI
• Chemix uses AI to design better EV batteries - Fast Company
• Chemix raises $20M in Series A funding - CITRIS and the Banatao Institute
• Kaixiang Lin - Co-founder and CEO @ Chemix - Crunchbase
• Kaixiang Lin - Co-founder and CEO at Chemix - The Org
• Chemix, Inc. - Battery-Tech Network
• Chemix - Radical Ventures portfolio
• Chemix 官网

COMSOL AI(Chatbot 窗口)+ CompLabs "AI Copilot"—— AutoSim 的工具/底座,兼潜在竞争者

角色:这是 AutoSim 直接驾驶的工具,不是单纯竞品。关键判断:COMSOL 官方的 AI 目前只到"内置 LLM 问答+写码助手"程度,不自主建模、不自主求解;真正与 AutoSim 范式重叠的是第三方 CompLabs 的"AI Copilot"(外部 agent 自然语言自动化 COMSOL 设置)及各类 COMSOL MCP/学术 LLM-agent——但它们聚焦力学/热/CFD 通用场景,无电池 P2D 垂直深度。

重要区分:常被混为一谈的是两个不同东西——(A) COMSOL 官方的 Chatbot 窗口(6.4 正式功能,LLM 助手);(B) 第三方 CompLabs(Composition Labs)发布的 "AI Copilot" 论文(研究/开发项目,非 COMSOL 官方产品,因发表在 COMSOL Conference 页面而易被误读为官方)。

A. COMSOL 官方 AI = "Chatbot 窗口"

• 状态:正式功能,随 COMSOL Multiphysics 6.4 发布(6.4 于 2025-11-18 发布)。默认内置但需手动配置(填外部 LLM 的 API key),目前仅 Windows。
• 机制:是 LLM 问答/写码助手,不是自动化仿真设置。
• 能做:生成/调试 Java / COMSOL API 代码(建几何、定义材料、写变量、把重复操作改 for 循环、找 bug);回答建模问题;6.4 起可检索 COMSOL 官方文档作答;可读取当前激活模型信息做"模型感知"问答。
• 不能做:不能自己执行模型设置、不能自己跑仿真。工作流是"生成代码 → 用户右键 Send to Java Shell → 点 Run",每步由工程师审核执行。官方明确"LLM 没有装进 COMSOL 内部"。
• 是否非专家一句话跑完仿真:否。面向已会 COMSOL 的工程师,是写码/查文档的副驾。
• LLM 来源:纯外部。连 OpenAI 兼容接口,6.4 官方列出 GPT-5、Google Gemini、DeepSeek 及其他 OpenAI 兼容/本地模型;用户自带 API key。(注:个别第三方转述提到含 Anthropic Claude,官方博客/文档只明确 OpenAI 兼容类,存疑。)
• 战略定位:AI 当辅助,不做自主仿真。 官方一致框定为"保持工程师掌控的助手":只给建议/代码、不自动改模型、不自主跑仿真,每步人工审核;6.4 的 AI 被明确描述为 assistant-only、非 agentic。6.4 的重头戏其实是 NVIDIA cuDSS GPU 直接求解器(5x+ 提速)、显式动力学、Granular Flow Module——说明 COMSOL 的 AI 投入是把外部 LLM 接进来当副驾,主力仍是数值求解性能。

B. CompLabs "AI Copilot" = 外部 agent 自然语言自动化仿真设置(与 AutoSim 同类)

• 主体:CompLabs(Composition Labs,旧金山初创),Chinmay Shrivastava、Noah Evers 开发,2025 年发表。状态:开发中的项目、非商业产品,正与一家全球铝业供应商落地一个应用。
• 架构:planning-execution(规划-执行)+ geometry-aware reasoning engine(几何感知推理)+ 图表示 + 视觉语言模型 VLM;读 STEP 几何、理解意图、生成仿真计划,自动做特征识别、材料赋值、边界条件(含摩擦、对流)、网格生成+质量检查、跑瞬态热分析、提结果(温度/应力/梯度)。
• 定位:"包住 COMSOL"而非替代——调用 COMSOL 脚本/API 编排,强调代码全程可追溯 + 人工审核。宣称让非专家用自然语言跑仿真,铝刹车盘案例称"周→分钟、10x"。
• 注意:CompLabs 主业其实是"几秒出高保真力学仿真的基础模型/代理模型",Copilot 是其外围工具。这是与 AutoSim 同范式(外部 agent 驾驶 COMSOL)、但聚焦力学/热、无电池机理与验证闭环。

外部 AI Agent 驾驶 COMSOL 的底座(AutoSim 范式成立的前提)

• COMSOL 开放官方 API:Java API(一切接口的共同基础)、LiveLink for MATLAB、LiveLink for Excel(VBA)、Application Builder 的 Model Method。官方明示"UI 里能做的任何建模任务都能通过 API 完成"(几何/网格/物理/求解/后处理全程)。
• Python 路径:官方没有 Python LiveLink;靠社区开源 MPh(JPype 桥接 Java API 的 Python 封装)。
• 区别:COMSOL 内置 Chatbot 在软件内对当前模型做问答/写码,人手动执行、不自主;外部 agent(AutoSim / CompLabs / 学术界)从外部经 API/LiveLink/MPh 程序化全流程驱动 COMSOL,可做到自主或半自主。
• 生态信号:第三方已出 COMSOL MCP Server(把 COMSOL 能力以 MCP 协议暴露给 AI 助手,做全流程自然语言驱动)。说明"外部 agent 驾驶 COMSOL"正被多方实现,门槛在下降。

电池仿真背景(COMSOL 既是被驾驶工具,又可能是竞争者)

• COMSOL Battery Design Module 提供业界标准 Newman P2D(Doyle-Fuller-Newman / pseudo-2D) 模型,支持 1D/2D/3D,可耦合传热、机械应力应变(嵌锂膨胀),含颗粒半径作第四独立变量、表面反应动力学耦合等。
• 含义:P2D/Newman 是 COMSOL 成熟既有能力,AutoSim 实际上是驾驶 COMSOL 跑 P2D——COMSOL 同时是 AutoSim 的工具/底座,又因自带电池模块和 AI 助手而是潜在竞争者。

小结(对 AutoSim 的定位)

1. COMSOL 官方 AI 只到"内置 LLM 问答+写码助手(Chatbot 窗口,6.4 正式版)":连外部模型、查文档、生成 Java 代码,但不自主建模、不自主求解,人必须手动执行每一步,面向已会 COMSOL 的工程师。
2. 因此对 AutoSim,COMSOL 主要是工具/底座而非正面竞争者——它开放 Java API / LiveLink / 社区 MPh,正是 AutoSim 这类外部 agent 驾驶它的前提;它还自带 P2D/Newman 电池模块,是 AutoSim 实际驾驶的对象。
3. 真正与 AutoSim 范式重叠的是第三方 CompLabs "AI Copilot" 和各类 COMSOL MCP/学术 LLM-agent——但它们聚焦力学/热/CFD 通用场景,仍在开发期,且没有电池 P2D 的垂直深度。
4. AutoSim 的差位清晰:垂直锂电 P2D,强调参数可识别性/留出验证/适用范围与拒答;COMSOL 内置 AI 不碰自主建模,第三方 Copilot 不碰电池机理与验证闭环。
5. 风险提示:COMSOL 平台层正快速"AI 化"(Chatbot + 第三方 MCP 涌现),外部驾驶 COMSOL 的门槛在下降——AutoSim 的壁垒应押在电池领域知识、机制判断与验证方法论上,而非"能调用 COMSOL"本身。

信息来源(区分官方 / 第三方)

• COMSOL 6.4 发布(官方):https://www.comsol.com/release/6.4
• Chatbot 窗口机制(官方):https://www.comsol.com/blogs/using-the-chatbot-window-in-comsol-multiphysics ;https://www.comsol.com/support/learning-center/article/setting-up-the-chatbot-window-in-comsol-multiphysics-92151
• COMSOL API 概览(官方):https://www.comsol.com/support/learning-center/article/overview-of-the-comsol-api-107912
• Battery Design Module(官方):https://www.comsol.com/battery-design-module
• 6.4 GPU/cuDSS(官方):https://www.comsol.com/press-release/comsol-speeds-simulation-with-expanded-nvidia-gpu-support-for-comsol-multiphysics-version-64-14612
• CompLabs "AI Copilot" 论文(第三方,发于 COMSOL Conference 页):https://www.comsol.com/paper/ai-copilot-for-automating-simulation-setup-in-comsol-multiphysics-145242 ;CompLabs:https://www.crunchbase.com/organization/complabs
• MPh 开源(第三方):https://github.com/MPh-py/MPh
• COMSOL MCP Server(第三方):https://mcp.aibase.com/server/1639703239249372009

CuspAI(生成式材料发现,海外)

角色:材料"搜索引擎";与 AutoSim 领域相邻(材料),海外有、国内空白。

基本信息

• 公司名:CuspAI
• 总部:英国剑桥。另在荷兰阿姆斯特丹、德国柏林设团队。
• 成立:2024。
• 创始人:Chad Edwards(CEO)+ Max Welling(CTO)。
• 定位:用生成式 AI 做材料发现,自称"材料搜索引擎"。
• 核心模型:MOFGEN,面向金属有机框架(MOF)的生成模型。
• 累计融资:约 1.3 亿美元(seed 3000 万 + Series A 1 亿+)。截至 2026.4 在洽新一轮约 2 亿美元,估值或破 10 亿(口径见下文)。

解决方案

解决的问题:传统材料研发周期长。从立项到合成验证常需 10 至 20 年。

CuspAI 的做法:用户输入所需的物理或化学属性(如强度、导电性、热稳定性、CO2 吸附能力),系统反向生成满足这些属性的候选材料结构,并给出可合成的分子或框架。公司称可把研发周期从十年级压缩到数月,生成候选比传统方法快约 10 倍。

主要交付方式为 in silico 开发,即在计算环境中完成分子或配方的设计,再交由产业伙伴合成验证。

技术路线

• 生成式材料基础模型:核心是 MOFGEN,一个面向 MOF 的自回归 Transformer。公开口径称其 VUN(有效、唯一、新颖)率达 49%,生成结构经物理与化学约束校验,并与产业伙伴的实验数据对照。
• 逆向设计:从目标属性反推结构,而非从已知结构库正向计算属性。这是与传统高通量筛选的主要区别。传统筛选在固定候选库中逐个计算并排序;CuspAI 直接生成库外的新候选。
• 数据基础:与 Meta、佐治亚理工合作构建直接空气捕集(DAC)数据集。ODAC23 含基于 8800 多种 MOF 的约 3800 万次 DFT 计算;后续推出 ODAC25。这类大规模第一性原理数据用于训练加速代理模型,替代逐个昂贵的化学模拟。

产品壁垒

• 数据:与 Meta、佐治亚理工共建的大规模 DFT 数据集,以及与产业伙伴(Hyundai、Kemira)合作产生的实验数据,构成训练与验证闭环。
• 模型:生成式材料基础模型(MOFGEN)及其逆向设计能力。
• 团队:创始人与顾问阵容覆盖顶级 ML 与化学。具体见下。

三类壁垒中,数据闭环与团队信誉是当前最难追的部分。

团队

• Chad Edwards(联合创始人、CEO):化学博士出身的连续创业者。曾任剑桥量子计算(CQC)商业联合创始人;CQC 与 Honeywell 合并为 Quantinuum 后,任战略合作副总裁兼全球战略负责人。
• Max Welling(联合创始人、CTO):机器学习学者。阿姆斯特丹大学教授,曾任高通 AI Research 技术副总裁、微软研究院杰出科学家。在变分推断、概率深度学习、几何深度学习等方向有影响力。
• 顾问:公开提及 Geoffrey Hinton、Yann LeCun 等。
• 天使投资人(部分):Durk Kingma(OpenAI 联合创始人)、Zoubin Ghahramani(Google 研究副总裁)、Arash Ferdowsi(Dropbox 创始人)、Thomas Wolf(Hugging Face 创始人)、Victor Riparbelli(Synthesia CEO)。

客户

已公开的具体合作方:

• Hyundai Motor Group(现代汽车集团):2025.11.6 在剑桥宣布战略合作,面向未来出行材料。现代同时为 Series A 投资方。
• Kemira(芬兰化学品公司,赫尔辛基上市):2025.7.9 宣布战略合作,首个项目针对水中 PFAS("永久化学品")去除。
• Meta:合作方向为碳捕集数据集与 AI 模型(与佐治亚理工共同)。

公司自述客户覆盖汽车、能源、半导体、气候等领域的全球企业。除上述外的具体客户名未公开。

订单 / 合作 / 商业化

• Hyundai 合作(2025.11):确立跨多领域的合作框架,目标提升下一代材料的效率、耐久性与稳定性,并用于智能出行。公告未披露具体材料类别(电池、燃料电池等),也未披露金额。现代同时参与了 Series A 投资。
• Kemira 合作(2025.7):首期项目为 PFAS 去除,称为"水行业首个"此类 AI 合作;同时在 Kemira 内部培养 AI 能力。公告未披露财务条款。
• Meta / 佐治亚理工合作:共建 OpenDAC 开源直接空气捕集数据集(ODAC23 / ODAC25),用于 DAC 吸附剂筛选。研究发表于 ACS Central Science。识别出约 241 种高潜力 MOF。该合作为开放科研性质。
• 营收信号:有报道称新商业合同推动其内部估值从约 5.2 亿美元增至约 8 亿美元(口径见市场信号),显示已有付费合同进展。具体营收数字未公开。

市场信号(融资 / 估值)

• Seed:3000 万美元(2024.6),投资方包括 Hoxton、Basis Set、Lightspeed 等。
• Series A:1 亿美元+(2025.9.11 closed),估值约 5.2 亿美元。NEA 与 Temasek 联合领投。参投方含 NVIDIA 风投 NVentures、三星风投 Samsung Ventures、现代汽车集团、Prosus Ventures、Northzone、LocalGlobe、Giant Ventures、Touring Capital、FJ Labs、Tiferes Ventures、Basis Set 等,及多位知名天使。
• 新一轮(在洽):据 Bloomberg(2026.4.20 报道),CuspAI 正在洽谈募集至少约 2 亿美元,估值或超 10 亿美元(尚未签署 term sheet)。报道称其内部估值因新商业合同已升至约 8 亿美元。

三反思(对 AutoSim)

• (a) 客户:工业化学/能源企业。
• (b) 服务:生成式材料基础模型(逆向设计)。
• (c) 交付形态 + 壁垒:模型 + 企业合作;壁垒=生成式材料基础模型 + 数据。

关键判断

算法类材料发现,海外活跃、国内空白。领域与 AutoSim 相邻(材料),但 AutoSim 是 agent 驾驶仿真、它是生成式逆向设计,路线不同。可作"材料 AI 海外热度"的叙事佐证。

参考链接

• CuspAI 官网
• Securing our $100M+ Series A - CuspAI Medium
• A Year at the Cusp: 2025 - CuspAI Medium
• From Algorithms to Atoms: Our Investment in CuspAI - NEA
• CuspAI raises $100M to build AI 'search engine' - SiliconANGLE
• CuspAI raises $100M for AI chemistry - Fortune
• CuspAI targets $100M - TechFundingNews
• AI search engine for new materials nears $200M raise - TechFundingNews
• Hyundai Motor Group and CuspAI Partner - Hyundai Newsroom
• Kemira and CuspAI Forge Strategic Partnership - Kemira
• Meta, Georgia Tech and CuspAI launch largest open DAC dataset - Carbon Herald
• Georgia Tech and Meta Create Massive Open Dataset for Carbon Capture - Georgia Tech
• Material Revolution: A Portrait of CuspAI's Chad Edwards - Northzone

Cyberdesk(赛博桌面)——驾驶老旧 Windows 桌面软件的 computer-use agent

角色:与 AutoSim 同构的早期代表。它用 computer-use agent 操作没有 API 的老旧专业软件(EHR、ERP),客户不换工具。AutoSim 用 agent 驾驶 COMSOL 做电化学仿真,机制相同,行业不同。Cyberdesk 横向覆盖各行业桌面软件,AutoSim 垂直在仿真。

基本信息

• 公司名:Cyberdesk。
• 定位:面向开发者的自学习 computer-use agent,自动操作老旧 Windows 桌面软件。
• 地点:美国旧金山。
• 成立:2025 年。
• 批次:Y Combinator Summer 2025(S25)。
• 团队规模:2 名创始人。
• 官网:cyberdesk.io。
• 开源仓库:github.com/cyberdesk-hq/cyberdesk(Apache 2.0,311 stars,口径为检索时)。

解决方案

Cyberdesk 让开发者用自然语言描述任务,再调用 API 触发 agent,在 Windows 桌面软件上自动完成操作。目标软件是没有现代 API、难以集成的老旧专业系统,例如 EHR(电子病历)、ERP。

它解决的现状:开发者要么雇离岸团队用远程桌面手工点击,要么维护脆弱的自动化脚本。Cyberdesk 把这类重复操作交给 agent,声称比标准 computer-use 模型快 3 到 5 倍,成本更低,可靠性更高。

部署方式:在物理或虚拟 Windows 机器上安装一个驱动(driver),不需要 VPN 或防火墙规则。提供 TypeScript 和 Python SDK,带调度和重试。提供可观测面板,查看运行日志。

技术路线(computer-use agent 怎么操作无 API 的桌面/老旧软件)

核心是"视觉驱动 + 确定性回放 + 模型兜底"的混合架构。

• 视觉控制:agent 读取屏幕截图,基于视觉模型生成精确点击坐标,直接向桌面发送点击、输入、滚动指令。创始人称使用 Claude Sonnet 4 的坐标生成能力来定位输入框并算出点击坐标。不依赖 Windows UI Automation 等无障碍接口,创始人表示截图视觉方案目前表现已足够。
• 学习一次:agent 首次执行任务时,缓存每一步成功操作(每个点击、输入、滚动)。
• 确定性回放:后续运行直接回放缓存步骤,称"100% 确定性",速度约快 3 倍,单次成本极低。创始人称顺利路径(happy path)下单次执行成本低于 0.0001 美元,因为只用便宜的视觉模型做屏幕状态校验,而不是每步都调用昂贵的 computer-use 模型。
• 状态校验与兜底:每步把实时屏幕状态与记忆状态比对。出现弹窗、界面变化或延迟等异常时,才回退到 computer-use 模型重新推理,并把新轨迹也记下来。
• 与传统 RPA 的区别:不是盲目重放点击,而是带上下文校验和自我纠正。

开源部分:仓库提供虚拟桌面编排基础设施,通过 REST API 控制鼠标、键盘、截图;含 Kubernetes operator(基于 KubeVirt 管理虚拟机生命周期)、HTTP 网关、Python 与 TypeScript SDK;可部署在 Azure AKS 或自托管。还提供一个开源驱动,让 Windows 机器与后端通信,接收点击/输入/滚动指令并回传截图。

合规(面向医疗客户):与医疗厂商签 BAA;与 Anthropic、OpenAI 签零数据留存协议;SOC 2 Type I 已达成,Type II 观察期中;HIPAA 合规;行级安全。

产品壁垒

• 确定性回放 + 模型兜底的工程化,把成本和可靠性同时压住,这是与"裸 computer-use 模型"和"传统 RPA"的差异点。
• 任务记忆数据:每跑一次任务就沉淀一条可复用轨迹,越用越快越稳。这是数据飞轮的雏形。
• 行业合规资质(BAA、SOC 2、HIPAA、零留存),构成进入医疗等受监管行业的门槛。
• 部署轻:装驱动即可,无需 VPN、防火墙改动或改动客户原有软件。客户不换工具。
• 注:壁垒目前偏早期,自托管和私有化部署仍在路线图上,尚未完成。

团队

• Mahmoud Al-Madi,联合创始人 / CEO。莱斯大学(Rice University)电气工程本科。曾在 Baylor College of Medicine 和 Texas Children's Hospital 做 AI/ML,在 Rice Networks Group 合作发表研究。曾在一家财富 100 强公司主导 RPA 方案,覆盖 2 万名以上员工。
• Alan Duong,联合创始人 / CTO。前 NASA(发射控制中心)软件工程师。从莱斯大学计算机系退学,成为一家 PearX 背景 AI 初创的创始工程师,把一款消费 AI 应用做到数千付费用户。此前有构建 computer-use agent 的经验。MVP 据称 6 天完成。

客户

未公开具体公司名。已披露的客户类型与场景:

• 一家客户在做医院患者接诊(patient intake)的 AI agent,用 Cyberdesk 替代原本整支团队手工在桌面软件里点击、输入来预约,已在生产环境运行,在 EHR 应用中创建预约。
• 牙科 EHR(OpenDental)的患者资料录入。
• 老旧 ERP 的文件导入导出处理。
• 桌面 PMS(诊所管理系统)的患者预约。

行业覆盖:医疗、金融、供应链/物流、建筑、会计。

订单 / 合作 / 商业化

• 据创始人侧资料,MVP 完成后即拿到首个付费客户。
• 已有 agent 在生产环境运行(医院预约、EHR 录入、ERP 文件处理)。
• 当前为人工 onboarding,自助(self-serve)和自托管/私有化部署在路线图上,尚未上线。
• 具体订单金额、客户数、收入:未公开。

市场信号(融资 / 估值)

• 融资:多处资料称已获约 50 万美元(口径不一,部分来源仅列 YC 标准投资,未单列明细)。
• 投资方:Y Combinator;另据 PitchBook,Hike Ventures、N1(布拉格)也参与。
• 估值:未公开。
• 关注度:Product Hunt 当日排名第 16,127 upvotes;GitHub 311 stars;Hacker News 有 Launch HN 讨论。
• 注:融资金额以一手披露为准,现有数字多来自第三方数据库,口径需谨慎。

三反思(对 AutoSim)

• (a) 客户:Cyberdesk 的客户是"被困在老旧专业软件里、靠人工或脆弱脚本"的团队,买点是省掉重复人工、不改动原系统。AutoSim 对应的客户是"被困在 COMSOL/专业仿真软件里、靠资深工程师手工建模调参"的电池研发团队。两者都打"高门槛专业软件 + 重复专家劳动"这一痛点。验证:这个买点在海外有人付费。
• (b) 服务:Cyberdesk 卖"agent 替人操作软件 + 任务越跑越稳"的能力,而不是卖一套新软件。AutoSim 同理,卖"agent 驾驶 COMSOL 完成仿真任务"的能力,客户不换工具。两者都把交付重心放在 agent 的可靠执行,而非取代底层专业软件。
• (c) 交付形态 + 壁垒:Cyberdesk 交付偏"API + 驱动 + SDK",壁垒诉求是确定性回放工程、任务记忆数据、行业合规。AutoSim 交付偏"仿真任务结果 + 验证报告",壁垒诉求是数据/模态/交付形式。差异提示:Cyberdesk 走开发者 API 平台路线、横向铺多行业;AutoSim 应强化垂直壁垒,即电化学机制判断、参数识别与留出验证的数据闭环,这是横向 computer-use 平台不具备的领域纵深。

关键判断

• Cyberdesk 验证了"agent 驾驶现有/老旧专业软件、客户不换工具"这一机制在海外已有人做、有人付费、能进 YC。这与 AutoSim 驾驶 COMSOL 的机制同构。
• 国内尚未见到对标该机制的同类公司,这一方向国内基本空白。
• 同构点:都是 agent 操作无现代 API 的专业软件;都靠"学一次、稳定复用"积累数据;都主打客户不换工具、轻交付。
• 关键差异:Cyberdesk 横向,覆盖任意 Windows 桌面软件,核心是通用 computer-use 执行可靠性;AutoSim 垂直在电化学仿真,核心不只是"会操作 COMSOL",更在于仿真任务本身的机制判断、参数可识别性和留出验证。AutoSim 的护城河应建在领域纵深和验证证据上,而非操作层本身——操作层会被通用 computer-use 平台逐步覆盖。
• 风险提示:Cyberdesk 当前自托管、自助、合规多项仍在路线图上;其壁垒仍属早期。AutoSim 不宜把"agent 能操作软件"本身当作壁垒。

参考链接

• YC 公司页:https://www.ycombinator.com/companies/cyberdesk
• YC Launch 页:https://www.ycombinator.com/launches/O4a-cyberdesk-the-computer-use-agent-for-developers-to-automate-legacy-windows-apps
• Launch HN(含创始人技术回帖):https://news.ycombinator.com/item?id=44901528
• 官网:https://cyberdesk.io
• 开源仓库:https://github.com/cyberdesk-hq/cyberdesk
• Product Hunt:https://www.producthunt.com/products/cyberdesk
• Fondo 博客(Launch 报道):https://fondo.com/blog/cyberdesk-launches
• 创始人 Alan Duong(No Cap 侧写):https://nocap.blog/founder/alan-duong/
• Dealroom:https://app.dealroom.co/companies/cyberdesk_1
• PitchBook:https://pitchbook.com/profiles/company/864630-10
• Mahmoud Al-Madi LinkedIn:https://www.linkedin.com/in/mahmoudalmadi/

深势科技(DP Technology):AI for Science 平台公司,以深度势能分子模拟为核心,做"微观世界的科学计算操作系统"

角色:国内 AI4S(AI for Science)头部公司,与 AutoSim 不构成正面竞争。其电池设计自动化平台 Piloteye 与 AutoSim 在电池材料/电芯仿真上有领域重叠,但路线相反:深势自建多尺度模拟引擎和大模型,AutoSim 驾驶现有商业软件(COMSOL)。其增长可作为国内 AI4S 需求和市场容量的参照。

基本信息

• 公司名:深势科技 / DP Technology(全称北京深势科技有限公司)。
• 成立时间:2018 年。
• 地点:北京(总部),另设上海、深圳、宜宾,以及美国新泽西州泽西城。
• 创始人:张林峰(创始人、首席科学家)、孙伟杰(创始人、CEO),均为北大校友,90 后。
• 首席科学顾问:鄂维南(中科院院士,两位创始人的导师)。
• 定位:自称"全球 AI for Science 的开拓者和引领者",对外类比"微观世界的达索系统"。
• 使命:加速科学发现,释放科学价值。

解决方案

深势把 AI for Science 作为科研范式:用 AI 学习科学原理,解决科研和工业研发中的关键问题。

服务对象覆盖两类:

• 科研侧:为高校和科研机构提供云科学计算平台和工具。
• 产业侧:为药企和新能源企业提供第三方研发平台,不自做药物管线,定位中立工具/服务方。

商业模式为"软件 + 服务"平台策略。

技术路线(DeePMD / 深度势能、AI for Science 平台)

核心技术起点是深度势能分子模拟(Deep Potential Molecular Dynamics)。

• DeePMD:用深度学习拟合原子间势函数,在接近量子力学(第一性原理)精度下,把分子动力学模拟的可计算规模和速度提升数个数量级。开源软件包 DeePMD-kit 于 2017 年发布,在物理、化学、生物、材料领域被广泛使用。
• 该方向使团队在 2020 年获戈登·贝尔奖(高性能计算应用最高奖),并入选"2020 年中国十大科技进展"。
• 后续发展出 DPA 系列分子模拟大模型(预训练势函数大模型)和 Uni-Mol 分子构象大模型。
• 2024 年 4 月发布科学大模型体系"深势·宇知",定位为驱动科学发现的核心智能引擎。
• 团队还在 2021 年以远少于谷歌的资源完成 AlphaFold2 的全球首个完整训练复现;其 Uni-Mol Docking 蛋白-小分子对接模型被 DeepMind 在 AlphaFold3 论文中引用。

技术与 AutoSim 的差异:深势自建从第一性原理到分子动力学的多尺度模拟引擎和势函数大模型,属"重做底层求解器"路线;AutoSim 不自建求解器,而是用 Agent 操作已有的商业仿真软件(COMSOL)。

产品壁垒

产品矩阵(截至 2025 年底):

• 玻尔(Bohrium):云原生科学计算平台/"科学空间站",预装 LAMMPS、DMFF、ABACUS 等 AI4S 软件,配备 CPU/GPU 算力,覆盖材料、生物、化学、医药等学科;含交互式代码环境和应用商店。下属有玻尔·科学导航、玻尔·勒贝格智算、玻尔·赛博实验室。
• Hermite:药物计算与设计平台。
• RiDYMO:难成药靶标 / 高质量 Hit 发现平台。
• Piloteye:电池设计自动化平台(详见下)。
• 深势·宇知:科学大模型体系 / 科学发现智能引擎。
• SciMaster:科学智能体。

Piloteye(电池设计自动化平台,对标电池领域的 "BDA")是与 AutoSim 领域最接近的产品:

• 基于 DPA 分子模拟大模型,在电池无机材料研发上,基于 DPA 开发的正极大模型为伙伴推荐掺杂配方,称 50 周容量保持率提升 5%。
• 基于 Uni-Mol 分子构象大模型做电解液高通量筛选,称研发周期缩短至 1/3。
• 与宁德时代合作开发了一套能描述硅负极从晶态到非晶态转变的势函数。
• 覆盖正极、负极、电解液和电化学仿真。

壁垒主要在:自研势函数大模型和多尺度模拟算法、开源生态(DeePMD-kit / DeepModeling)、玻尔平台沉淀的科学家用户规模和数据、跨学科预装软件和算力。

团队(张林峰、孙伟杰等背景)

• 张林峰:创始人、首席科学家。北大本科,普林斯顿博士,师从鄂维南。2017 年在航班上用深度学习模拟水分子运动,发现相比传统方法快数个数量级;2020 年因深度势能分子模拟获戈登·贝尔奖。曾拒绝 DeepMind 邀约回国创业。
• 孙伟杰:创始人、CEO,北大校友,与张林峰共同创办,负责战略与商业。
• 鄂维南:首席科学顾问/恩师,在两人回国决定上给予鼓励。
• 柯国霖:算法合伙人,原微软亚洲研究院高级研究员,LightGBM 核心作者(GitHub Star 破万,论文引用数万次)。
• 昌珺涵:99 年生,玻尔·赛博实验室(超级实验室)负责人之一,北大学生。
• 其他高管:李琴(副总裁)、张晓敏(首席药学官)等(见东阳光合作公告)。

团队整体员工规模未公开。

客户

公开提及的客户/合作方(口径:媒体报道与公司公告):

• 新能源/电池:宁德时代、比亚迪、东阳光(2024 年 8 月成立 AI4S 新材料研发联合实验室,涉电解液主溶质筛选、正极配方设计、电极箔节能、储能电池寿命预测)。
• 医药:恒瑞、药明康德、云南白药。
• 平台/生态合作:阿里云、腾讯云、火山引擎、中国联通、嘉庚创新实验室、北京科学智能研究院等(2024 年与共 15 家产学研伙伴共建 AI4S 开放科学生态)。

平台用户规模(公司口径):

• 玻尔平台服务全球超 300 万名科学家(C 轮口径,2025 年 12 月);about 页另称覆盖"全球 2000 万活跃学者"(口径不一致,以最新 C 轮 300 万为准)。
• 覆盖近 100 家 985/211 高校,支持 150+ 家研发企业,赋能 70+ 家生命科学企业的 100 条以上研发管线,年均解答 1200 万个科学问题。

订单 / 合作 / 商业化

• 联合实验室:与东阳光成立两个联合实验室(生物医药、AI4S 新材料),2024 年 8 月 28 日揭牌。称电解液主溶质筛选、正极材料配方设计已取得阶段性进展。
• 电池侧:Piloteye 称与多家电池龙头企业在正极、负极、电解液领域形成合作示范;与宁德时代合作硅负极势函数。
• 药物侧:Hermite、RiDYMO 称已与多家客户合作。
• Piloteye 称连续入选两项标杆案例(EDA 到 BDA 主题)。
• 具体合同金额、订单规模、单客户收入均未公开。

市场信号(融资 / 估值)

各轮口径(以媒体报道为准):

• 启动资金:全国颠覆性技术创新大赛金奖 1200 万元(分 3 年)。
• 天使轮:2020 年夏,百度风投领投,唯猎资本、盛景嘉成跟投。
• Pre-A 轮:2021 年 3 月,元璟资本领投,清流资本跟投。
• A 轮:2021 年 8 月,高瓴创投领投,经纬创投等跟投,数千万美元。
• B 轮:紧随 A 轮,新引入源码资本、启明创投。
• 产业资本注资:2023 年,众源资本、和玉资本、正心谷资本、Evergreen Scitech Delta,以及北京市人工智能产业投资基金、中关村科学城公司。
• C 轮:2025 年 12 月 24 日宣布,总额超 8 亿元人民币,投后估值超 60 亿元。投资方:达晨财智、京国瑞基金、北京市人工智能产业投资基金、北京市医药健康产业投资基金、联想创投、元禾璞华等;光源资本任独家财务顾问。
• 累计:媒体称累计融资数十亿元,已跻身独角兽。

注:早期各轮具体金额多为"数亿元/数千万美元"口径,未逐轮披露精确数字。

三反思(对 AutoSim)

(a) 客户:深势的产业客户与 AutoSim 高度重叠(宁德时代、比亚迪、东阳光等电池企业)。说明电池企业确有为 AI 驱动的材料/电芯研发付费的意愿和预算,印证 AutoSim 目标客户群的真实需求。但深势进入这些客户靠的是自研势函数和联合实验室共建,周期长、定制重;AutoSim 的轻交付、不换工具路线在同一批客户里是差异化卖点。

(b) 服务:深势是"软件 + 服务"平台,客户需要进入玻尔平台、采用其大模型和算法体系,属"换工具/上平台"。AutoSim 主张客户不换工具、Agent 驾驶其已有的 COMSOL,服务摩擦更低。对同一客户,二者可能并存:深署解原子尺度势函数,AutoSim 解电芯尺度 P2D 电化学仿真,尺度不同。

(c) 交付形态 + 壁垒:深势交付的是平台账号 + 算力 + 大模型能力,壁垒在自研势函数大模型、开源生态和科学家用户规模。AutoSim 交付的是仿真结论/报告,壁垒诉求在数据、模态和交付形式。深势把壁垒押在底层求解器和模型,资本和算力门槛高;AutoSim 押在 Agent 编排现有软件 + 交付物,更轻,但需证明在不自建求解器时仍能形成数据/交付壁垒。

关键判断

• 深势科技是国内 AI4S 头部,独角兽,投后估值超 60 亿元,客户和平台规模均已成势。
• 按对标新规则,深势宜作"国内 AI4S 需求验证 / 参照",不宜作 AutoSim 的正面对标:其路线是自建多尺度模拟引擎和大模型(重底层),AutoSim 是 Agent 驾驶现有商业软件(轻交付),底层假设相反。
• 其在电池材料/电芯方向(Piloteye)与宁德时代、比亚迪、东阳光的合作,印证电池企业愿为 AI 驱动研发付费,验证 AutoSim 方向的市场容量。
• 重叠风险点在 Piloteye:若其向上延伸到电芯尺度电化学仿真(P2D),会与 AutoSim 产生更直接竞争;目前 Piloteye 主战场仍在原子/分子尺度材料筛选,与 AutoSim 的电芯尺度物理仿真尺度不同。

参考链接

• 量子位:国产 AI4S 创业头雁再获 8 亿投资(C 轮,服务 300 万科学家) https://www.qbitai.com/2025/12/365728.html
• 澎湃:两位 90 后带队,深势科技又融 8 亿 https://m.thepaper.cn/newsDetail_forward_32243844
• 北大创新创业学院:深势科技完成总额超 8 亿 C 轮融资 https://sie.pku.edu.cn/xwgg/xwdt/7ec4edc34bc74017ba7c70ea623dc2f4.htm
• 比牛网:深势科技 8 亿融资背后,从科研作坊到中国版 DeepMind(估值超 60 亿、创始人背景、客户) https://www.bianews.com/news/details?id=228139
• 深势科技官网 关于我们 https://www.dp.tech/about
• 玻尔 Bohrium 平台 https://www.bohrium.com/intro
• Hermite 药物计算平台 https://www.dp.tech/product/hermite
• 玻尔科学计算平台 https://www.dp.tech/product/bohrium/workspace
• 深势·宇知 科学大模型体系发布(新华网) http://www.news.cn/tech/20240412/8221e99c7d294c54ad6f9f3628b394de/c.html
• Piloteye 电池设计自动化平台(知乎,403 未取正文,标题口径) https://zhuanlan.zhihu.com/p/661544677
• 深势科技与东阳光成立联合实验室(医药魔方/ByDrug) https://bydrug.pharmcube.com/news/detail/8868af0aa3e39f4aa7d7bc4b68dffda2
• DeePMD-kit 开源仓库(GitHub) https://github.com/deepmodeling/deepmd-kit
• DeePMD-kit v2 论文(JCP) https://pubs.aip.org/aip/jcp/article/159/5/054801/2904916
• 新浪科技:深势科技宣布完成超 8 亿 C 轮融资 https://finance.sina.com.cn/tech/csj/2025-12-24/doc-inhcwxmm4453931.shtml

竞品和行业调研

竞品

易来科得 Electroder

基本信息

• 公司名：苏州易来科得科技有限公司（Electroder Ltd.）
• 成立时间：2019 年
• 创始人/CEO：陈新虹博士（南京理工大学计算流体力学博士，ASME 会员，周培基国际青年学者奖获得者）
• 学术根基：团队含清华大学（车辆与运载学院李哲副教授等参与）、康奈尔大学、南京理工大学背景，多数成员在电化学理论和多物理场仿真领域有 10 年以上经验
• 办公地：苏州（总部）、北京、德国杜塞尔多夫
• 融资：
• 天使轮（2021）：创新工场千万级
• A 轮（2022.08）：数千万元人民币,博世创投领投、创新工场跟投
• 核心产品：Electroder® 电芯正向仿真设计平台

他们提供什么服务

两种交付形态：

产品能力覆盖： - 电性能预测（容量、倍率、充放电曲线） - 热性能仿真 - 析锂/快充预测（主打卖点） - 老化寿命预测 - 材料-电极-电芯-模组-整车多尺度耦合 - 可输入 70+ 种电池设计和工艺参数 - BOL 状态下预测误差 <5%

商业模式自比半导体 EDA 厂商：软件 + IP 双轮驱动。不仅卖仿真软件，还把仿真出来的设计方案作为知识产权交付。

核心技术差异

对传统 COMSOL/ANSYS 的批评：

"Newman P2D 模型对电极复杂微观结构进行了极大地简化，没有真实反映电极微观结构，无法刻画载流子的真实运动。"

他们走的是颗粒级介观结构建模路线——从粒径分布、孔隙率、颗粒形貌等设计参数出发，自动生成真实的多孔电极介观结构，然后在真实结构上做三维电化学仿真。自主研发前处理器、数值求解器和后处理器，不依赖 COMSOL 等外部求解器。

客户与合作

已公开客户： - 吉利汽车 — 整车厂 - 蜂巢能源 — 电芯厂 - 欧洲某 Giga Factory — 完成了一款电芯设计交付 - 多家"领先电池制造企业、整车集团、造车新势力"签约

三类目标客户： 1. 电芯厂商（CATL/BYD/蜂巢这一层） 2. 整车厂（尤其是新入局、没有电芯研发积累的车企） 3. 储能企业

价值主张

他们宣称可将原本 9-36 个月的研发周期缩短至 3-6 个月。核心逻辑是：减少制样和测试次数，避免盲目试错。

合作机制：前置数据 / 交付形式（从已有信息提炼）

两条交付路线正好对应两类客户、两种合作方式：

关键点： - 正向设计只需少量前置信息：从粒径分布、孔隙率、颗粒形貌等设计参数出发，不要求客户交完整配方；靠颗粒级介观第一性建模，用较少参数对齐（BOL <5%）。印证"模型够第一性 → 少参数即可正向设计；模型不行才要大量参数 case-by-case 标定"。 - 合作模式：软件许可 + 按设计交付 + IP，自比半导体 EDA。 - 干湿结合：主要靠自研求解器 + 介观建模，未见以自建大规模湿实验室为核心——与 Periodic/Lila 的重资产湿实验路线不同。

对 AutoSim 切入的启示：Electroder 的两条路线就是 AutoSim 的两种可行切入——结果交付打"清晰 context"的新入局者（只需工况 + 指标，靠模型质量），既有厂（工艺 context 多且未数字化）则走客户侧软件/部署。决定走哪条的关键变量是模型质量。

和 AutoSim 的对比

关键判断（2026.6 更新:已是正面竞争,差异化在"模型怎么来")

"互补不竞争"的旧判断已过时。 CIBF 2026 deck(见 electroder_cibf_20260515.md)显示易来科得已推出 ElectroderClaw™ 全场景全自动电池研发智能体(OpenClaw/Hermes 架构、Tool+Skill 双轮、30 天自动积累 34 个 skill),正面进入 agent 赛道,并有 77 万套预生成型号库 + 数据飞轮叙事 + 清华李哲/WEF MINDS/230 客户背书。不能在"更全/更准/更快/数据更多"上正面硬碰——这些它都强。

真正的差异化在"完备模型怎么来",这是路线本质差异:

• 易来科得:专家预建 + generic 预生成库。 完备模型由专家在自家闭源求解器(ElectroderMOD)里建好,77 万套型号库是自家 solver 预生成的设计样本(走"检索+生成")。深,但锁死在电池 + 锁死在自家 solver,靠人堆、不随使用复利,搬不到新领域(换领域要重建 solver + 重生成库)。
• AutoSim:采集管线 + 模型自生长。 完备模型由 Agent 在 COMSOL 上自建、留出验证、复用、增厚;数据由两条自有引擎(7×24 自动化电化学测试 + SaaS 被使用)持续产出。模型是飞轮里复利增长的核心资产,随使用和算力变厚,且"会造模型的过程"可迁移到下一个领域。

三点可主打(它弱、我们强):① 驾驶 COMSOL、客户不换工具、精度白拿行业标准(它要客户换工具、信其闭源 solver);② 模型锚定实测真值、可被客户工程师复核(它的库是 generic 预生成、不锚客户这颗电芯);③ "模型/数据持有方式"是飞轮自生长 + 可跨领域搬(它是专家预建、电池锁定)。

甜区错位,不必正面打: 它的甜区是标准电芯的正向设计(generic 库覆盖好);我们的甜区是特定电芯的性能标注(库给不了这颗电芯的标定孪生)+ 新机理失效分析(开放平台现加)。

诚实标注 t=0 弱点: 我们模型库早期薄,成熟度短期不如它的专家库;靠冷启动(自有自动化测试 + 文献)垫起第一批,切入挑"自建+验证能赢过 generic 库"的任务,长期靠复利反超。

参考链接

• Electroder 官网
• 36氪创投平台项目信息
• 自主研发新一代电池仿真技术 - 电子发烧友
• 动力电池竞争的下一维度：仿真寻找电池研发的"摩尔定律" - 36氪
• 超越经验，走出黑箱：易来科得电池老化预测与长寿命设计 - 知乎
• 易来科得完成数千万元A轮融资 - 36氪
• 博世创投投资易来科得 - 创业邦

行业调研

律动造物(GreenDynamics)2025 公开版 BP · 文字整理

来源:docs/research/competitors/律动造物2025-公开版.pdf,17 页,PowerPoint 导出(文件创建于 2025-10)。 整理方式:逐页截图人工读取。【图】标注处为页面中图片/图表的内容说明。

第 1 页 · 封面

• INTELLIGENT MATERIALS INVENTED TODAY
• GREEN DYNAMICS 律动造物
• LLM + AGENTS + ROBOTICS, FOR NEXT-GEN MATERIAL DISCOVERY
• 美国劳伦斯伯克利国家实验室 Benchmark 世界纪录保持者
• 全球首个通过商业化验证的材料科学 AI Agent

【图】浅绿色调封面,背景为分子结构、电路板等科技元素插画。

第 2 页 · 我们的公司

GreenDynamics 律动造物,于 2023 年 9 月创立于澳大利亚悉尼新南威尔士大学。致力于打造全球首个半自治材料与化工品发现引擎:让 AI 理解化学语言、生成可制造的材料配方,并直接驱动实验执行,成为材料研发的"超级执行者",将创新效率提升百倍。

目标行业:面向可再生能源、化学品、涂层、半导体、陶瓷、高分子及功能性材料等行业;为学术界与工业界提供材料设计与优化的支持。

主要产品: - ByteScience Data:整合分散于文献、模拟与实验中的多模态数据,构建标准化、可计算的统一科学知识底座; - ByteScience Design:基于知识底座与六大智能体(Agents),自主探索具备可量产性与工艺可行性的材料解决方案; - ByteFactory:通过软硬一体的自驱动实验室,快速验证 AI 设计方案,实现"数据-设计-实验-反馈"的自进化闭环。

投资团队与伙伴:英诺天使基金(InnoAngel)、Boson Ventures、香港科技园(HKSTP)、NVIDIA Inception Program、UNSW Founders Program 等。

【图】两位创始人合影;投资方与合作方 logo 墙。

第 3 页 · 团队介绍

谢童博士 · 联合创始人兼首席执行官 - 新南威尔士大学博士(纳米材料与人工智能);蒙纳士大学 & 中南大学材料科学学士 - 发表论文 25+ 篇,总引用 400+ - 澳大利亚 AI4Science 社区创始人 - 微软"加速基础模型研究(AFMR)"计划澳大利亚唯一获奖团队负责人 - Blackbird Ventures Foundry 计划 2022 届成员 - 澳洲超级计算机中心十大 HPC-AI 人才;澳中基金会"新能源技术创新冠军奖"得主 - 早年:湖南省芙蓉学子;2014 中国化学竞赛省一等奖;2011 中国计算机竞赛(NOIP)CSP-J 组省一等奖

王少舟博士 · 联合创始人兼首席产品官 - 新南威尔士大学博士(应用物理与材料科学) - 纳米材料、能源材料应用、AI-材料交叉领域顶级期刊论文近 30 篇 - 曾任 Australia-Asia PowerLink 洲际可再生能源项目算法科学家 - 曾负责阿特斯(Canadian Solar)纳米材料项目机器学习模拟;微导纳米(Leadmicro)科技研发顾问

Dr Bram Hoex · 首席材料科学家 - 新南威尔士大学光伏与可再生能源学院副院长;外部顾问:Lead Micro - 主导多项光伏材料革新,长期负责将科学成果落地为工业产品 - 被誉为"ALD Al₂O₃ 纳米薄膜之父",其研究革新了硅基光伏技术

【图】三人照片,配 UNSW、Microsoft、Canadian Solar 等机构 logo。

第 4 页 · 新材料与化工研发是千亿美元的潜在市场

• 全球材料市场正在蓬勃发展,中国在消费和创新方面处于领先地位;
• 各大公司正在加大研发力度,开发更高效、成本更低且性能更优的材料,以满足制造业需求;
• 中国企业处于这场材料革命的前沿。

【图】右侧为"材料科学研发开支"柱状图(2018–2030E,单位十亿美元),全球与中国两组柱;标注年复合增长率:2018–2024 全球 14.00%、中国 19.73%;2025E–2030E 全球 12.01%、中国 17.61%。左侧为钢结构、晶圆、化工装置三张实景图。

第 5 页 · 2020–2025:攻克 AI + 材料研发痛点的进阶之路

副标题:利用自然语言丰富、灵活且高度表达的特性,为材料研发提供了一种通用解决方案,从而消除了对手工设计特征的依赖。

【图】上升箭头时间线,节点如下: - 2020:博士期间启动 AI + 材料预研 - 2021:BERT 架构模型完成 - 2022:获得首个研究机构合同 - 2023 Q2:发布全球首个物理科学大语言模型,被 Nature 子刊收录 - 2023 Q2:公司成立,入选 UNSW Founders Climate 10x("澳大利亚的 YC") - 2023 Q3:完成天使轮融资 - 2024 Q1:在劳伦斯伯克利国家实验室 MatBench 基准测试中创世界纪录 - 2024 Q2:交付多个 AI-材料模型定制项目 - 2024 Q3:发布全球最大材料科学知识图谱 MKG(NeurIPS 2024 收录) - 2024 Q4:推出 DARWIN 1.5,继续刷新材料性质预测纪录,击败 Microsoft NatureLM - 2025 Q1:赢得顶级上市精细化工企业采购合同(击败国际一线 AI 厂商) - 2025 Q2:客户验收,预测准确率达 99.5% - 2025 Q3:创始人获授新南威尔士大学博士生导师资格 - 2025 Q4:启动种子轮融资

第 6 页 · 人工智能颠覆材料科学研发

传统研发困境:>10 年研发周期(GaN >30 年、SiC >20 年);<10% 成功率;暴力搜索 100–1000 种材料;每找到一个新材料需要耗费巨大的时间和资源成本。

AI 赋能材料结构设计:<20 周研发周期;~71% 成功率;智能筛选 10⁷–10⁸ 种材料;AI 驱动的材料设计和预测大幅提升效率。(脚注引用:A-Lab 自主合成实验室,Nature 624, 86–91, 2023)

然而……材料研发不仅止于解决单点的材料结构设计问题,更要解决从结构 → 合成/工艺 → 量产/稳定性/成本/性能一致性的全链条问题;现有模型多为垂类模型,适用领域与研发阶段较窄;主流 ML 算法过于僵化,难以捕捉材料研发的复杂性。四条具体批评: 1. 传统模型精准度问题:难以处理复杂材料体系和大尺度特性关系; 2. 垂直专精模型适用性问题:不可泛化,无法适应不同材料体系和应用场景; 3. 科研方案向工业场景的移植缺乏全面性:工业需求比科研复杂,简单的算法移植无法满足,需要交叉学科团队定制开发; 4. 解决方案缺乏系统性:单点问题的解决对客户价值有限,客户期望系统性方案。

第 7 页 · 从结构到产品,贯通信息维度 + 融合异构

论点:传统机器学习在化学领域难以规模化——每个新任务都需要从零开始重建模型、重新计算,并手工设计特征;依赖大量标注好的特征数据,许多现实问题难以训练出有效模型。现有其他 AI 模型大多只能处理单一或有限的模态与尺度,缺乏在结构、光谱、合成等不同层面之间的跨域串联能力。

【图】核心图表为"材料研发流程"横向链条,五个阶段及对应的现有专精模型/解决方案(仅适用于特定研究领域的特定研发阶段): - 原子/分子(材料组成):Microsoft MatterGen/MolLM、Orbital Materials Orb-v3、Google DeepMind GNoME/AlphaFold 3、Meta UMA 等 - 粗粒度(材料合成):IBM RXN(有机制药)、Reaxys(有机化学)等 - 介观(材料特性):SIMULIA ABAQUS(半经验模拟方案)、Micress 等 - 连续介观(系统表现):Polaron(电池微观介观)、SES(电池系统设计)等 - 宏观(量产):aspentech(化工生产设计)、infor(供应链)等 图右标注两个维度:模拟尺度 / 研发步骤。

律动造物模型(图底部):统一方案覆盖材料研发多行业与多研发阶段,实现从微小尺度到产品级的全方位覆盖—— - 替代:更高效的端到端 LLM 模型替代冗长的模拟工作; - 串联:结合多种工具的自动化调用,实现数据驱动算法与传统物理/化学模型的完美结合,达到 1+1>2 的效果。

第 8 页 · 律动造物的解决方案:LLMs + Agents + Robotics

• LLM 如同"大脑",负责高层推理与决策;Agents 作为"中枢神经系统",拆解任务并调度工具;机器人则是"执行肢体",在物理世界完成实验操作——三者协同,构建端到端的智能研发闭环。
• DARWIN 1.5 – 7B:适用于通用任务、数据提取、预测等;
• CheMiST – 7B:适用于推理任务、逆向设计、新型化学品发现等。

【图】左侧为三角循环图:Simulation → Synthesis → Design,中心是 DARWIN & CheMiST(Memory + Decision),节点分别是 LLMs+Agents、机器人实验。右侧为"六大专家 Agents"示意:结构、性能、技术经济性、合成、供应链、分析——配文:我们用自然语言打通科研数据的孤岛,把结构、图谱、实验和文献变成一套统一、连贯的"决策体系",全链路赋能科学家与工程师"指哪打哪"。

第 9 页 · 律动方案是全球首个的 L3 级材料科学智能化的解决方案

• 材料科学智能化的终局是软件和硬件的多模态智能化;
• 律动造物当前已实现 L3 级——AI 作为闭环助手,人类定义搜索空间,AI 自主选择实验。

【图】二维分级矩阵(软件 × 硬件): - 纵轴(软件):人工构思(搜索空间和实验选择均由人类完成)→ 单次迭代(AI 作为工具:搜索空间人类定义,实验选择计算机完成)→ 多次迭代(AI 作为助手,"闭环"系统)→ 生成式(AI 成为超级员工:搜索空间由计算机生成并优化); - 横轴(硬件):无自动化(所有实验人工操作)→ 单任务或实验自动化(例如液体分配)→ 流程自动化(多任务或实验串联进行)→ 实验室完全自动化(与采购系统对接,自动耗材补货和任务规划); - 矩阵中标注的玩家:Citrine Informatics 为 Level 1;深势科技(DP Technology)为 Level 2;Mega Robo 为 Level 2;FutureHouse 为 Level 3;晶泰科技(XtalPi)为 Level 3;律动造物标注在"今天"位置(L3,生成式软件 × 流程自动化),箭头指向"未来"的 Level 5(生成式 × 实验室完全自动化)。

第 10 页 · 竞争力分析:三代技术演进对比

我们的 LLM+Agents 解决方案代表材料研发技术的第三代演进,在可解释性、全流程覆盖和实际应用扩展性方面实现质的飞跃。

第 11 页 · 坚实壁垒:数据–算力–训练–商业闭环

构建"多模态、可解释、闭环进化"的科学 LLM+Agent,并且结合专属数据和实验平台,形成既有技术壁垒又有商业落地的产品。四块壁垒(横向箭头串联):

1. 数据:全球最大且亚太唯一的纯文本文献库;5 年高质量多模态对齐数据(>100K 材料结构);独家数据整理 know-how;
2. 算力:累计使用超过一千万美元等值算力,在万卡 H200 集群进行训练;欧洲超算中心唯一支持的 AI 材料化学 LLM 项目;
3. 训练:可工程化落地的材料 + AI 算法开发经验——embedding、mid-stage 训练 pipeline、强化学习训练与微调、大参数量模型训练和部署能力;
4. 商业:率先实现产业应用;科学与实战的双料专家;非参数化行业经验与专家经验融合为大模型的思维链。

底部黄条:我们是材料与化学研发智能化解决方案的领导者——美国劳伦斯伯克利国家实验室 Matbench 平台带隙和金属材料预测世界纪录保持者;在 MatBench 多项任务中击败 Microsoft NatureLM;GitHub 上最受欢迎的 Science LLM 之一。

【图】四个圆形配图:数据表格、GPU 集群、实验室、产业场景。

第 12 页 · 产品概览

• ByteScience-数据智能化:面向材料知识搜索和数据挖掘的 AI 平台,提供文献工具用于阅读辅助和推荐。商业模式:工具订阅;为文献和专利数据库提供合同研究组织销售。
• ByteScience-设计智能化:定制化 AI 平台,用于精确的材料属性预测和配方推荐。包含三个 Agent:性能预测 Agent、合成配方 Agent、成分分析 Agent。
• ByteFactory-实验室智能化:基于 AI 的自驱动实验室,通过高通量实验快速验证材料配方。形态:定制化 AI 自驱动实验室;CRO 服务。

【图】三款产品界面/设备照片:文献平台界面、AI 预测面板(性能参数与置信度)、机械臂实验台。

第 13 页 · 产品:ByteScience-数据

副标题:我们创造了具有广泛适用性的科学数据清洗方式。

三个痛点: - 数据质量低下:嘈杂、分散、不一致的数据集降低模型精度; - 人工处理瓶颈:清洗过程缓慢、容易出错且无法规模化; - 集成整合困难:混合开放、专有和实验数据成本高昂且风险大。

方案:我们的智能体将多模态、多尺度、多途径的研发数据统一标准化、结构化并自动更新,打造机器可操作的动态科学知识图谱。

两个量化指标:清洗准确率 95%(整体数据清洗精度);处理速度 1800x(从 30 分钟/文档提升至 1 秒/文档)。

【图】右侧为产品截图:Experiment Log 界面,展示一条树脂配方实验记录(配方组分百分比、固化剂组等字段)。

第 14 页 · 产品:ByteScience-设计

副标题:我们创造了基于大语言模型的生成式材料设计方法。

三个痛点: - 设计空间巨大:难以通过暴力搜索有效探索; - 预测缺乏实际认知:传统属性预测导致 99% 实验失败率; - 忽视量产可行性:设计往往忽视实际化学约束条件。

方案:智能体与主流化学计算工具(VASP)深度融合,精准理解设计需求,高效生成候选材料,完成性能预测,并通过迭代反馈持续优化设计方案——在远短于传统研发周期的时间内,输出具备可量产、可制造性的材料解决方案。

两个量化指标:预测准确率 99.5%(候选设计的有效性与性能对齐);研发提速 100x(从 3–5 个月/方案提升至 2 周/方案)。

【图】右侧为 AI Prediction 面板截图:环氧当量、树脂粘度、混合粘度(多温度点)、可用时间、拉伸强度、断裂伸长率、弯曲强度/模量、冲击韧性、Tg 等预测值,每项带置信度(82%–99% 不等)。

第 15 页 · 产品:ByteFactory-合成

副标题:结合 ByteScience 数据与设计产品,我们提供 ByteFactory AI 自驱动实验平台产品,全流程服务材料研发客户。

三个痛点: - 实验设计低效:传统 DOE(实验设计)方法片面僵化且效率低下; - 人工分析依赖:手动分析缓慢且严重依赖人工解释; - 冷启动问题:传统机器学习需要大量数据集起手,数据缺失容忍度低。

方案:提供远超传统自动化工具的最强大脑与智能终端——从 hypothesis 到实验执行,再到优化迭代,都能自主驱动与协同决策;具备极高适应性,能在不同应用场景下快速部署与落地。

两个量化指标:样品处理能力 2000/周(对比传统 8 个试验/周);数据容错率 30%(即使缺失 30% 数据仍能正常工作)。

【图】右侧为自动化实验台照片:机械臂操作样品架,屏幕显示工作流(加液、加热、移液等步骤队列)。

第 16 页 · 行业布局展望

【图】双圆结构: - 左圆 MaaS 智能化基建,辐射客户类型:化工(有机化工原料、染料/涂料、其它高分子材料)、新能源(电芯设计、氢催化剂)、化妆品(活性功能成分、溶剂和柔润剂类原料)、高校客户; - 右圆 CRO 材料/配方设计,辐射方向:纳米薄膜(如量子点光转化膜)、纳米颗粒(如 CuSn 纳米合金浆料)、其他纳米材料。 - 两圆之间双向箭头,表示两种商业形态互相导流。

第 17 页 · 致谢页

• 感谢!
• www.greendynamics.ai · 融资联系人:刘女士 · Tel: +86 18311390775

【图】太阳能电池板田野背景照片。

整理者备注(非原文)

1. 与本仓库旧版 lvdong.md(OCR 抓取版)相比,本版补全了第 5 页时间线、第 7 页跨尺度对标图、第 9 页 L0–L5 分级矩阵、第 11 页四块壁垒的完整内容,并修正了 OCR 错漏。
2. 对 AutoSim 叙事最有参照价值的页:第 7 页(跨尺度统一 vs 专精模型的对标方式,其中 Polaron/SES 被标在电池连续介观/系统层——与我们最近)、第 9 页(L0–L5 自动化分级的讲法)、第 11 页(数据–算力–训练–商业四块壁垒结构)、第 13–15 页(每款产品"三痛点 + 两个量化指标"的页面模板)。
3. 注意:第 5 页时间线显示其 2025 Q4 才启动种子轮,且第 11 页"万卡 H200、一千万美元算力"与团队规模的匹配度,尽调时可作为追问点。

Inceptive(AI 生物软件 / RNA,海外)

角色:Transformer 作者下场做生物;算法类 + 顶级团队 + 大药企合作背书的代表。

基本信息

• 公司名:Inceptive(法律实体 Inceptive Nucleics)
• 地点:美国硅谷(Berkeley)+ 德国柏林;另设苏黎世、伦敦、温哥华、美国东海岸节点。
• 成立:2021。
• 创始人:Jakob Uszkoreit(CEO,《Attention Is All You Need》Transformer 架构作者,曾在 Google Brain 工作十余年)+ Rhiju Das(斯坦福生化教授)。
• 规模:约 50 人(2025 口径)。
• 一句话定位:做"生物软件",用深度学习设计 RNA 分子,服务 RNA 疗法与疫苗。

解决方案

• 问题:编码同一目标蛋白的 RNA 序列数量极大,不同序列在稳定性、效力、表达上差异很大,传统方法靠大量筛选,效率低。
• 思路:把 RNA 分子当成"生物软件",按目标行为反向设计分子,使其只产生期望效果。
• 应用方向:更稳定、更高效的 mRNA 分子(同辉瑞/BioNTech 疫苗所用类型);siRNA、反义寡核苷酸(ASO)、多肽;个性化癌症疫苗、条件激活的智能疗法、噬菌体疗法等设想方向。

技术路线

• 核心闭环:深度学习模型与高通量湿实验紧耦合,湿实验产生数据,数据回灌训练 AI 模型,模型输出再下湿实验验证。
• 数据问题:RNA 实验数据历史上稀缺(实验构象不足 2000 条,蛋白约 20 万条),Inceptive 自建高通量实验生成专有训练数据,而非依赖公开数据。
• 目标:构建"生命基础模型",学到足够多的生物规律后可跨任务复用,不必为每个任务单独训练。
• 已公布里程碑:称可将完全由深度学习系统设计的分子直接放入小鼠体内,表现优于现有最优算法设计的分子(公司自述,未见独立验证)。

产品壁垒

• 专有湿实验数据:自建高通量实验流水线,持续生成 RNA 实验数据,竞品多依赖公开数据。
• AI 模型:Transformer 路线 + 生命基础模型方向,创始人即架构原作者。
• 团队背书:顶级 AI 作者 + 斯坦福 RNA 结构专家组合。
• 大药企数据互补:通过与 Alnylam 等合作,接入药企积累的专有疗法数据。

团队

• Jakob Uszkoreit:CEO,联合创始人。Transformer 架构核心作者,前 Google Brain。
• Rhiju Das:联合创始人。斯坦福大学生物化学教授,RNA 结构与 Eterna 众包研究背景。
• 三件事促成创业:Uszkoreit 女儿出生、CASP14 验证 AI 在结构生物学中的能力、mRNA 新冠疫苗的有效性数据。

客户

• Alnylam Pharmaceuticals:已核实,公开战略合作客户(2026.06 公告)。
• 公司称已有多家大型药企/生物技术公司付费合作早期研发,但除 Alnylam 外未公开具体名称。

订单 / 合作 / 商业化

• Alnylam 战略合作(2026.06.03 公告):
• 总额:最高 $2B(20 亿美元,含里程碑)。
• 首付:$30M(现金 + 入股 Inceptive 的股权)。
• 期限:3 年。
• 里程碑:后续付款挂钩共同发现药物达到临床前、监管和商业销售里程碑。
• 范围:目标 mRNA 建模、序列空间探索、新型化学修饰的计算筛选、临床前表现预测,以提升 RNAi 疗法的效力、有效性和实验产出效率。
• 双方分工:Alnylam 提供 20 余年专有 siRNA 数据和已产出 6 款获批药物的研发引擎;Inceptive 提供序列类药物的基础 AI 模型。
• 早期研发合作:公司称多家大型药企已付费"数百万美元"级别开展早期研发合作(未公开具体方与金额)。
• 营收信号:除上述合作收入外,具体营收数字未公开。

市场信号(融资 / 估值)

• 累计融资约 $120M。
• Series A $100M(2023.11)@ 估值 >$300M,a16z 领投,NVentures(英伟达)、Greylock 参投;另有 Obvious Ventures、Section 32 等投资方。
• Series A 交割日约 2023.09。

三反思(对 AutoSim)

• (a) 客户:药企。
• (b) 服务:AI 生成式设计 RNA 分子。
• (c) 交付形态 + 壁垒:平台 + 药企合作;壁垒=AI 模型 + 湿实验数据 + 团队背书。

关键判断

算法类(需证明,靠团队 + 大药企合作背书)。领域=生物,离 AutoSim 远;价值在示范"Transformer 作者 + 大厂合作"的融资范式。

参考链接

• Alnylam and Inceptive Form Strategic AI Collaboration - Alnylam 官方新闻稿
• Alnylam to partner with Inceptive Nucleics for AI foundation models - STAT News
• Alnylam pays Inceptive $30M to transform siRNA design - Fierce Biotech
• Alnylam, Inceptive ink AI deal potentially worth $2B - BioPharma Dive
• Alnylam Enters $2 Billion Strategic AI Collaboration - PharmExec
• A father of modern AI wants to reinvent biology - Crazy Stupid Tech
• Creating Biological Software to Solve the Biggest Questions in Medicine - Obvious Ventures
• Big interview: Inceptive's Jakob Uszkoreit on biological software - pharmaphorum
• Inceptive raises $100M - Maginative
• Designing RNA molecules using deep generative models - Inceptive 招聘页

KoBold Metals(AI 矿产勘探,海外独角兽)

角色:数据壁垒 + 交付形态(自己下场运营)的范例。不卖软件,作为"科技矿工"直接找矿。证明"AI + 地球化学"能成超大独角兽。

基本信息

• 公司名:KoBold Metals(美国加州 Berkeley)
• 成立:2018 年 1 月。
• 创始人:Kurt House(CEO)、Josh Goldman(总裁)、Jeff Jurinak(COO)。
• 目标矿种:能源转型所需关键金属,即铜、锂、镍、钴。
• 员工规模:约 86 人(口径:Contrary Research,2025 年前后)。
• 业务定位:技术驱动的勘探公司,自己持有矿权并参与开发,不出售软件。
• 融资:累计约 $1.22B / 5 轮(口径:Tracxn);估值约 $4.17B(2025.10 一轮后)。详见"市场信号"。

解决方案

• 要解决的问题:关键矿产新发现越来越难。行业现状是勘探投入约为 30 年前的 3 倍,发现量却少约 60%(口径:Contrary Research)。超过 99% 的勘探项目失败。EV 与新能源对铜、锂、镍、钴的需求快速上升,供给存在缺口。
• 怎么解:用 AI 整合多源地球科学数据,预测地下矿床位置,缩小钻探范围,提高发现成功率。然后自己取得矿权、推进开发,持有矿床权益。
• 本质:用数据与算法替代传统以经验判断为主的找矿流程,把找矿变成可规模化的数据任务。

技术路线

KoBold 自研两套配合使用的系统,加上人工勘探团队形成闭环:

• TerraShed:数据整合与可视化引擎。汇入地质图、地球物理勘测、地球化学分析、钻孔记录、卫星影像、地形、气候等数十类数据,构建结构化、可检索的地下模型。公司自称"地壳的 Google 地图"。
• Machine Prospector:预测建模库。结合物理驱动模型与统计算法,识别地下高概率矿床,推荐最优钻探位置和下一步数据采集优先级。
• 人工勘探团队:地质与矿产专家做直升机/无人机勘测和取样分析,把结果回灌模型,迭代校准。

数据飞轮:每一次实地取样和钻探结果都用于修正模型,提升下一轮预测,新进入者难以复制。

产品壁垒

• 数据壁垒:独家整合的结构化地质数据集,加上自有钻探取样的回灌,形成持续放大的数据飞轮。这是核心护城河。
• 矿权壁垒:在发现的矿床上取得土地权和股权,资源本身具排他性。
• 资本壁垒:获顶级成长基金和大矿企支持,能支撑从勘探到建矿的重资本投入。
• 团队壁垒:油气、油藏工程、数据科学交叉背景,行业内稀缺。
• 风险点:算法在地质差异大的新区域能否迁移待验;不同司法辖区的采矿许可周期差异大(美国数年,加澳约半年级别);存在矿种替代风险(钠离子、锌空气等)。

团队

• 三位创始人 2014 年在 Phase Change Resources 共事,当时用数据科学开发油气资产收购平台,2018 年共同创办 KoBold。
• Kurt House(联合创始人 / CEO):本科 Claremont McKenna College,哈佛大学博士(地球与行星科学方向);早期研究碳封存。
• Josh Goldman(联合创始人 / 总裁):战略背景。
• Jeff Jurinak(联合创始人 / COO):油藏工程背景。
• 三人背景互补,覆盖战略、碳封存、油藏工程与数据科学。

客户

KoBold 不卖软件,自己作为运营方持有矿权并参与开发,因此严格意义上没有"软件客户"。其"客户/对手方"是大型矿业公司和资源国主体,以合资和合作方式推进。已知矿权与项目(口径多为 2022–2026 年公开报道):

• 赞比亚 Mingomba(铜,旗舰):KoBold 持 80%,赞比亚国家矿业控股 ZCCM-IH 持 20%。详见下节。
• 西澳大利亚:与 BHP 合资,覆盖超过 50 万平方公里的勘探区。
• 格陵兰 Disko-Nuussuaq:与 Bluejay Mining 合作(可赚取最高 51% 权益,earn-in 约 $3.4M–$11.6M)。
• 加拿大魁北克北部:邻近 Glencore 的 Raglan 镍矿,最早的找矿区之一,检出锂。
• 纳米比亚:2024 年取得锂、镍勘探许可。
• 其他报道提及的勘探地:刚果(金)DRC、加拿大萨斯喀彻温与安大略、韩国、美国。
• 项目总数:约 60 个活跃勘探项目,横跨四大洲(非洲、北美、澳洲、亚洲)。注:有报道按"勘探物业"口径计为约 12 处,两种口径并存。

订单 / 合作 / 商业化

• 重大发现:2024 年 2 月宣布在赞比亚 Mingomba 发现大型铜矿,称为赞比亚近百年最大铜发现。矿石铜品位约 5%,与 Ivanhoe 在刚果(金)的 Kakula 矿同级。
• Mingomba 开发:目标 2030 年前年产至少 30 万吨铜,成为赞比亚最大铜矿;项目投资规模约 $2B(部分报道口径 $2.3B)。2026 年上半年开始竖井下沉(shaft-sinking)。KoBold 称已为赞比亚经济贡献超 $200M。
• 大矿企合作:与 BHP、Rio Tinto 有战略合作(BHP 还经 BHP Ventures 参与股权投资)。Glencore 在报道中被列为潜在大客户/合作对象之一。
• 资本用途:2025 年新一轮资金中约 40% 用于把现有项目推进到建矿阶段,赞比亚铜项目占大头。
• 营收:尚处于产前阶段,未披露营收数字。

市场信号(融资 / 估值)

• Series B(2022.02):约 $192.5M;当时估值区间约 $770M–$1.2B。
• Series C(2025.01):$537M,估值 $2.96B;Durable Capital Partners、T. Rowe Price 领投。
• 最新一轮(2025.10.30):$280M(SEC 文件显示截至 2025.11.14 已到位约 $163.4M);投后估值约 $4.17B。
• 累计融资:约 $1.22B / 5 轮,21 家投资方(口径:Tracxn)。
• 代表投资方:比尔·盖茨 Breakthrough Energy Ventures、a16z(Andreessen Horowitz)、Bond Capital、BHP Ventures、Sam Altman 的 Apollo Projects、加拿大养老基金 CPPIB;杰夫·贝佐斯亦被多家媒体列为支持者。
• 信号:一年内估值从约 $1B 量级冲到约 $4B 量级,且伴随真实矿床发现与建矿推进,数据壁垒获顶级资本与大矿企双重背书。

三反思(对 AutoSim)

• (a) 客户:终端是矿业/能源供应链,自己持矿权运营。
• (b) 服务:AI 预测矿床(数据驱动)。
• (c) 交付形态 + 壁垒:不卖软件、下场运营持有矿权;壁垒=独家地质数据飞轮 + 资本 + 矿权。

关键判断

数据类方案(地质数据飞轮)+ 重交付(自己运营)。与 AutoSim 交付路线不同(AutoSim 卖软件、轻交付),价值在于佐证"数据壁垒可成就超大估值"。

参考链接

• KoBold Metals 官网 - About Us
• KoBold Metals 官网 - Mingomba
• Contrary Research - KoBold Metals Business Breakdown
• How KoBold Metals Uses AI to Find Rare Earth Minerals - DeepLearning.AI The Batch
• This AI Hunts for Hidden Hoards of Battery Metals - IEEE Spectrum
• KoBold Announces Historic Copper Discovery in Zambia - Benzinga
• Gates, Bezos-backed KoBold says Zambia copper find largest in a century - Mining.com
• Sam Altman-backed firm starts work on Zambia's top copper mine - Mining.com
• Gates, Bezos-backed KoBold raises $537 million - Mining.com
• KoBold Metals raises US$537 million Series C - African Mining Market
• KoBold expands lithium and nickel exploration to Namibia - Mining.com
• KoBold raises $537M at $2.96B - Silicon Valley Investclub
• KoBold $537M to expand exploration - Mining Engineering (SME)
• KoBold Metals - Tracxn 融资与投资方

Lila Sciences(莱拉科学) — 用 AI 模型驱动自动实验室,自主完成科学方法全流程的"科学超智能"平台

角色:Lila 是 AI for Science 领域的标杆型对标。它和 AutoSim 一样把 AI 当作执行科研循环的智能体,但走的是"自建重资产自动实验室、覆盖多学科、跑真实物理实验"的重交付路线。AutoSim 走的是"agent 驾驶现有专业仿真软件(COMSOL)、不碰硬件、客户不换工具"的轻交付路线。Lila 用来校准融资叙事的天花板和差异化方向。

基本信息

• 公司名:Lila Sciences, Inc.
• 成立时间:2023 年。在 Flagship Pioneering 实验室内孵化。
• 总部:美国马萨诸塞州剑桥市(Cambridge, MA)。另在旧金山、伦敦设点。
• 母公司 / 孵化方:Flagship Pioneering(同时孵化了 Moderna 的风险创投与孵化机构)。
• 定位口径:"全球首个科学超智能(scientific superintelligence)平台"。
• 公开亮相:2025 年 3 月从隐身状态公开,同时披露 2 亿美元种子轮。
• 累计融资:5.5 亿美元(种子轮 2 亿 + A 轮 3.5 亿)。
• 估值:超过 13 亿美元(2025 年 10 月 A 轮扩展后)。
• 覆盖学科:生命科学、化学、材料科学三大方向。对外列出 7 个目标行业:先进材料、治疗药物、化学品、油气、能源与环境、航空航天与国防、生物技术。

解决方案

Lila 把"科学方法的全流程"交给 AI 自主执行:生成假设、设计实验、运行实验、从结果中学习,然后决定下一步。人类负责设定大方向和大问题,日常的发现循环由系统完成。

落地形态是"AI Science Factory(AI 科学工厂,商标 AISF)":装满机器人、传感器和分析仪器的自动化实验室,由 AI 控制,连续不停地跑实验。

对外有两条商业产品线:

• Catalyst:客户按需付费,使用 Lila 的 AI 模型(Lila Iris)和 AISF 基础设施,来加速客户自己已有的研究项目。
• Creation:端到端的发现合作,Lila 直接交付新发现、新产品甚至新公司。计费方式为项目费、里程碑交付,部分情况下参与 IP 分成。

注意口径:Lila 自己不把分子推进临床、也不规模化能源突破,这些由 Lila 的合作伙伴完成(CEO 原话)。它定位为基础设施平台,不做自有终端产品。

技术路线

两层结构,官方比喻为"大脑 + 身体":

• 大脑:Lila Iris —— 专有的科学推理模型。提出实验方案、选择实验协议、实时指挥机器人仪器执行。官方称其在多个科学领域"持续优于其他模型"。
• 身体:AI Science Factory(AISF)—— 编排物理设备的自动化实验室。设备包括机械臂、移动实验机器人、筛选工作站、成像系统、分析仪器。

闭环机制:实验产出被结构化为"scientific tokens(科学 token)",直接喂入下一轮模型训练,形成"设计-实验-测量-再训练"的数据飞轮。这是 Lila 区别于纯计算/纯仿真公司的核心—它产生自有的真实物理实验数据。

已公开的科学结果(均为 Flagship/Lila 自主科学产出,作为能力证明):

• 绿氢催化剂:用地球丰产金属设计出非铂族金属电极组分,性能与铂相当,成本据称低约 1000 倍。
• 工业碳捕集材料:发现新的吸附材料,在容量、热稳定性、动力学结合上优于现有领先产品。
• 生命科学:基因医疗构建体优化,抗体、多肽、binder 发现。

规模口径:官方称首个 AISF 到 2025 年 10 月已"跨越数十万次 AI 驱动实验闭环";累计在化学、材料、生命科学做出"数千项发现"(均为公司自述,无独立第三方验证)。

产品壁垒

• 自有真实实验数据:闭环自动实验室持续产生专有物理实验数据,反哺模型训练。这是其最核心壁垒,也是最重的成本。
• 全栈垂直整合:专有 AI 模型 + 编排软件 + 自有物理实验室基础设施一体化。
• 重资产规模:2025 年签下剑桥 235,500 平方英尺(约 21,900 平方米)实验室租约,为该市当年最大实验室租约之一;另规划约 20 万平方英尺设施,目标 2026 年 Q3 开放。
• 人才与品牌背书:Flagship 孵化、明星科学团队(见下)。
• 风险面:资本极重,毛利显著低于纯 SaaS,接近重资产研究平台;若客户转化/利用率跟不上设施扩张,会长期背高固定成本。监管行业的采用更可能卡在 IP 归属、数据安全、可复现性、合规上,而非模型本身。

团队

• Geoffrey von Maltzahn:联合创始人、CEO,Flagship General Partner。
• Noubar Afeyan:董事长,Flagship Pioneering 创始人(Moderna 联合创始人)。
• George Church:首席科学家,CRISPR / 基因组学先驱。
• Molly Gibson:President, Future Science。
• Andrew Beam:CTO。
• Kenneth Stanley:高级副总裁(AI 研究背景,开放式算法方向知名学者)。
• Rafael Gómez-Bombarelli:材料方向 CSO(MIT 材料/分子机器学习背景)。
• Christopher Fussell:President of Operations。

团队特征:顶尖学术科学家 + Flagship 创投运营 + AI 研究人才的组合,偏"科研发现"而非"软件工程"基因。

客户

未公开具体客户名称。

公开口径:2025 年起开放平台,正在接纳"首批客户(first cohort)"进入战略科学领域;目标客户为制药、能源、半导体等有昂贵 R&D 周期的大型组织;早期与制药公司的合作聚焦特定治疗项目。无具名首批客户披露。

订单 / 合作 / 商业化

• 商业模式:B2B 基础设施即服务。
• Catalyst:按需/订阅/用量计费,客户使用 Lila Iris + AISF。
• Creation:项目费 + 里程碑 + 部分 IP 分成。
• 商业化阶段:2025 年宣布开放商业合作并招募首批客户。计划用新融资再建若干商业 AISF,出售自动化实验产能。
• 具体订单金额、合同、具名合作伙伴:未公开。
• 合作伙伴定位:制药、能源、半导体公司未来通过软件接入,将部分 R&D 流程外包给 Lila 的系统。

市场信号(融资 / 估值)

• 2025 年 3 月:公开亮相,种子轮 2 亿美元。
• 2025 年 10 月:A 轮收于 3.5 亿美元;其中 10 月新增约 1.15 亿美元扩展,由 NVIDIA 风投部门 NVentures 等新投资人参与。
• 累计融资:5.5 亿美元。
• 估值:超过 13 亿美元(A 轮后)。
• A 轮联合领投:Braidwell、Collective Global。
• 主要投资人:NVentures(NVIDIA)、Analog Devices、IQT、General Catalyst、March Capital、ARK Venture Fund、Catalio、Abu Dhabi Investment Authority(ADIA)子公司、密歇根州退休基金等。
• 进一步信号(待确认,来自二级研究源 Sacra,口径未经官方确认):2026 年中传出 B 轮约 20 亿美元、投前估值约 85 亿美元。此条标注为未经一手来源证实。

三反思(对 AutoSim)

(a) 客户:Lila 打的是制药/能源/半导体/材料等大型组织的 R&D 部门,卖"外包整段发现循环"。AutoSim 打的是锂电池电化学仿真用户(电池厂、材料商、仿真工程师)。共同点是都瞄准 R&D 里高成本、慢迭代的环节。差异是 Lila 要客户把实验外包出去,AutoSim 让客户继续用自己的 COMSOL,只是换了操作者(agent)。AutoSim 的客户切换成本更低,更易进单。

(b) 服务:Lila 服务是"我替你做发现",交付真实实验结果和新材料/新分子,是结果交付。AutoSim 服务是"我替你跑仿真",交付预测、验证过的模型和适用范围,是能力/过程交付。Lila 服务更值钱但更重、更慢;AutoSim 更轻、更快、更可被客户复核。

(c) 交付形态 + 壁垒:Lila 交付形态是重资产自动实验室 + 自有模型,壁垒是自产真实物理实验数据 + 全栈一体化,代价是极高固定成本和低毛利。AutoSim 交付形态是 agent + 客户现有仿真软件,不碰硬件,壁垒诉求在数据、模态、交付形式上。AutoSim 的壁垒更轻,但也更需要论证"为什么别人复制不了"——因为它不靠重资产护城河。

关键判断(与 AutoSim 的异同)

• 共同信念:两者都相信 AI agent 能执行科研循环(生成假设 / 改一个假设 / 重新求解 / 验证),都把"闭环 + 数据飞轮"当核心。
• 根本路线分叉:Lila 走"自动实验室"重交付——自建实验室、跑真实物理实验、产自有数据、覆盖多学科、做结果交付。AutoSim 走"agent 驾驶仿真软件"轻交付——不建实验室、不碰硬件、驱动客户已有的 COMSOL 做电化学仿真、单一垂直、做预测与验证。
• 数据来源不同:Lila 的数据是自产的真实实验数据(贵、慢、独占)。AutoSim 的数据来自仿真 + 客户留出工况验证(快、可复核,但需说明仿真不等于实验真值)。这点正好契合 AutoSim 的叙事约定:避免"拟合实验/保真"措辞,强调前向预测与留出验证。
• 商业含义:Lila 的重资产是壁垒也是负担,需要高利用率支撑;AutoSim 轻资产、低客户切换成本、好进单,但护城河需靠数据/模态/交付形式而非资本壁垒来立。
• 对 AutoSim 的可借鉴点:Lila 把"AI 自主执行科学方法全流程"讲成了 13 亿美元的故事,证明这条叙事能融到大钱;NVIDIA 等战略投资人愿为"AI for Science 基础设施"下注。AutoSim 可借其叙事框架(闭环、数据飞轮、外包 R&D 环节),但要反复强调自己的"轻交付、不换工具、客户可复核"是相对 Lila 重资产路线的差异化优势,而非弱点。

参考链接

• 官网:https://www.lila.ai/
• A 轮收官公告(官方,投资人名单):https://www.lila.ai/news/announcing-the-close-of-our-series-a
• Flagship 公开亮相新闻稿:https://www.prnewswire.com/news-releases/flagship-pioneering-unveils-lila-sciences-to-build-superintelligence-in-science-302397198.html
• Flagship 公司页:https://www.flagshippioneering.com/companies/lila-sciences
• NVIDIA 加注、估值 13 亿(Tech Startups):https://techstartups.com/2025/10/14/ai-startup-lila-sciences-hits-1-3b-valuation-after-115m-raise-from-nvidia-to-build-ai-science-factories-and-speed-up-discovery/
• A 轮 3.5 亿、NVentures 支持(Fierce Biotech):https://www.fiercebiotech.com/biotech/lila-sciences-adds-115m-series-bringing-total-haul-350m-and-securing-backing-nvidia
• 估值与 Nvidia 加注(Yahoo Finance / Reuters):https://finance.yahoo.com/news/exclusive-ai-lab-lila-sciences-101645391.html
• 业务拆解、商业模式、竞争格局(Sacra):https://sacra.com/c/lila-sciences/
• 业务拆解与创始故事(Contrary Research):https://research.contrary.com/company/lila-sciences
• 绿氢催化剂 / 碳捕集结果与能力说明(Excedr):https://www.excedr.com/blog/lila-sciences-builds-scientific-superintelligence-through-autonomous-ai-labs
• 种子轮 2 亿、能源应用(Latitude Media):https://www.latitudemedia.com/news/this-superintelligence-platform-just-raised-200m-in-seed-funding/

数据口径说明:融资、估值、面积数据来自上述一手公告与主流媒体,时间锚定 2025 年 3 月(种子)与 2025 年 10 月(A 轮收官)。"数千项发现""数十万次实验闭环""绿氢成本低 1000 倍"等为公司自述,无独立第三方验证。B 轮(约 20 亿 / 投前 85 亿)仅见于二级研究源,未经官方证实。本档案制作日期:2026-06-14。

Luminary Cloud(美国)—— 云原生 GPU CFD + 物理 AI,"驾驶 + 替代"双轨

角色:"AI 驱动工业仿真"这条赛道里已拿到大额融资($187M)、有头部客户具名背书(Joby/Piper)、有 NVIDIA 站台的最强商业样板——直接验证 AutoSim 所在赛道的资本与市场叙事成立。但它只做气动 CFD、自造 GPU 求解器、靠 surrogate 替代求解;AutoSim 在电化学 P2D 域、驾驶商用 COMSOL、以参数可识别性与留出验证为壁垒。属"同赛道、不同物理域、互补壁垒"的正向对标,非直接竞争。

纠偏:无 SpaceX 背景(检索未发现),航天权威性来自联创 Juan Alonso 的 NASA/斯坦福经历;"约 $1.15 亿"是 Series A($115M),Series B 为 $72M。

基本信息

• 公司:Luminary Cloud, Inc.
• 成立:2019 年(2024 年 3 月出隐身)。
• 总部:美国加州 San Mateo。团队约 71 人(Tracxn,2026-04)。
• 创始人/团队:
• Jason Lango(联创,早期 CEO,现标注 Former Co-Founder)——HPC/云基础设施背景,出身 SGI/NetApp/Cisco,前公司 Bracket Computing 被 VMware 收购。
• Juan Alonso(联创 & CTO)——斯坦福航空航天系前主任、前 NASA 基础航空学项目主任,核心 CFD/气动权威背书。
• Pete Schlampp(现任 CEO)——前 Sutter Hill Ventures 董事总经理、前 Workday 首席战略官。
• 基本由 Sutter Hill Ventures 孵化(SHV 既孵化又主投)。

解决方案

• 形态:云原生 CAE SaaS,自称"全球首个现代化 CAE SaaS",直接对标桌面统治的传统 CAE(Ansys/Siemens)。
• 物理域:主力 CFD / 气动,覆盖流体、传热、多孔介质;目前无结构力学、无电化学——领域比 Ansys 窄,聚焦外流气动。
• 环节:CAD 导入 → 网格 → 求解 → 后处理全链路。
• 行业:航空航天(尤其 eVTOL)、汽车、运动装备、工业。

AI 加速的是什么(重点)

理解差位的关键:三层并行技术栈,"驾驶"与"替代"双轨。

• SHIFT-SUV(与 Honda、NVIDIA 合作,开源):基于 AeroSUV 参考几何,初版约 1,000 个高保真仿真训练(目标扩到 25,000),阻力预测平均误差约 3.45%。SHIFT-Wing(与 Otto Aviation):机翼版。
• 与 NVIDIA 技术绑定:SHIFT 用 NVIDIA 开源 PhysicsNeMo 训练,采用 DoMINO 点云神经算子架构;Luminary 反向贡献了 50x 训练加速。NVentures(NVIDIA)参投 Series B。

机制本质:既驾驶(Lumi,自动网格)又替代(SHIFT,神经算子)。 之所以敢用 surrogate 替代,是因为气动这个"几何→标量气动量"映射相对良态;AutoSim 面对的电化学 P2D 是强耦合、参数可识别性弱、需留出验证的反问题,surrogate 替代风险高,故走"agent 驾驶 COMSOL + 参数识别 + 验证"路线。

客户与案例(均公司自述,无独立第三方验证)

市场信号

• 总融资约 $187M:Series A $115M(2024-03,Sutter Hill 领投)+ Series B $72M(2025-09,N47/原 Next47 领投,Sutter Hill 与 NVentures 参投)。
• 估值/营收:未公开;Series B 用途为扩展应用研究 + 搭建 GTM 团队,仍处早期商业化。

与 AutoSim 的差位

小结

Luminary 是云原生 GPU CFD 平台向"Physics AI"转型:底层自研 GPU 求解器,上层叠加 Lumi(agent 驾驶,自动网格)与 SHIFT(神经算子代理替代求解),"驾驶 + 替代"双轨。出隐身约两年、累计 $187M、约 71 人、有 NVIDIA 战略投资与深度技术绑定,但估值/营收未披露、仍处早期商业化。它是"AI 驾驶/替代物理求解器"赛道已拿大额融资、有头部客户背书、有 NVIDIA 站台的最强样板,验证了 AutoSim 赛道叙事成立;但只做气动 CFD、自造求解器、靠 surrogate 替代,与 AutoSim(电化学 P2D、驾驶 COMSOL、参数识别+留出验证)领域不重叠、机制更适配强耦合反问题,可作"同赛道、不同物理域、互补壁垒"的正向对标。

BP 引用注意:量化案例(Joby 10x、Piper 30 分钟 vs 7 天、SHIFT 误差 3.45%)均为公司自述无第三方验证,引用须标注;勿引用"SpaceX 背景"。

信息来源(区分自述 / 第三方)

• 出隐身/Series A(第三方):https://pulse2.com/luminary-cloud-computer-aided-engineering-company-exits-stealth-with-115-million-in-funding/ ;https://www.prnewswire.com/news-releases/luminary-cloud-emerges-from-stealth-empowering-rd-with-realtime-engineering-302087593.html
• Series B $72M / NVentures(自述+第三方):https://luminary.ai/resources/luminary-cloud-secures-72m-series-b-to-lead-the-physics-ai-era/ ;https://siliconangle.com/2025/09/15/luminary-cloud-raises-72m-advance-ai-driven-physical-product-design/
• 平台/求解器/Lumi(第三方+自述):https://www.engineering.com/luminary-cloud-aims-to-disrupt-the-cae-space/ ;https://www.prnewswire.com/news-releases/luminary-cloud-bolsters-realtime-engineering-platform-with-new-features-302157664.html
• MCP Server(自述):https://app.luminarycloud.com/docs/api/mcp-server.html
• SHIFT 物理 AI 模型(自述):https://luminary.ai/resources/introducing-luminary-shift-models-a-suite-of-physics-ai-foundation-models-to-transform-engineering-design/
• SHIFT-SUV(第三方):https://www.automotiveworld.com/news-releases/luminary-cloud-unveils-first-physics-ai-open-source-automotive-foundation-model-for-suv-aerodynamics/
• Joby 案例(自述):https://www.luminarycloud.com/case-studies/joby/
• 公司/团队/规模(第三方):https://tracxn.com/d/companies/luminarycloud/ ;https://www.crunchbase.com/person/jason-lango

Navier AI(中文:纳维尔 / 英文:Navier AI)—— 驾驶现有仿真工具的工程 AI Agent

角色:这是与 AutoSim 机制最接近的对标。两者都主张让 AI agent 操作现有专业仿真软件,自动完成建模、网格、求解、出报告,而不替客户换工具。差别在领域:Navier 做空气动力学/结构(CFD、FEA、网格),AutoSim 做锂电池电化学(COMSOL P2D)。

重要纠偏(时间口径):用户给定的前提"Navier AI 于 2025.12 被 Japan AI 收购"经核实不成立。 该收购指的是另一家同名公司:东京的 Navier(图像处理深度学习公司,2018 年成立),于 2023 年 7 月被 JAPAN AI(Geniee 子公司)收购 AI 业务,对价未披露。本档案的对象——旧金山的 Navier AI(CFD/工程 agent,2023 年成立,YC W24)——截至 2026 年 6 月并未被收购,反而在 2025 年 12 月 15 日刚刚结束隐身、宣布完成 560 万美元种子轮。详见下文"基本信息"与"关键判断"。

基本信息

• 公司:Navier AI(亦写作 Navier)。
• 成立:2023 年 9 月(创始团队所述)。属 Y Combinator 2024 冬季批次(W24)。
• 总部:美国旧金山。
• 创始人:Cameron Flannery(联合创始人兼 CEO)、Evan Kay(联合创始人)。两人在加州大学圣地亚哥分校(UC San Diego)共同搞学生火箭队时结识。
• 融资:截至 2025 年 12 月,公开披露累计约 610 万美元。其中 2025 年 12 月 15 日出隐身时宣布的种子轮为 560 万美元,以 SAFE 形式募集,无指定领投。早期另有约 50 万美元的更早一笔(媒体口径)。投资方包括 GV(Google Ventures)、HCVC、Y Combinator,以及 Anzu Partners、Innovation Endeavors 等(2024 年 3 月时已有 Anzu 在册)。
• 被收购:未发生(见上方纠偏)。对象公司仍为独立运营。
• 定位:官网自述为"AI-Powered CFD & Simulation Agents for Engineering"(面向工程的 AI 驱动 CFD 与仿真 agent)。其主张的范式叫 Agent-Driven Engineering(ADE,agent 驱动的工程),自称是继 CAD(1960 年代)、仿真软件(1990 年代)之后的"第三次工程生产力跃迁"。

解决方案

• 解决什么问题:工程团队(尤其航空航天、汽车)从 3D 设计到仿真验证的环节高度重复、耗时。建一个仿真算例往往要几小时:导入几何、清理、划网格、配置求解器、跑、整理报告。设计与工程两个学科之间的"翻译"成本高,迭代周期以月计。
• 怎么解:用 AI agent 接管设计与工程之间的重复工作流。agent 用计算机视觉和空间推理读懂 3D 几何,把设计文件自动翻译成仿真验证需求,几分钟内生成网格、配置求解器、跑通仿真管线,并自动出报告。官方口径:把"花几小时配一个算例"压缩到"几分钟"。
• 关键定位语:agent 叠加在现有 CAD 和仿真工具之上,不替换它们(operates alongside existing CAD and simulation tools rather than replacing them)。这一点与 AutoSim"客户不换工具"的主张高度一致。

技术路线

Navier 实际上有两条相关但不同的技术线,出隐身时把重心从前者迁移到后者:

1. 早期(2024):ML 加速 CFD 求解器。 物理约束的机器学习模型(physics-constrained ML / physics-ML),用大量高质量仿真数据训练,再用实验数据做微调以保精度。宣称比传统数值求解器快约 1000 倍、成本只是零头,可做实时 CFD、在设计回路里做"分析在环"的优化。与传统数值仿真的差别:不是逐步迭代解 PDE,而是用训练好的代理模型直接给场预测;靠"仿真数据 + 实验微调"在速度与精度之间取平衡。
2. 出隐身后(2025):Agent-Driven Engineering(ADE)。 重心从"更快的求解器"转向"会驾驶仿真工具的 agent"。agent 用计算机视觉/空间推理解释 3D 几何,自动完成网格生成、求解器配置、仿真管线执行,并带专家复核(expert review),覆盖 CFD、FEA(有限元)、网格、乃至飞控软件等工作流。这一层的核心不是新数值方法,而是自动化地操作已有数值仿真栈。

与"其他 AI 仿真"的差别:很多 AI 仿真公司做的是"替代求解器的代理模型"(surrogate),把仿真本身换成神经网络。Navier 出隐身后的主线更接近"agent 编排现有工具",即仍用传统求解器算,但让 agent 自动把活干完。这正是和 AutoSim 同构的机制。

产品壁垒

• 数据:早期求解器线依赖"高质量仿真数据 + 实验数据微调"的训练集,这是其精度与可用性的来源,属数据壁垒。
• 团队:壁垒主要在创始团队的硬科技工程背景(见下"团队"),能让 agent 输出达到航空航天/汽车工程师可接受的精度与可信度。
• 交付形式:agent 叠加在现有工具上、轻交付、不要求客户换软件,降低采用门槛。
• 难追之处:把"agent 自动驾驶仿真工具到工程级精度"做对,需要同时懂仿真物理、懂工具链、懂客户工程流程。纯 ML 团队或纯软件 agent 团队都不易兼得。
• 可被绕过之处:其壁垒并非专有仿真内核(它用现有工具),领域知识可被同样懂行的团队在别的领域复制——这恰好为 AutoSim 在电化学领域留出空间。

团队

• Cameron Flannery(联合创始人 / CEO):航空航天工程师。履历覆盖 SpaceX、Tesla、Aurora Innovation、Astranis、Boundary Layer Technologies;做过火箭发动机、卫星、水翼集装箱船、自动驾驶卡车。
• Evan Kay(联合创始人):航空航天工程师。曾在 SpaceX、General Atomics 做火箭发动机与飞机部件的设计与金属 3D 打印;在 Navier 之前是 Anzu Partners 的硬科技投资人,投早期工业技术(这也解释了 Anzu 进入股东名单)。
• 媒体口径称创始团队整体来自 SpaceX、Tesla、Aurora 等硬科技公司。

客户

• 未公开具体客户名。 截至 2026 年 6 月,官网、融资新闻、合作公告均未点名任何具体客户。Rescale 合作中提到面向感兴趣的机构开放"早期接入计划",但未列客户。

订单 / 合作 / 商业化

• 合作(已公开):2024 年 3 月 13 日与云 HPC 平台 Rescale 达成合作。Rescale 把 Navier 的预训练 physics-ML 模型集成进其平台,做端到端的"AI physics"工作流(部署/微调 Navier 模型 + 用 Rescale 千余款传统求解器做设计校验)。目标行业:航空航天、汽车(电动车)、可再生能源。
• 订单 / 合同 / 营收:未公开。 无公开的具体合同、订单或营收数字。出隐身报道明确未披露任何客户数、营收或 ARR。
• 被收购对价:不适用(本公司未被收购)。
• 资金用途:560 万美元主要用于产品开发,以及在航空航天与汽车两个行业扩张。

市场信号(融资 / 估值)

• 2025 年 12 月 15 日,种子轮 560 万美元(SAFE,无指定领投),投资方 GV、HCVC、Y Combinator 等。
• 公开累计融资约 610 万美元(含更早一笔约 50 万美元的媒体口径)。
• 估值未公开。
• 投资人结构信号:既有顶级早期机构(GV、YC、Innovation Endeavors),又有硬科技/工业向基金(Anzu、HCVC),指向"硬科技 + AI 工程工具"这一交叉赛道被资本认可。HCVC 合伙人 Jerry Yang 公开把价值主张表述为"AI 处理学科间翻译,把开发周期从几个月压到几周"。

合作机制:前置数据 / 交付形式(从已有信息提炼)

• 前置数据:客户的 3D 几何 / CAD 设计文件——一个自包含、已数字化的规格。CFD/FEA 的物理(Navier-Stokes、结构力学)通用,不需要客户机密材料数据。早期求解器线另需"高质量仿真 + 实验微调"的训练集,那是 Navier 自己备的,不是客户给的。
• 交付形态:agent 作为工具/平台,工程团队自用 + 专家复核;叠加在现有 CAD/仿真工具之上、不替换(客户不换工具)。它不是"结果交付",是"自助工具/平台"。
• 合作 / 渠道:与云 HPC 平台 Rescale 集成;对感兴趣机构开放早期接入计划。具体计费未公开。

关键启示:context 干净度决定能不能做自助工具

Navier 能做成"agent 读文件就跑"的自助工具,前提是 CFD/FEA 的 context 天然干净——几何文件即完整规格,物理通用,不依赖客户机密。电化学 P2D 不成立:光有几何不够,还要材料/工艺参数(扩散系数、反应速率、孔隙率…),这些与配方强相关、厂商多半没数字化、且机密。所以 Navier 的自助工具模式不能直接照搬到电池——这正是"偏工艺、带脏 context"的领域差异。

因此 AutoSim 只能走两条(而非 Navier 的自助工具): 1. 制造干净 context 的结果交付:自有实验室表征市售电芯补全 context,或打新入局者(只给干净工况 + 指标,靠第一性模型补全参数); 2. 终端部署:进客户侧拿到未数字化的脏 context。

四家按"context 干净度 × 交付形态"对照:Navier(几何 context 干净 → 自助工具)、Electroder 设计服务(新入局者干净 context → 结果交付)、Electroder 软件(既有厂脏 context → 客户侧使用)、Periodic/Lila(自建实验室绕开 context → 重资产自做)。

三反思(对 AutoSim)

• (a) 客户:Navier 锚定航空航天与汽车的工程团队,这些行业迭代周期长、容错低、愿为可信加速付费。对 AutoSim 的启示:锂电池(电芯厂、车企电池部门、材料厂)在结构上同类——长周期、高验证成本、对仿真有刚需。可直接借用"压缩验证周期"的价值叙事,但要锚定电化学特有的痛点(参数识别难、跨工况验证难)。
• (b) 服务:Navier 的服务是"agent 把仿真活干完 + 专家复核",对外仍是工程团队自用的工具/平台。AutoSim 若走"agent 驾驶 COMSOL 出预测 + 留出工况验证 + 不可识别时给边界或拒绝输出",在服务形态上比 Navier 更进一步把"可信度边界"产品化——这是可主打的差异点。Navier 公开材料里没有把"参数不可识别就拒绝输出"这类自我约束讲清楚,AutoSim 在这点上可以更硬。
• (c) 交付形态 + 壁垒:Navier 验证了"agent 叠加在现有仿真工具之上、不换工具、轻交付"这条路能融到一线机构的钱。AutoSim 的交付主张与之同构,可直接引用为路线被验证的证据。壁垒上 Navier 偏团队 + 数据,而它不掌握专有仿真内核;AutoSim 应把壁垒讲在"电化学数据 + 跨工况验证证据 + COMSOL P2D 领域 know-how + 交付形式",而非求解器本身。

关键判断

• 机制被验证:"AI agent 驾驶现有专业仿真软件,自动完成建模到出报告,且不要求客户换工具"这一机制,已被 Navier 拿 GV/HCVC/YC 的钱、Rescale 的合作所验证。AutoSim 在融资叙事中可把它当作"同构路线已被一线资本认可"的外部证据。
• 领域不重叠,留出空间:Navier 做 CFD/FEA(流体/结构),AutoSim 做电化学 P2D(锂电池)。两者物理对象、客户、所驱动的软件(Navier 用通用 CFD/FEA 栈,AutoSim 用 COMSOL)都不同。Navier 的存在不构成正面竞争,反而证明该机制可跨领域复制,而电化学这一格恰好空着。
• "被收购"是误传,需在内部材料里更正:网上把旧金山 Navier AI 与东京 Navier(图像处理,2023.7 被 JAPAN AI 收购)混为一谈。旧金山 Navier AI 截至 2026.6 仍独立,且刚完成种子轮。对 AutoSim 融资故事的影响:不能用"对标被大厂收购、退出已验证"来讲这条线;能讲的是"机制已被验证、赛道仍早期、领域空位仍在"。若要讲退出参照,需另找真实案例,不能引用此条。
• 对 AutoSim 的净意义:Navier 是最强的"路线可行性"背书,同时因领域不重叠而不挤占 AutoSim 的市场。AutoSim 的差异化应落在:电化学领域 know-how、参数识别与跨工况验证的可信度产品化、以 COMSOL 为驱动对象的具体交付,以及把"不可识别就给边界或拒绝输出"作为可信承诺。

参考链接

• Navier AI 官网
• Navier AI 平台页(Automated CFD, FEA, and Engineering Agents)
• Navier AI 技术页
• Business Wire:Navier Raises $5.6M to Deploy Agent-Driven Engineering(2025-12-15 官方稿)
• Tech Startups:Navier emerges from stealth with $5.6M(2025-12-15)
• Technews180:Navier Raises $5.6M to Replace Manual Engineering with AI Agents
• Menlo Times:Navier is Deploying Agent-Driven Engineering
• Y Combinator:Navier Ai 公司页(Agent-Driven Engineering, W24)
• Y Combinator Launch:Navier AI — Real-time CFD Simulations
• Anzu Partners 组合页:Navier AI
• Rescale 博客:Rescale and Navier AI Partner(2024-03-13)
• The Overview Podcast #3 — Cameron Flannery & Evan Kay, Navier AI(创始人访谈)
• Axios Pro:AI engineering startup Navier raises $5.6M seed for hardware design(2025-12-15)
• CB Insights:Navier AI 公司页
• Crunchbase:Navier AI
• 同名但不同公司(误传来源):JAPAN AI 收购东京 Navier(图像处理)新闻稿,2023-07-03

Neural Concept(纽勒概念,瑞士)— 用 3D 深度学习代理模型加速工程仿真的"工程智能"平台

角色:对 AutoSim 的间接对标。两者都用 AI 缩短仿真周期,但路线相反。Neural Concept 用深度学习训练代理模型,直接替代或加速数值仿真;AutoSim 让 agent 驾驶现有 COMSOL 完成电化学仿真,不替换求解器。它是"算法替代仿真"路线的代表性参照。

基本信息

• 公司:Neural Concept SA
• 成立:2018 年(部分新闻写 2019 年,以 EPFL 分拆与首轮投资时间为准,口径有出入)
• 总部:瑞士洛桑(Lausanne)
• 出身:EPFL 计算机与通信科学学院计算机视觉实验室(CVLab)分拆
• 主营:面向工程设计的 3D 深度学习平台,产品名 Neural Concept Shape
• 定位口号:Engineering Intelligence(工程智能)
• 应用领域:汽车、电动车、航空航天、F1 赛车、工业零部件
• 物理领域:流体力学、结构、电磁

解决方案

Neural Concept Shape 用深度学习,从客户已有的 CAD 几何和数值仿真结果中训练代理模型(surrogate model)。

工作方式:

• 输入是 3D 几何(CAD/网格)。
• 模型直接预测全场物理结果,例如外形表面压力场。
• 推理在毫秒级完成,替代原本需要小时级的数值求解。

宣称收益(均为公司口径):

• 缩短产品开发时间最多 75%。
• 仿真加速最多 10 倍。
• 电动车开发周期从约 4 年压缩到 18 个月。
• 客户减少返工最多 50%,开发周期最多缩短 2 年。

核心价值是在设计早期一次探索数百万种几何变体,把仿真前置,而不是在流程后期逐个跑数值仿真。

技术路线(与传统数值仿真、与 PhysicsX 的异同)

技术内核是 3D 几何深度学习。创始团队源自 EPFL CVLab,把计算机视觉的几何神经网络方法用到工程仿真,在不规则网格和 3D 形状上做监督学习,预测全场物理量。

与传统数值仿真(CFD / FEA)的区别:

• 传统数值仿真每个新几何都要重新离散、重新求解,耗时小时到天级。
• Neural Concept 用历史仿真数据训练一次代理模型,之后对新几何直接推理,毫秒级出结果。
• 代价是需要大量已有仿真数据训练,且精度受训练数据覆盖范围限制,外推到训练分布之外不可靠。

与 PhysicsX 的异同:

• 相同:两者都做代理模型,用学到的模型替代或加速 CFD/FEA/多物理场仿真,主打全场预测和数量级加速,都面向汽车与航空大客户。
• 不同:Neural Concept 起家于几何深度学习(从 CAD 几何到全场预测),强调 3D 形状学习与设计探索;PhysicsX 更强调物理信息神经网络(PINN)、算子学习(operator learning)和"大物理模型 / 大几何模型"概念,主张把物理定律写进损失函数。两者本质同属"AI 代理模型替代数值仿真"赛道,差别在算法侧重与产品包装。

产品壁垒

• 几何深度学习算法积累,源自 EPFL CVLab 的学术血统。
• 客户已有 CAD 与仿真数据构成的训练资产,形成数据飞轮。
• 与大型 OEM 的多年许可合作关系,客户切换成本高。
• 与 NVIDIA、Siemens、Ansys、Microsoft、AWS 的技术合作,绑定算力与仿真生态。

壁垒本质是算法 + 客户专有仿真数据 + 生态绑定。但代理模型路线必须持续证明预测精度,这是其根本约束。

团队

• Dr. Pierre Baqué — 创始人兼 CEO。EPFL CVLab 博士(2018 年),研究方向为计算机视觉与变分推断,导师为 Pascal Fua 与 François Fleuret。
• Théophile Allard — 联合创始人,CTO。
• Dr. Jonathan Donier — 联合创始人,首席科学官。
• Thomas von Tschammer — 联合创始人,美国区总经理。

团队核心来自 EPFL 计算机视觉实验室,学术背景偏深度学习与计算机视觉,非传统数值仿真出身。

客户

公开客户 60 至 70+ 家 OEM(口径随时间增长,不同新闻在 60 与 70+ 之间)。已公开点名的包括:

• 航空航天:Airbus(空客)、European Space Agency(欧洲航天局)、General Electric(通用电气)。
• 汽车:Subaru(斯巴鲁)、Bosch(博世)、Mubea。
• F1:当前 10 支车队中的 4 支(具体车队未公开)。
• 美国市场:公司称已有 10 家美国 OEM 采用其平台(具体名称未公开)。

注:多数二手报道点名 Airbus、Bosch、GE、Subaru、Mubea;Mercedes 未在公开资料中确认。

订单 / 合作 / 商业化

• Airbus:多年期许可合作并已续签。Airbus 用 Neural Concept Shape 将飞机外表面压力场预测时间从约 1 小时降到 30 毫秒(公司口径,超千倍加速),覆盖流体力学、结构、电磁。合作可追溯到 2019 年 NeurIPS 的展示。
• NVIDIA:技术合作,在 NVIDIA GPU 与 CUDA 上优化物理驱动深度学习模型性能。
• Rescale:合作提供"3D AI + HPC 即服务"。
• Siemens、Ansys、Microsoft、AWS:战略合作伙伴(Series C 时公布)。
• 公司称客户合计每年节省超 5,000 万美元(公司口径)。
• 具体订单金额、合同期限未公开。

市场信号(融资 / 估值)

• 种子 / 早期:EPFL 分拆后获七位数(超百万瑞郎)首轮投资。
• Series B:2,700 万美元,2024 年 6 月,领投 Forestay Capital,新投资方 D.E. Shaw,跟投 Alven、Constantia New Business、HTGF、Aster。
• Series C:1 亿美元(约合 8,500 万欧元,系同一轮的不同币种口径),2025 年 12 月,领投 Growth Equity at Goldman Sachs Alternatives,跟投含 Forestay、Alven、HTGF、D.E. Shaw Ventures、Aster。
• 累计融资:约 1.4 亿美元。
• 估值:未公开。
• Series C 资金用途:全球扩张、强化技术、深化与大型工业客户的合作。

三反思(对 AutoSim)

(a) 客户:Neural Concept 的客户是有海量自有仿真数据的超大型 OEM(空客、博世、GE、F1)。这类客户能喂出训练数据,也最在意设计早期的几何探索。AutoSim 面向锂电池电化学仿真,客户多为电池厂与材料厂,数据形态是实验工况与材料参数,不是几何形状库。客户画像不重叠,但同样要面对"客户是否有足够数据"的问题。

(b) 服务:Neural Concept 是平台 + 多年许可,需要客户先积累并交付仿真数据来训练专属模型,交付重、上线慢。AutoSim 主张 agent 直接驾驶客户现有 COMSOL,不要求客户先攒数据训练代理模型,交付更轻、更快出结果。这是 AutoSim 相对的优势点。

(c) 交付形态 + 壁垒:Neural Concept 交付的是训练好的代理模型(替代求解器),壁垒是算法 + 客户专有数据 + 生态绑定,但必须长期证明精度且受训练分布限制。AutoSim 交付的是用现有专业软件完成的仿真结果,客户不换工具,壁垒诉求在数据 / 模态 / 交付形式。两者壁垒来源不同:一个押注模型本身,一个押注操作专业软件的能力与交付方式。

关键判断

Neural Concept 走代理模型替代 / 加速数值仿真,属算法类公司,核心风险是必须持续证明预测精度,且代理模型外推到训练分布之外不可靠,落地依赖客户先有大量仿真数据。AutoSim 走 agent 驾驶 COMSOL、不替换求解器的路线,交付物是真实物理求解器算出的结果,精度由 COMSOL 本身保证,可行性更直观,轻交付门槛更低。两条路线本质都在解决"仿真太慢太贵",但 Neural Concept 赌算法,AutoSim 赌对专业软件的自动化操作与交付。Neural Concept 的融资规模(累计约 1.4 亿美元,客户含 60+ OEM)证明"AI + 工程仿真"赛道有大客户与大资本,可作为 AutoSim 讲市场时的旁证。

参考链接

• 官网 Who We Are:https://www.neuralconcept.com/who-we-are
• Airbus 合作续签:https://www.neuralconcept.com/post/renewed-collaboration-between-airbus-and-neural-concept
• Rescale 合作:https://www.neuralconcept.com/post/neural-concept-partners-with-rescale-to-deliver-3d-ai-with-hpc-scale
• Series C 1 亿美元(Goldman Sachs 领投):https://techfundingnews.com/neural-concept-raises-100m-goldman-sachs-ai-design/
• €85M / Nvidia·Siemens·Microsoft 伙伴(EU-Startups):https://www.eu-startups.com/2025/12/with-nvidia-siemens-and-microsoft-as-partners-lausanne-based-neural-concept-raises-e85-million/
• Series B 2,700 万美元(TechCrunch):https://techcrunch.com/2024/06/03/swiss-startup-neural-concept-raises-27m-to-cut-ev-design-time-to-18-months/
• F1 空气动力学应用(TechCrunch):https://techcrunch.com/2024/04/14/how-neural-concepts-aerodynamic-ai-is-shaping-formula-one/
• 10 家美国 OEM 采用(Digital Engineering 24/7):https://www.digitalengineering247.com/article/neural-concept-reports-10-u.s-oems-adopt-its-platform/design
• EPFL 分拆与首轮投资:https://actu.epfl.ch/news/ic-spin-off-neural-concept-secures-seven-figure-in/
• Crunchbase 公司档案:https://www.crunchbase.com/organization/neural-concept
• PhysicsX 代理物理平台(背景对比):https://windowsforum.com/threads/physicsx-ai-native-engineering-to-speed-up-design-with-surrogate-physics.403101/

Orbital Materials(材料基础模型 + 仿真,海外)

角色:★ 与 AutoSim 最相关之一。"材料仿真 AI 模型"(Orb)直接落在仿真;NVIDIA/Toyota 投。被称"材料界的 AlphaFold"。

基本信息

• 公司名:Orbital Materials,2025 年底改名为 Orbital Industries。
• 成立:2022 年。
• 总部:伦敦,另设旧金山办公室。湿实验室(R&D)在美国新泽西 Princeton。
• 团队规模:约 50 人(2026.5 口径)。
• 创始人/CEO:Jonathan Godwin,前 Google DeepMind 研究员(约 5 年),研究方向是把图神经网络用于物理和化学系统。
• 核心定位:用 AI 设计先进材料,目标市场是数据中心(冷却、用水、碳移除)。

解决方案

公司用 AI 加速材料发现,主要服务数据中心降碳和散热。

• 散热:为下一代高密度 GPU 设计的无 PFAS 介电冷却液,配套制冷系统。计划随 2027 年新一代 GPU 一起出货。
• 碳移除:AI 设计的多孔活性材料,集成在数据中心内做碳捕集,公司称材料性能比初始版本提升 10 倍。
• 模块化数据中心:模块化算力基础设施,公司称可在 6 个月内上线高密度算力,而常规建设需要最长 3 年(以 Orbital IT 品牌销售)。

商业模式是垂直整合:自己生产并直接销售硬件,而不是把 IP 授权给化工厂。

技术路线

• 基础模型:LINUS,公司内部使用,在 Princeton 的 R&D 设施支撑材料设计、合成和测试。
• 仿真模型:Orb,基于 LINUS。公司称是"最快最准的材料仿真 AI 模型"。
• 能力口径:能在单张 GPU 上模拟 10 万个原子;比同类方法快约 10 倍(融资稿口径)。Orb 发布稿另称比 Google、Microsoft 的同类模型更准,大规模仿真快 5 倍。
• 方法:预测原子间相互作用力,模拟原子的量子力学行为,属于机器学习势能/代理模型路线。
• 与传统数值仿真的差别:公司主张传统计算方法(DFT、分子动力学)难以准确预测真实材料性质,Orb 以 AI 代理模型给出更快更准的预测,推动"理性设计"落地。
• 开源:Orb 以宽松开源许可发布,面向全球研究机构。专有版本用于公司内部产品开发。
• 湿实验室闭环:2024 年初在 Princeton 建实验室,做设计-合成-测试闭环,这是其碳捕集材料 10 倍性能提升的来源。

产品壁垒

属于"模型 + 数据 + 工艺"的复合壁垒。

• 模型:LINUS 基础模型 + Orb 仿真模型,有速度和精度的对外宣称。
• 数据:自建湿实验室产生的合成与测试数据,反哺模型。
• 工艺/交付:已落到实体产品(冷却液、碳捕集材料、模块化机房),并锁定代工厂,走垂直整合而非授权,交付较重。
• 团队:DeepMind 出身的 AI 背景 + 重复创业的 CTO。
• 难追点:基础模型与湿实验室数据的闭环互相强化,且已绑定数据中心客户和量产路径。

团队

• Jonathan Godwin:联合创始人、CEO。前 Google DeepMind 研究员。
• James Gin-Pollock:CTO。连续创业者,曾把上一家公司卖给 Shutterstock。
• Daniel Miodovnik:COO。

客户

• Amazon Web Services(AWS):战略合作方,也是 Orb 上架渠道。
• Civo:英国云/数据中心服务商,碳移除试点的部署场地方。
• 芯片侧:公司称正与"主要芯片厂商"做冷却液的认证(具体厂商未公开)。
• 终端材料客户的具体名单:未公开。

订单 / 合作 / 商业化

• AWS(2024.12 公布):多年期合作,聚焦数据中心散热、用水、碳移除。AWS 提供:通过 Amazon SageMaker JumpStart 和 AWS Marketplace 上架 Orbital 的 AI 平台;用 SageMaker HyperPod 做分布式训练;评估用 Trainium 自研芯片优化训练成本。Orb 是 AWS 平台上首个 AI 材料模型。具体合同金额和期限未公开。
• Civo(2025.4 公布):战略合作,计划在 2025 年底前于 Civo 英国数据中心部署并测试碳移除技术;Civo 提供搭载 NVIDIA H200 GPU 的高性能算力集群支持 Orbital 训练模型。财务条款未公开。
• 代工:已为冷却液锁定一家代工厂以扩产。
• 产品时间表:冷却液计划随 2027 年新一代 GPU 出货。
• 营收信号:具体营收/在手订单金额未公开。

市场信号(融资 / 估值)

• Series A:$16M。Radical Ventures 领投,NVentures(NVIDIA 创投)、Toyota Ventures 参投。用于推进 AI 材料与气候技术,并在新泽西自建湿实验室。
• NVentures 投资:2024.10 公布(NVIDIA 创投入股)。
• Series B:$50M,2026.5.28 公布。Plural 领投,NVentures、Radical Ventures、Compound、Fly Ventures 参投。用于扩大数据中心冷却液和模块化算力基础设施产品的商业化部署,扩张伦敦和旧金山团队。
• 估值:未公开。
• 累计融资:超过 $20M(早期口径),叠加 Series B 后至少约 $66M。

三反思(对 AutoSim)

• (a) 客户:先进材料/化工/能源企业。
• (b) 服务:材料基础模型 + AI 材料仿真(Orb)。
• (c) 交付形态 + 壁垒:基础模型 + 自建湿实验室闭环;壁垒=基础模型 + 实验数据。

关键判断

与 AutoSim 最贴近的"AI 做仿真"领域对标之一。但它走代理模型替代数值仿真(算法类,需证明精度),且自建湿实验室(重交付);AutoSim 走 agent 驾驶 COMSOL(轻交付、不替代求解器、可行性直观)。这是 AutoSim 的差异化角度。

补充:Orbital 已从"卖模型/仿真"明显转向"卖硬件产品"(冷却液、碳捕集、模块化机房),客户聚焦数据中心降碳。其仿真模型(Orb)更像内部产品研发引擎和获客入口,而非独立交付物。AutoSim 仍以"仿真服务/能力"本身为交付,赛道定位不同。

参考链接

• Exclusive: Orbital Industries raises $50M Series B - Fortune
• Orbital Industries raises $50M Series B for AI-designed data-centre hardware - The Next Web
• Orbital Industries Raises $50M in Series B Funding - FinSMEs
• "AlphaFold" for materials raises $50M - Resilience Media
• Introducing 'Orb' - press release - Orbital Industries
• Orbital Materials and AWS Partner to Speed Up Carbon Removal in Data Centers - Carbon Herald
• Orbital Materials Partners with Civo to Pilot Data Center-Integrated Carbon Removal Technology - GlobeNewswire
• Civo partners with Orbital to pilot carbon removal technology at UK data center - DCD
• AI-Designed Materials to Cool and Decarbonize Data Centers with Orbital - MCJ
• 5YF Episode #29: Orbital Materials CEO Jonathan Godwin - Focal
• Orbital receives NVentures investment - FinSMEs

Periodic Labs(周期实验室):用"AI 科学家 + 自主湿实验室"做材料发现的初创公司

角色:AutoSim 的远端对标,不是直接竞品。两者都把 AI 用于科学/工程研发,但路线相反。Periodic Labs 自建机器人湿实验室,通过真实实验产生独有数据来训练模型,属重资产、科研密集、闭环数据壁垒。AutoSim 不做实验室,只用 agent 驾驶现有 COMSOL 做锂电池电化学仿真,属轻交付、客户不换工具。看它的意义在于:它代表"自建数据闭环"这条最重的路线,可作为壁垒诉求的参照系。

基本信息

• 公司名:Periodic Labs(中文暂译"周期实验室")。
• 地点:美国旧金山。
• 成立:2025 年。
• 公开亮相:2025 年 9 月 30 日从隐身状态出来。
• 定位口号:"From bits to atoms"(从比特到原子);"Our goal is to create an AI scientist"(目标是造一个 AI 科学家)。
• 一句话定位:把 AI 模型与机器人自主实验室配对,让 AI 提出假设、实验室真实验证、再用结果训练更强的模型。
• 起步领域:物理科学与材料发现,首要目标是高温超导材料,其次是半导体散热问题。

解决方案

• 构建"AI 科学家":AI 提出材料假设,自主实验室合成并表征,AI 再从结果学习,形成闭环。
• 强调要真实做实验。创始人原话:"everyone talks about doing science, but in order to do science, you actually have to do science."(人人都谈做科学,但要做科学,你得真去做科学。)
• 价值主张是产生别处没有的高质量实验数据。官网称每次实验可产生数 GB 数据(GBs of data),且包含学术界通常不发表的负结果(negative results)。
• 这些独有数据流再回去训练更强的模型,形成竞争对手无法靠公开数据复制的优势。

技术路线

技术栈由三部分组成:

• 机器学习仿真:对物理体系建模,加速迭代。
• 机器人合成:用机械臂做粉末合成等湿实验。
• 大语言模型:分析实验结果、解读数据、提出下一步假设。

闭环方式:AI 提出假设 → 自主实验室合成与表征 → 数据分析 agent 解读 → AI 学习并提出新假设。

状态(截至 2025 年 10 月报道):实验室已运行,已有实验数据和仿真;机器人系统尚未完全跑起来,仍在训练中。

产品壁垒

• 核心壁垒是自建数据闭环产生的专有实验数据。原话:每次运行产生数 GB 独有高信号数据,包括失败尝试,这成为训练更强模型的原料,是竞争对手爬不到的(data competitors can't scrape)。
• 负结果优势:学术界一般不发表失败实验,Periodic 把负结果收进数据库,形成不对称知识优势。
• 团队壁垒:集中了 AI 与材料科学两个领域的顶尖人才。

团队

• 联合创始人 Liam Fedus:前 OpenAI 研究副总裁,ChatGPT 创造者之一,曾负责 OpenAI 后训练团队;早期参与万亿参数神经网络工作。
• 联合创始人 Ekin Dogus Cubuk:前 Google Brain / DeepMind 材料方向负责人,DeepMind GNoME(发现数百万新晶体结构的材料发现工具)背后的人。
• 团队规模:成立初约 20 多人,报道称招了"两打以上"AI 与科研人才。
• 部分成员:Alexandre Passos(OpenAI o1/o3 相关)、Eric Toberer(超导材料研究者)、Matt Horton(微软材料科学工具 MatterGen 相关)。
• 团队背景还覆盖 OpenAI Operator agent、神经注意力机制等。
• 科学顾问委员会:含斯坦福、西北大学的化学、物理、材料学教授。
• 内部每周办研究生级别讲座,促进跨学科理解。

客户

• 未公开具体客户名。
• 官网与报道提到一个未具名的半导体制造商,合作方向是芯片散热问题。
• 潜在面向行业(报道列举,非确认客户):芯片、电池、航空航天、能源电网、核聚变。

订单 / 合作 / 商业化

• 订单:未公开。截至 2025 年 10 月,无营收和客户数据披露。
• 合作:与一家未具名半导体制造商合作做芯片散热(唯一公开提及)。
• 商业化模式:官方未明确披露。外部分析推测可能走"授权专有发现 + 为工业伙伴做合约研发"两条路,但这是推测,非官方口径。

市场信号(融资 / 估值)

• 2025 年 8 月(进行中报道):拟融 2 亿美元,投前估值 10 亿美元(pre-money $1B),a16z 领投,OpenAI 也参与,当时尚未关闭。
• 2025 年 9 月 30 日(正式公告):宣布完成 3 亿美元种子轮(seed round)。
• 口径说明:8 月的 2 亿 / 10 亿估值是中途报道,9 月底正式公告口径为 3 亿美元种子轮;以正式公告 3 亿为准。一上来就是独角兽量级。
• 领投:Andreessen Horowitz(a16z);Felicis 开第一张支票。
• 投资方:DST Global、NVentures(NVIDIA 创投)、Accel。
• 天使:Jeff Bezos、Eric Schmidt、Elad Gil、Jeff Dean。
• 该 3 亿美元种子轮被多家媒体称为创纪录规模的种子轮。

三反思(对 AutoSim)

(a) 客户:Periodic 的"客户"目前更像研发合作对象(半导体厂),买的是新材料/发现,不是软件。它不要求客户改变工具,因为它自己就是实验室。AutoSim 面向已有 COMSOL 仿真团队的电池/材料客户,卖的是仿真产能,客户不换工具。两者客户都"不换工具",但原因不同:Periodic 是替客户做完整研发,AutoSim 是嵌进客户既有仿真流程。

(b) 服务:Periodic 提供的是端到端发现服务,从假设到湿实验到数据,重、慢、贵,需自建实验室。AutoSim 提供的是仿真任务的自动执行与交付,轻、快,靠 agent 操作现成软件。Periodic 的服务深度高但起量慢;AutoSim 的服务深度有限但可快速规模化。

(c) 交付形态 + 壁垒:Periodic 交付新材料/数据/发现,壁垒是自建闭环产生的专有实验数据(含负结果)。AutoSim 交付仿真结果与报告,壁垒诉求在数据、模态、交付形式。Periodic 的数据壁垒来自物理世界的真实实验,极难复制但成本极高;AutoSim 的壁垒来自仿真工况数据与交付方式,复制门槛较低但资本效率高。

关键判断(与 AutoSim 的异同)

相同点:

• 都用 AI(含 LLM/agent)驱动科学与工程研发的闭环。
• 都把"独有数据"作为核心壁垒诉求。
• 都瞄准材料/能源相关方向(超导、半导体、电池等)。

不同点(关键):

• 数据来源:Periodic 靠自建机器人湿实验室产生真实物理实验数据;AutoSim 不做实验,靠 agent 驾驶 COMSOL 产生与组织仿真数据。
• 资产与交付:Periodic 重资产、重交付,要建实验室、训机器人,慢且贵;AutoSim 轻资产、轻交付,不碰硬件,快且可规模化。
• 工具关系:Periodic 自造实验闭环,绕开既有软件;AutoSim 寄生于客户既有专业仿真软件(COMSOL),不替换工具。
• 验证方式:Periodic 用湿实验验证;AutoSim 用仿真预测,需靠留出工况验证预测准确性,无法识别参数时给边界或拒绝输出。
• 风险结构:Periodic 风险在实验室能否跑通、机器人能否训成、商业化能否落地,但数据壁垒一旦建成极深;AutoSim 风险在仿真预测的适用范围与验证证据是否足够说服客户,壁垒相对浅但落地门槛低。

结论:Periodic Labs 走的是"自主湿实验室 + 重交付 + 科研/算法密集 + 物理数据闭环"路线,代表壁垒最深、成本最高的一端。AutoSim 走的是"agent 驾驶现有仿真软件 + 轻交付 + 客户不换工具"路线,代表资本效率最高、落地最快的一端。两者不直接竞争,但 Periodic 是判断"数据闭环深度"这一维度的最佳参照。

参考链接

• Periodic Labs 官网:https://periodic.com
• TechCrunch《Top OpenAI, Google Brain researchers set off a $300M VC frenzy for their startup Periodic Labs》(2025-10-20):https://techcrunch.com/2025/10/20/top-openai-google-brain-researchers-set-off-a-300m-vc-frenzy-for-their-startup-periodic-labs
• Maginative《Periodic Labs launches with $300M to build an "AI scientist"》:https://www.maginative.com/article/periodic-labs-launches-with-300m-to-build-an-ai-scientist/
• TechFundingNews《Ex-OpenAI execs raise $200M at $1B valuation...》(2025-08-11):https://techfundingnews.com/ex-openai-execs-raise-200m-at-1b-valuation-for-ai-materials-science-startup-backed-by-a16z/
• Yahoo Finance(转载 TechCrunch):https://finance.yahoo.com/news/top-openai-google-brain-researchers-211524110.html
• The AI Insider《Periodic Labs Emerges from Stealth...》(2025-10-01):https://theaiinsider.tech/2025/10/01/periodic-labs-emerges-from-stealth-with-300-million-seed-round-to-build-ai-scientists/

(检索时间:2026-06-14)

对标:PhysicsX(AI-native 仿真,海外独角兽)

角色:不是直接竞品,是融资叙事对标。它证明了"AI 做工程仿真"这个方向在海外是被顶级资本和 NVIDIA 认可的大盘子,且已跑出独角兽。引用它能快速立住 AutoSim 的市场容量和方向可信度。

基本信息

• 公司名:PhysicsX(总部伦敦,英国;另设纽约、湾区、新加坡)
• 成立时间:2019—2020 年(口径不一:官方融资稿与多数报道称源自 F1,创始团队 2019/2020 起步;公司当前为 Series C 阶段)
• 创始人:
• Jacomo Corbo(CEO,联合创始人)——前 QuantumBlack(McKinsey 旗下 AI 公司)首席科学家与联合创始人,前 Renault(Alpine)F1 首席比赛策略师。
• Robin Tuluie(博士,联合创始人,Chairman)——前 Renault(Alpine)F1 与 Mercedes GP 研发负责人,前 Bentley 车辆技术总监。
• Nicolas Haag(联合创始人,Director of Simulation Engineering)。
• 定位:Physical AI / AI-native engineering——把大规模数值物理仿真从"求解"搬到 AI"推理"。
• 规模:员工 300+(截至 2026.06,12 个月内翻倍)。

解决方案

• 解决的问题:传统数值仿真(CFD、FEA)单次求解慢,工程团队迭代周期以周/月计,难以大规模探索设计空间。
• 怎么解:用 AI 模型逼近物理仿真结果,把单次"求解"变成"推理",预测从小时/天压到秒级。
• 效果口径:官方称"从概念到验证设计,从几个月缩到几天";单日可跑 10 万次仿真(Siemens 播客口径)。
• 覆盖产品全生命周期:早期设计、制造工艺优化,到运行期实时数字孪生。
• 不是完全取代物理求解器,而是用 AI 把工程问题转成可快速计算的代理模型,并融合数值与实验数据。

技术路线

• 核心是"深度学习代理模型"(Deep Learning Surrogates):用 CFD/FEA 仿真数据训练 AI 模型,几乎实时产出"CFD 质量"的近似解。
• 对外叙事术语:"Large Physics Models"(大物理模型),类比 LLM,做预训练的物理 AI 基础模型,用于多种工程问题。
• 与传统数值仿真的差别:数值仿真每个工况都要重新求解;代理模型一次训练后,新工况靠推理,速度差几个数量级。
• 技术栈:原生跑在 NVIDIA CUDA-X 与 PhysicsNeMo 之上;集成 Siemens 工具(Teamcenter、Simcenter)。
• 平台能力:产品数据接入、物理知情(physics-informed)模型训练、部署进工程工作流。
• 路线本质:算法/模型替代式——需要证明 AI 近似解的精度,这是该路线的关键证明点。

产品壁垒

• 团队壁垒:创始人来自顶级 F1 工程(Renault/Mercedes/Bentley)与 McKinsey QuantumBlack,既懂物理工程又懂大规模 ML,这一组合稀缺,是对外背书的核心。
• 数据/模型壁垒:在航空航天、半导体、汽车等高门槛行业积累训练数据与预训练物理模型,后来者难复制数据来源。
• 生态壁垒:与 NVIDIA(算力+战略投资)、Siemens(工具链+投资)、Deutsche Telekom(主权 AI 云)深度绑定,形成基础设施层卡位。
• 资本壁垒:一年内估值翻倍到 $2.4B,弹药充足。

团队

• Jacomo Corbo:CEO,联合创始人(QuantumBlack/McKinsey 首席科学家、Renault F1 首席比赛策略师)。
• Robin Tuluie:联合创始人,Chairman(Renault/Mercedes F1 研发负责人、Bentley 车辆技术总监)。
• Nicolas Haag:联合创始人,Director of Simulation Engineering。
• Alexander Dreismann(博士):COO。
• Michalis Michaelides(博士):Head of Research。
• Ismail Negm:Director of Technology。
• 团队规模 300+(2026.06)。

客户

公开点名的客户(来自融资报道,非官方逐一确认的案例):

• Rio Tinto(矿业/材料)。
• Siemens(同时是客户、合作方与投资方)。
• Applied Materials(半导体设备,同时是投资方)。

官方对外多以"全球最复杂的工程与制造组织"概括,未在官网逐一披露客户名单。覆盖行业:航空航天与国防、汽车、半导体、材料、能源与可再生能源、工业机械、数据中心。具体航空航天/国防客户名:未公开。

订单 / 合作 / 商业化

• Siemens Smart Infrastructure 合作(2026.03.17):面向 AI 数据中心配电系统设计优化,聚焦母线(busway)在动态 GPU 负载下的热性能。传统母线热仿真单段需 24 小时以上;PhysicsX 用物理 AI 模型做到秒级热预测,实时输出温度与电流密度。由 NVIDIA 提供算力支撑(NVIDIA Omniverse DSX Blueprint)。范围从母线组件扩展到全设施热管理与预测性监控。
• Deutsche Telekom + NVIDIA(2025.11.04):PhysicsX 平台上线 Deutsche Telekom 的"Industrial AI Cloud"(欧洲主权 AI 基础设施,NVIDIA 加速计算);PhysicsX 负责应用层,集成 Siemens Teamcenter/Simcenter,面向欧洲先进工业。
• 营收信号(官方融资稿口径):
• Series B 时(2025.06):较 Series A(2023.11)两年内营收增长 4 倍以上。
• Series C 时(2026.06):年度确认收入翻倍,已签约收入(booked revenue)增长 3 倍,客户数翻倍以上。
• 具体订单金额、合同条款:未公开。

市场信号

• 一年内从近 $1B 估值翻到 $2.4B,资本对"AI 做工程仿真"的下注极强。
• NVIDIA 直接战略投资,说明这是被算力方押注的方向。
• Temasek、Atomico、Siemens 这一级机构进场,验证了市场容量和长期价值。
• 融资轨迹:
• Series A(2023.11):$32M。
• Series B(2025.06.22):$135M,Atomico 领投,Temasek、Siemens、Applied Materials 等参与。
• Series B 扩展(2025.06):NVIDIA(NVentures)先投 $20M,承诺最多 $100M(保留在下一轮再投 $80M 的权利);该轮总额超 $155M,估值逼近独角兽。
• Series C(2026.06.08):$300M,Temasek 领投,新投资方 M&G Investments、Intrepid Growth Partners,既有投资方 Applied Materials、Atomico、General Catalyst、July Fund、NGP、NVIDIA、Radius、Siemens 跟投;估值约 $2.4B。

与 AutoSim 的对比

关键判断

• 可直接用作融资叙事锚:"海外有 PhysicsX 这样的 AI-native 仿真独角兽($2.4B,NVIDIA 投),我们在锂电池电化学这个垂类做对应的事。"——市场容量和方向可信度一句话立住。
• 注意区分路线:PhysicsX 是算法类(替代求解器,需证明精度),AutoSim 是 agent 驱动 COMSOL(一看就懂可行)。讲故事时要点出这个差异——AutoSim 的可行性更直观,不需要像 PhysicsX 那样靠精度证明。
• PhysicsX 横向打通用工程,AutoSim 垂直切电化学;垂类 + 不要求客户换工具,是差异化角度。

参考链接

• PhysicsX 官网 - About
• PhysicsX Announces $300M Series C - 官方 newsroom
• PhysicsX Raises $135M Series B - 官方 newsroom
• PhysicsX and Siemens Collaborate on Data Center Power Infrastructure - 官方 newsroom
• PhysicsX Teams with Deutsche Telekom and NVIDIA for Sovereign AI Infrastructure - 官方 newsroom
• Robin Tuluie and Jacomo Corbo, PhysicsX - Atomico 访谈
• 100,000 Simulations a Day - Siemens Software Podcast
• NVIDIA to invest up to $100M in PhysicsX - TechFundingNews
• PhysicsX nears unicorn status, NVIDIA NVentures + €133M Series B extension - EU-Startups
• PhysicsX raises $300M at $2.4bn - The Next Web

云境智仿(英文 Simversus,北京)—— 国产云原生通用 CAE,AI 走高斯过程代理求解

角色:国产"AI for 仿真"赛道的早期初创,与 AutoSim 同打"国产自主 + AI 赋能仿真"叙事,构成间接竞品。但它的 AI 是代理模型加速求解(YJ-DORGP 高斯过程),不是 Agent 自主建模;物理域是 CFD/结构/多体通用工业仿真,不在电池电化学正面交锋。可作为 AutoSim "Agent 自动化 vs 单纯代理加速"差异化的对照参照物。

校验提示:"20–50 组样本提速数百倍""叶片设计从月级到周级"两条均未在官方页面逐字证实,引用前需核实,勿当硬数据。

基本信息

• 公司:北京云境智仿信息技术有限公司(英文 Simversus)。官网 simversus.com。
• 成立:2021 年 4 月。注册资本 117.72 万元人民币,存续。
• 总部:北京海淀(中关村/北大科技带)。
• 创始人/背景:CEO 朱飞博士。公司强调"萌芽于北京大学",创始团队来自北大、具计算机图形学背景。第三方有"国家杰青联合创办并任首席科学家、院士任顾问"的说法,官网 about 页未逐字证实,列为待核实。
• 团队规模:未披露。

解决方案

• 产品形态:云原生 CAE 协同仿真平台,SaaS + PaaS。自称"业界首款基于云原生开放架构、支持全流程 GPU 并行计算的高性能 CAE 协同仿真云平台"。
• 产品矩阵:
• Simversus 云平台(协同仿真主平台)
• YJPhysika 物理 AI 仿真引擎(核心引擎,含 7 个求解子模块)
• 配套:YJExchanger(数据格式转换,支持 20+ CAE 格式)、YJMesher(网格剖分)、YJSubdiv(细分建模)、YJVis(科学可视化/3D 渲染)、YJWidget(UI 框架)。
• 全链路:数据解析(格式转换)→ 建模(网格/细分)→ 求解 → 后处理(可视化),含多人在线协作、低代码定制。
• 物理域:结构(静/动、线性/非线性)、流体(自由表面、多相、流固耦合)、多体动力学、刚体碰撞、弹性体、气体扩散、SPH 流体、MPM 颗粒、高速冲击爆炸。通用多物理场,以结构+流体+多体为主。
• 目标行业:船舶海工、航空航天、能源电力、兵器兵装。

AI 加速的是什么(重点)

核心理念"图形学 + AI + 物理仿真",产品理念"云化、组件化、并行化、智能化"。

AI 本质 = 代理模型加速求解(surrogate),不是 Agent 驾驶求解。

• YJ-DORGP:与北京大学丁陈森研究员联研的通用智能求解组件,基于其 DORGP(Dual Order-Reduced Gaussian Process regression,双阶降维高斯过程回归)。本质是基于贝叶斯推论的高斯过程回归代理模型(可解释、可信、小样本)——不是神经算子,也不是经典 POD/ROM,属高斯过程类 surrogate。
• 训练数据源:FEM/BEM/SPH/MPM 仿真数据或试验真实数据。需先准备前处理数据和参考结果训练模型,再由模型预测。
• 宣称效果:相比数值方法计算性能提升数百倍;空调支架案例称与 Abaqus 结果误差 0.03%;已在国家重大水利工程小样本问题验证。

判定:这是"代理模型加速求解"路线,叠加自研物理引擎 + GPU 并行 + 图形学可视化,不具备 AutoSim 那种 Agent 自动建模求解的自然语言闭环。 其"智能"指代理模型,不指 LLM Agent 编排。

客户与案例(均公司自述,无独立第三方验证)

• 合作机构:中船奥蓝托、本钢、中望软件、电网、北理工、北大、航天科工、AEP 等约 12 家。
• 案例:① 中船奥蓝托云化仿真 APP 构建;② 江苏电网输电线路监控预警;③ 空调支架受压(YJ-DORGP,vs Abaqus 误差 0.03%);④ 国家重大水利工程小样本验证。
• 航空航天/叶片:官网表述"结合代理模型技术,显著压缩叶片设计仿真周期"。"月级到周级"具体量化未在官方页面找到证据。

市场信号

• 融资:仅一轮公开记录——天使轮,2021-12-27,"数百万人民币"(未披露金额),广联达 + 广济创投。此后无新融资公开记录,2025 年无新信号。
• 营收/员工/估值:均未披露。
• 资质:高新技术企业;ISO9001、ISO27001(2023-07);20+ 项软著及专利;2023 云道杯仿真大赛三等奖;2024-08 数字仿真科技奖-自主软件创新奖;已适配全国产环境(国产 CAE × 国产 GPU × 国产 OS)。

成熟度

• 已商用(早期)。官网首页有"免费试用"入口(注册可体验),有真实客户交付案例。
• 但融资仅天使轮、注册资本百万级、案例数量少,属早期商用 / PMF 探索阶段的国产 CAE 初创,非规模化。

与 AutoSim 的异同

• 异:① 物理域——它做 CFD/结构/多体通用工业仿真,AutoSim 聚焦电池电化学 P2D 垂直;② AI 范式——它是 surrogate 代理模型替代求解器,AutoSim 是 Agent 编排 + 机制可识别性 + 留出验证的自动化建模研究循环;③ 真值观——它以"提速数百倍 / 对齐 Abaqus 误差 0.03%"为卖点(拟合既有求解器结果),与 AutoSim 强调的预测准确性、适用范围、不可识别时拒绝输出不同。
• 同:都打"国产自主 + AI 赋能仿真",都用代理模型思路降本提速,都面向工业研发提速;在"AI for 仿真"大赛道构成间接竞品,但不在电池电化学正面交锋,且无 Agent 自动建模能力。

信息来源(区分自述 / 第三方)

• 公司简介/资质(自述):https://www.simversus.com/about
• Simversus 平台(自述):https://www.simversus.com/solutions/simversus
• 特色求解组件 / YJ-DORGP(自述):https://www.simversus.com/solutions/featured-solution ;https://www.simversus.com/news/cpfsyznqjq
• 空调支架案例(自述):https://simverse.cn/news/znfzktzjsyfz
• CEO 访谈(自述):https://www.simversus.com/news/zfbscsyzjyjzfgxnfzxt
• 融资/工商(第三方):https://m.pedaily.cn/vc/company/675280.html
• 行业转载(第三方):https://zhuanlan.zhihu.com/p/1938895155596878162

索辰科技 / 索辰信息(英文 STC,科创板 688507)—— 上市的国产 CAE,AI 走"物理 AI 代理求解器"

角色:这是国产 CAE 软件厂商的上市标杆,不是人工仿真代做(L1),也不是 AI 自主端到端仿真(AutoSim 的位置)。索辰卖的是自研 CAE 软件许可,AI 是叠加在求解器之上的加速层。公司公开定位 AI 与 CAE 互补、不替代。把它放在"未来同行/上游工具层"理解。

基本信息

• 公司:上海索辰信息科技股份有限公司。成立 2007 年,2023 年科创板上市,股票代码 688507。
• 定位:A 股首家上市的国产 CAE 软件企业,资本市场叙事里的"国产 CAE 第一股"。
• 物理域:流体、结构、电磁、声学、光学、测控,全学科多物理场。
• 重点行业:航空航天、国防装备、船舶海洋(军工属性强),拓展风电、机器人/具身智能。
• 技术储备(公司自述):14 项核心技术、196 项软件著作权、21 项发明专利。

产品线

公司把产品重组为两大平台:

1. "天工"平台(工程仿真软件) —— 主力业务。含 CAE 单一学科仿真软件、多学科仿真软件、CAE 工程仿真优化系统。
2. "开物"平台(物理 AI) —— 新业务线,即下文的 AI 产品。

AI 加速的是什么(重点)

一句话:索辰的 AI 加速的是"执行求解"这一步,用仿真数据训练的神经网络代理模型直接给出场预测,绕开逐步迭代解 PDE。 这条线公司命名为"物理 AI"。

把仿真生命周期拆开看 AI 落在哪一格:

机制本质:物理约束神经网络代理求解器(physics-constrained NN / 数据驱动 ROM)。 把流体力学、电磁学、热力学等第一性原理作为约束嵌入神经网络的构建与训练,用既有仿真产生的数据训练出代理模型,推理时直接给场预测。这属于 surrogate / 降阶模型(ROM)方向,不是物理信息神经网络(PINN),也不是端到端替代物理建模的大模型。

加速来源与代价: 速度提升来自"训练一次、推理多次"——前向预测是一次网络推理,而非成千上万步时间推进。代价是它依赖既有求解器先产出训练数据;模型只在训练数据覆盖的工况里可靠,外推到新机制、新工况时精度无保证。AI 加速的是"算得快",不是"判断机制是否足够、参数能否被数据约束"。

已发布的 AI 产品(公司命名): - "天工·开物" 1.0 物理 AI 开发平台(2025 年 3 月发布):含物理 AI 应用开发平台、面向工业装备的设计优化与物理 AI 训练平台、物理 AI 电磁环境快速计算引擎、超大规模物理 AI 生成式流场计算引擎、高精度物理 AI 雷电预警装备。 - "营造·万象"世界物理模型(2026 年 3 月发布),与海光信息、星图测控战略合作。

公司对"AI 替代仿真"的表态:明确互补、不替代。 董事长陈灏原话:"CAE 是物理 AI 的根基,物理 AI 是 CAE 的进化"。理由是传统 CAE 优势在理论严谨与计算精度,物理 AI 补足其在复杂耦合、多变环境、实时交互上的不足。

落地案例(公司自述): 风扇/叶片设计周期从"月"缩到"数小时";风电数字孪生实验室用物理 AI 优化叶片控制策略。机器人/具身智能方向已成立事业部、与上海交大高峰团队合作设子公司、与联想研究院签电力巡检机器人订单,但尚未形成收入。

市场占有率 / 规模

财务(第三方财经媒体援引年报):

• 特征:增收不增利。 2025 利润下滑主因毛利率下降与并购/研发投入,经营性现金流由负转正。
• 员工:2024 年末 323 人,研发 195 人(占 60.37%),硕士及以上占研发 53.33%。规模偏小、研发占比极高。
• 市占率:索辰在中国 CAE 市场份额约 1.6%(2021 旧口径)。中国 CAE 国产化率约 16%(2022),市场仍由外资主导——Ansys 16.8%、西门子 14.7%、达索 7.9%;国产里海克斯康 3.5%、安世亚太 3.0% 居前。索辰"龙头"更多是"上市最早"的资本叙事,按真实份额排在外资三巨头及海克斯康、安世亚太之后。
• 中国 CAE 市场 2022–2026 年 CAGR 预计约 18.4%。

商业模式

以自研软件许可销售为主,高毛利;技术服务/定制开发占比小。2025 年主营收入构成(第三方援引年报):

• 天工-仿真产品开发 56.93%
• 天工-工程仿真软件 29.33%(软件许可,毛利率 >90%)
• 开物-工程仿真软件(物理 AI)6.55%(2025 收入增约 300%,基数小)
• 技术服务 6.07%、其他 0.92%、机加工 0.20%

未见明确的订阅(SaaS)占比披露;收入以软件销售 + 仿真产品/系统开发(数字孪生、仿真云、HPC)为主,带军工项目制色彩。

与 AutoSim 的差位

• 索辰 AI 只发生在"执行求解"的代理加速这一局部环节,依赖既有求解器产出的训练数据;不做机理判断、参数识别、留出工况验证。
• 工程师仍主导问题定义、物理接口选择与结果判断,是工具型、人在环。
• 物理 AI(开物平台)增速快但占比仅 6.55%,机器人订单尚未形成收入,处于早期投入。

信息来源(区分自述 / 第三方)

• AI 路线与互补表态(公司自述,经第三方转述):https://www.cs.com.cn/ssgs/01/2026/04/14/detail_2026041410003590.html
• 物理 AI 模拟器技术口径(公司自述):https://www.cls.cn/detail/1864065
• 天工·开物发布(公司自述):https://www.stcn.com/article/detail/1577759.html
• 营造·万象世界物理模型(公司自述):https://news.qq.com/rain/a/20260427A07HHC00
• 2024 营收(第三方):https://www.stcn.com/article/detail/1680771.html
• 2025 营收/净利(第三方):https://finance.sina.com.cn/stock/aiassist/yjbg/2026-04-27/doc-inhvxxxa9018325.shtml
• 员工结构(第三方):https://finance.sina.com.cn/stock/aigc/stockfs/2025-04-21/doc-inetxsmq8541833.shtml
• 市占率与国产化率(第三方):https://www.vzkoo.com/read/20241128bf2f1ae6297a70101105e857.html;https://x.qianzhan.com/xcharts/detail/b6c71cab1ba50b91.html
• 收入构成(第三方):https://news.qq.com/rain/a/20260427A07HHC00

校验提示:市占率为 2021–2022 口径,较旧;放进 BP 前建议用最新第三方库(赛迪/IDC)核实。营收/利润已与年报口径交叉验证。

Synera(前身 Elise / ELISE GmbH,德国)—— Agent 驾驶现有 CAx 工具的工程自动化平台,★机制对标

角色:海外最被资本认可的"agentic 工程"对标之一。它正面验证了"Agent 自主端到端跑仿真链路"这一范式可融资、可商用、有大客户买单——正是 AutoSim 的核心机制叙事。但它把仿真当被编排的黑盒工具,回避了机理建模、参数可识别性与留出验证;AutoSim 的差异化恰在它的留白处。与 NavierAI、Cyberdesk 同属"agent 驾驶现有专业软件"机制对标。

纠偏(此前预设有误):总部在不来梅(Bremen)非慕尼黑;Elise→Synera 改名在 2022 年非 2026 年(2026 是 Series B);"EDAG 有限元仿真时间 -95%"是公司对外传播口径,官方案例页直接给的是"40% 减重 + 40% 省时"。

基本信息

• 公司:Synera GmbH(德国);美国实体 Synera Technologies Inc.(2025 设立)。前身 ELISE GmbH(ELISE = Evolutionary Lightweight Structure Engineering)。
• 成立:2018 年 8 月。创始团队自 2006 年起做仿生研究。
• 总部:德国不来梅,另设美国波士顿办公室,正在法国组建团队。团队来自 18+ 国家。
• 改名:2022 年 11 月 Elise → Synera。原因是从"仿生/轻量化设计服务商"转型为软件公司,提出 Connected Engineering 新品类,旧名局限于轻量化结构。
• 创始人:Dr. Moritz Maier(CEO)、Daniel Siegel(CPO)、Sebastian Möller(CFO)。背景源自 Alfred Wegener Institute 的仿生研究(硅藻等单细胞生物的轻量化构造)。

解决方案

• 解决的问题:工程研发中工程师需手工协调工具、数据和审批,重复耗时。Synera 用 AI agent 替代这种协调。
• 产品形态:面向工程师的 AI Agents 平台,带可视化/低代码编辑器搭建工程工作流自动化。官网口号"Agentic AI with a seat in your engineering team",第三方称其内部叫"JARVIS for engineers"。
• 自述定位:不是 copilot——"Synera agents perform real engineering work",覆盖 from requirements to reporting(从需求到出报告),能执行、迭代并走完审批,号称研发提速 up to 10×。平台已编码 170K+ 自动化 / 100,000+ 工作流。

AI 加速的是什么(重点)

本质:Agent 编排/驱动现有 CAx/CAE 工具的工作流自动化平台。不自研求解器,不走代理模型(surrogate)。

• 机制:agent "autonomously execute complex workflows across the product lifecycle",把 design/simulation/optimization 串起来,具体动作包括跑仿真、查知识库、把几何改动写回 CAD、把输出接到工厂制造系统。
• 工具连接:连接 80+ 工程工具 / 70+ CAx 集成,通过 20+ 软件伙伴(Altair、Hexagon、Siemens 等,这些供应商自带仿真能力)。强调 on-premise 部署保护客户专有数据。
• 第三方定性:"primarily an automation layer on existing tools rather than a novel surrogate modeling approach"(是现有工具之上的自动化层,不是新的代理建模方法)。
• 有限元的角色:agent 编排链路中被自动化的一个工具节点(自动设置 + 自动出报告 + 结构校核),不是 Synera 的核心技术资产。

与"Agent 驾驶现有求解器"是不是一回事:是,本质就是这个。 这正是与 AutoSim、NavierAI 同构之处。差别是 Synera 把求解当黑盒工具节点,AutoSim 钻进机理建模与验证这一最难的部分。

客户与案例

• 客户名(公司自述,logo 墙 + 融资稿):NASA、BMW Group、Airbus、Volvo Trucks、Hyundai Motor Group、Safran、Brose、L'Oréal、Miele、STIHL、ARRK Engineering、EDAG。
• 量化案例(注意口径):
• EDAG 有限元仿真时间 -95% —— 公司对外传播口径;官方 EDAG 案例页只列"40% 减重 + 40% 省时(ISOFix 支架)"。
• BMW 增材制造机器人夹爪减重 30% —— 公司/厂商案例。
• NASA 一小时内数百次设计迭代 —— 公司自述。
• Hyundai 减重 47%、BMW 减排 60% —— 第三方明确标注为"vendor case studies, not independent audits"。
• 第三方表彰:Frost & Sullivan 2025 Global "AI Agents for Engineering" Transformational Innovation Leadership Recognition,称其为"AI-native engineering automation 的基础设施层",可缩短项目周期 3–4 周、集成 70+ CAx 工具。属分析机构表彰,非工程结果独立复测。
• 审慎提示:第三方(implicator.ai 引 Gartner)指制造业 AI 原型仅约 41% 进入生产,对厂商业绩声明持保留。

市场信号

• 融资:Seed(2019)→ Series A €14.5M(2022,Spark Capital、BMW i Ventures、Cherry Ventures、UVC Partners、Venture Stars)→ Series B 4000 万美元(约 €35M),2026 年 4 月,Revaia 领投,Capgemini(经 ISAI Cap Venture)、UVC、BMW iVentures、Cherry、Venture Stars、Spark 参投。累计约 5810 万美元。
• 估值:未披露。
• 规模:60+ 企业客户,覆盖 15 个国家;团队来自 18+ 国家(具体人数未披露)。
• 营收:2025 年 ARR 翻倍;新业务 60% 由 AI 产品驱动(金额未披露)。

与 AutoSim 的差位

• 领域:通用机械/结构工程研发自动化,强项在轻量化结构、拓扑优化、增材制造设计与打印准备;航空航天、汽车、消费电子、家电、国防。不涉及电化学/电池/COMSOL P2D。
• 通用性 vs 深度:横向很宽(80+ 工具、跨行业),但深度上是流程编排——agent 调度第三方求解器跑既定工作流,不替工程师做物理机理判断、参数识别或建模假设迭代。结构 FEA 多为确定性、单物理场成熟工作流;P2D 是强耦合、参数难识别、需留出验证的反问题。
• 壁垒:70–80+ CAx/PLM 集成生态 + 17 万条已编码工作流 + 大客户 on-prem 渗透(生态壁垒),不在求解器或物理模型本身。

小结

Synera 是"Agent 驾驶现有 CAx/CAE 工具的工程工作流自动化平台":不自研求解器、不走代理模型,而是把人工的建模/仿真/优化/出报告步骤编码成确定性工作流由 agent 自主执行迭代,FEA 只是被编排的一个节点。阶段上属成长期早段(Series B 4000 万美元、累计 5810 万、60+ 客户/15 国、ARR 翻倍、拿到 Frost & Sullivan 品类表彰),是该赛道目前最被资本认可的对标之一。对 AutoSim 的意义:它正面验证了"Agent 自主端到端跑仿真链路"可融资、可商用、有大客户买单;但它把仿真当黑盒工具、回避机理建模与验证,AutoSim 的差位正在此——在 COMSOL P2D 这类强耦合、参数反演、需验证适用范围的机理仿真上做自主建模与验证。

信息来源(区分自述 / 第三方)

• 公司定位/产品(自述):https://www.synera.ai/ ;https://www.synera.ai/about
• 改名(自述):https://www.synera.ai/news/elise-is-now-synera
• Series B 4000 万美元(自述融资稿):https://www.synera.ai/press/synera-raises-40m-series-b-to-scale-agentic-ai-engineering-for-global-manufacturers
• 机制为"自动化层非代理模型"、客户案例口径、Gartner 审慎(第三方):https://www.implicator.ai/synera-raises-40m-series-b-to-embed-ai-agents-in-bmw-and-airbus-engineering-tools/
• 4000 万美元/60+ 客户/15 国(第三方):https://siliconangle.com/2026/04/14/german-startup-synera-lands-40-million-automate-engineering-workflows-ai-agents/
• EDAG 官方案例页(自述):https://www.synera.ai/success-story/edag
• BMW 增材案例(第三方):https://www.voxelmatters.com/synera-brings-agentic-ai-to-additive-manufacturing-design-and-build-preparation/
• Frost & Sullivan 表彰(第三方):https://www.frost.com/news/press-releases/synera-receives-frost-sullivans-2025-global-ai-agents-for-engineering-transformational-innovation-leadership-recognition-for-excellence-in-engineering-digitalization-and-automation/
• 成立/Crunchbase(第三方):https://www.crunchbase.com/organization/elise-gmbh

十沣科技(英文 Tenfong,产品 QFLUX / TF-Dyna / TF-Struct / TF-AIDEA)—— 院士背景的国产高端 CFD/CAE,AI 走"神经算子代理"

角色:陈十一院士(湍流/CFD 出身)创立的国产高端多物理场 CAE,以 100% 自主 CFD 内核为卖点。资本背书强(高瓴、国开科创领投)。不是人工代做(L1),也不是 AI 自主端到端仿真。其 AI 路线是用深度学习神经算子在历史仿真数据上训练、做秒级前向预测。把它放在"未来同行/上游工具层"理解。

基本信息

• 公司:深圳十沣科技有限公司。官网 tenfong.cn。总部深圳南山,在北京、广州、台州、嘉兴、南昌、西安设区域基地。
• 创始人:陈十一院士。浙大力学本科、北大力学硕博,美国 Los Alamos 国家实验室湍流研究组(1990–1997,1992 起任组长),曾任北大湍流与复杂系统国家重点实验室主任、北大副校长、南方科技大学校长(2015–2020)。中科院院士。专长湍流与计算流体力学。
• 自我定位:"仿真软件 + 数字孪生 + AI 协同共生";口号"不挖金子,只做挖金子的铲子",强调 100% 自主内核、国产替代。
• 院士背景对路线的影响:决定十沣以 CFD(QFLUX)为突破口再扩展多物理场,AI 也优先落在流体(汽车气动、风场)这类湍流/流动问题上。

产品线

覆盖行业:航空航天(气动+结构+振动噪声+电磁多物理耦合)、船舶与海洋工程、电子电器、汽车交通、机械制造、清洁能源。

AI 加速的是什么(重点)

一句话:十沣的 AI 加速的是"执行求解",用深度学习神经算子把 CFD/CAE 前向计算从迭代求解压到秒级预测。 载体是 2024 年 10 月发布的 AI-CAE 平台 TF-AIDEA(宣传为"首款结合 AI 大模型的国产工业软件"),集自动化数据管理 + 大模型训练 + 工业应用部署,目标从"快速预测"升级到"快速设计"。

机制本质:数据驱动深度学习代理模型(surrogate / 算子学习),不是 PINN,也不是传统线性降阶(POD/ROM)。 产品页明确列出所用架构: - 深度点云网络(point cloud network)——处理 3D 几何; - 图神经网络(GNN); - 傅里叶算子网络(Fourier operator network,即 FNO 类神经算子)。

用历史仿真数据训练这些网络,推理时直接给场预测,把传统 CFD/CAE 任务做到秒级。这是"神经算子学习一个从输入到解场的映射"的路线,比逐点回归代理更接近"学一个求解算子"。

已落地 AI 案例(公司自述): - 汽车气动快速仿真:秒级预测风阻系数、速度场、压强场、表面压强、表面摩擦应力(用点云下采样处理几何)。 - 风资源快速评估:基于地形语义特征提取做风场快速预测,用于选址。

加速来源与代价: 速度来自"训练好的算子一次推理"替代迭代求解。代价同其他代理路线——依赖既有 CFD 求解器先产出训练数据,模型只在训练分布内可靠;AI 加速的是"算得快",不替代机理建模、参数识别与验证。神经算子(FNO)相对点回归的优势是对网格分辨率有一定泛化,但跨工况外推仍无精度保证。

市场占有率 / 规模 / 融资

融资(第三方,需更正记忆): - 公开可查的最高轮次是 2022 年 3 月公布的 A 轮 + A+ 轮,合计"数亿元"。A 轮高瓴创投独家领投;A+ 轮国开科创 + 高瓴创投共同领投。跟投含松禾、基石、线性、海松、境成资本、广州知识城集团、深圳天使母基金等十余家。 - "2023.12 完成 B 轮"未能在公开来源证实——目前可查最高轮次仍是 A+(2022.03)。B 轮信息建议进一步核实(可能未公开披露)。

规模(第三方): - 员工:截至 2024 年 400 余人,硕博占比约 70%。 - 客户:截至 2022 年底,在 9 大细分领域近 70 家企业客户落地;与中国航发、中国船舶、美的、360、中望软件等战略合作。 - 资质:国家专精特新"小巨人"企业。 - 营收未公开。 - 地位:国产高端 CFD/CAE 第一梯队的"自主内核"代表之一,对标 Ansys Fluent / LS-DYNA / Abaqus 全栈国产替代。市占率无可靠第三方量化数据;国内 CFD/CAE 市场仍由 Ansys、Siemens、Dassault 主导,国产整体份额低。

商业模式

公开披露较弱,软件许可 + 行业工程/数字孪生项目双轮:核心软件按多学科模块授权;面向航空航天、船舶、汽车提供仿真解决方案与数字孪生系统项目交付;通过联合实验室(如与一汽的"汽车流体仿真软件协同创新实验室")做行业定制。TF-AIDEA 走"平台 + 预训练行业模型"路线,未见明确的纯 SaaS 按需计费披露。

与 AutoSim 的差位

• 十沣 AI 集中在"执行求解"的神经算子代理,依赖既有求解器产出训练数据;不做机理判断、参数识别、留出验证。
• 强项是自主 CFD 内核与院士级团队,本质是国产替代 + AI 加速,而非 Agent 自主闭环。
• TF-AIDEA 的技术细节主要来自公司产品页(自述),第三方报道偏宣传、缺独立技术验证。

信息来源(区分自述 / 第三方)

• TF-AIDEA 架构(点云网络/GNN/FNO)与案例(公司自述):https://www.tenfong.cn/shuzizhinenghuapingtai/25
• TF-AIDEA 发布(第三方):https://finance.sina.com.cn/jjxw/2024-10-30/doc-incuipev7843232.shtml;https://www.stdaily.com/web/gdxw/2024-10/30/content_250311.html
• A/A+ 轮融资(第三方):https://www.36kr.com/p/1647624441881735;https://www.tmtpost.com/6032599.html;https://company.cnstock.com/company/scp_gsxw/202203/4851132.htm
• 陈十一背景(第三方):https://phy.sustech.edu.cn/faculty/detail/id/180.html;https://baike.baidu.com/item/陈十一/706007
• 产品线 / 行业(公司自述 + 第三方):https://www.tenfong.cn/industry/6;https://iot.ofweek.com/2022-09/ART-132200-8110-30573745.html
• 员工/客户规模(第三方):https://www.36kr.com/p/1647624441881735;https://baike.baidu.com/item/深圳十沣科技有限公司/58309989

校验提示:(1)"2023.12 B 轮"未能证实,公开最高轮次为 2022.03 的 A+,建议核实;(2)TF-AIDEA 技术细节主要为公司自述,缺独立验证;(3)营收与市占率无公开数据。

天洑软件(英文 Tianfu,产品 AICFD / AIFEM / AIPOD / DTEmpower)—— 把 AI 当核心卖点的国产智能 CAE

角色:国产"AI+CAE"赛道起步早、融资链条完整(天使到数亿元 C 轮)、客户 400+ 的头部之一。差异化标签是"AI 加速 + 优化 + 运维"。不是人工代做(L1),也不是 AI 自主端到端仿真。把它放在"未来同行/上游工具层"理解——AI 叠加在自研求解器之上,而非替代物理建模。

基本信息

• 公司:南京天洑软件有限公司。成立 2011 年 5 月,总部南京,多地分支。
• 创始人:张明博士,前 ANSYS 日本技术总监、Blue Ridge Numerics 日本总经理。持股 42.98%。
• 自我定位:"设计 + 仿真 + 优化 + 工业人工智能"一体化软件链条,宣称"在业内率先将 AI 算法与工业设计软件开发相融合"。
• 覆盖行业:能源动力、船舶海洋、航空航天、汽车、家电、电子。

产品线

AI 加速的是什么(重点)

一句话:天洑的 AI 不只加速"执行求解",更重的是加速"设计迭代/优化"和"数据建模"。 底层仍是自研 CFD/FEM 求解器(AIFEM 明确含"自主可控的结构有限元求解器"),AI 是叠加在求解器之上的加速、优化与交互层。AI 体现为四类角色:

第一类:AI 代理模型加速仿真(执行求解)。 用数据驱动代理模型压缩仿真时间。第三方盘点举例:冷却塔风场预测从 8 小时压到 3 分钟;AICFD 2025R1 新增"AI 网格"。这是其最突出的 AI 卖点,机制同样是 surrogate——用既有仿真数据训练网络做前向预测。

第二类:AI 优化寻优 AIPOD(设计迭代)—— 这是天洑区别于其他三家的重心。 不止"算得快",而是把代理模型嵌进优化回路:用智能代理学习训练代理模型,再用智能优化策略做自动化 DOE 与寻优,自动给出更优设计参数。加速的是"试很多个设计、找最优"这一最耗工程师时间的环节。

第三类:DTEmpower 数据建模 / 数字孪生 —— 从数据直接建模。 本质是工业数据驱动建模平台(surrogate/ROM + 机器学习),针对工业"小数据、分布不均"特点,做快速设计评估、实时仿真预测、参数预警、设备状态监测。是数据建模软件,而非物理孪生体。

第四类:大模型 + 智能体(最新动向)。 2025R1 发布"工业 AI 底座 TFIIF",提出"大模型 + 智能体,重塑工业 AI 建模"。这是向"仿真智能体"方向延伸,但仍是辅助建模层,非自主端到端求解。

关键点:AI 加速发生在"代理模型替算"与"代理模型驱动寻优"两处,都依赖既有求解器先产出训练数据;底层物理建模与机理选择仍由工程师主导。 天洑解决的是"CAE 用得更快、更省人、自动找最优",不解决"机制是否足够、参数能否被数据约束、不可识别时拒绝输出"。

市场占有率 / 规模

融资历史(第三方,36氪/投资家网): - 天使轮 2013.12 — 江宁科技创投 - A 轮 2017.12 — 联想创投 - 股权融资 2019.12 — 国投创合、中兴创投、南京峰岭 - B 轮 2021.7 — 超亿元,国投创合、云启资本、联想创投、国投招商、俱成资本 - C 轮 2022.7 — 数亿元,GGV 纪源资本 + 君联资本联合领投,云启资本(老股东)跟投

规模: - 客户数:累计服务 400+ 家(公司自述,多处一致)。 - 资质:江苏省"专精特新"中小企业(2023)、2024 江苏省软件企业核心竞争力创新型企业。 - 营收 / 估值 / 员工人数未公开披露(36氪 pitchhub、天眼查均无)。 - 赛道地位:第三方盘点将其与云道智造、十沣并列为国产 AI+CAE 代表厂商,是该赛道融资轮次较完整、起步较早的玩家。

商业模式

• 自研软件许可 / 产品授权:六款通用商业软件正向自研,国产替代定位,已适配银河麒麟等国产 OS。
• 定制开发服务:为企业提供 CAE 前后处理开发、专用求解器开发、工业设计平台开发、AI 平台开发、辅助工具开发——产品许可 + 工程服务双轨。
• 未见公开的纯订阅(SaaS)定价披露;以许可 + 项目制服务为主。

与 AutoSim 的差位(三点)

1. 人在环、工具型:AI 帮工程师更快建模和优化,工程师仍主导问题定义、机理选择、结果判断,而非 Agent 自主完成从问题到验证的闭环。
2. AI 替代只在代理模型加速这一局部,且依赖既有求解器产生的训练数据,并未替代物理建模与机理判断。
3. 不强调预测准确性的留出工况验证与适用范围声明,叙事是"更快、更易用、自动优化",而非"自主判断机制是否足够、参数能否被数据约束、不可识别时给边界或拒绝输出"。

换言之,天洑解决"CAE 用得更快更省人",AutoSim 要解决"仿真能不能自己把问题想清楚并对预测负责"。

信息来源(区分自述 / 第三方)

• AICFD/AIFEM 产品(公司自述):https://www.njtf.cn/products/AICFD.html;https://www.njtf.cn/products/AIFEM.html
• AIPOD 优化(公司自述):https://blog.csdn.net/TianFuRuanJian/article/details/148607905
• DTEmpower 数据建模(公司自述):https://blog.csdn.net/TianFuRuanJian/article/details/146336723
• TFIIF 工业 AI 底座(公司自述):https://zhuanlan.zhihu.com/p/1911079451992790100
• 8 小时→3 分钟案例 / 赛道盘点(第三方):https://zhuanlan.zhihu.com/p/2012582118799210078
• C 轮融资(第三方):https://36kr.com/p/1831315772563713;https://pitchhub.36kr.com/project/1832370334376841
• 厂商资料(第三方):https://www.ruanfujia.com/vendor/8925/

校验提示:营收、员工数、估值无公开数据;规模判断基于融资与客户数等可核验信息。代理模型加速倍数为公司自述/第三方转述。

开物纪 Kairos Materials(AI for Materials,国内)

角色:国内 AI4Materials 新锐。创始人是微软 MatterSim 材料基础模型的项目负责人,做"模型-实验-量产"闭环。与 AutoSim 同属"AI 进入材料/电化学研发",且团队背景与电池正极、固态电解质、计算仿真高度相关,是国内最值得关注的对标/参照之一。

基本信息

• 公司名:开物纪(名取自明代宋应星《天工开物》;英文名 Kairos Materials,据招聘邮箱 careers@kairosmaterials.com)
• 成立:2025 年
• 总部:北京
• 创始人:陆子恒(前微软亚洲研究院首席研究员、Science AI Center 材料团队负责人,MatterSim 项目带头人,10+ 年能源材料经验)
• 定位:全栈材料创新平台,做 AI for Materials(AI4Materials),构建"材料智能基础设施"
• 融资:天使轮(亿元级,2025.11)+ 天使+轮(数亿元,2026.03,砺思资本 Monolith 领投)。详见"市场信号"。

解决方案

• 要解决的问题:材料发现长期依赖少数天才科学家的直觉和经验试错,周期以年到数十年计。如固态电解质 LGPS,菅野了次在锂磷硫体系里搜索二十多年才找到。
• 怎么解:用通用材料大模型在化学空间里系统性搜索候选材料,再用自有实验室合成验证,跑通"AI 发现 → 合成验证 → 放大生产 → 交付客户"的完整闭环,持有材料 IP。
• 商业模式:先自己跑通闭环,类比 Flagship Pioneering(孵化出 Moderna)在材料领域走一条孵化-产业化路径。
• 创始人对 LGPS 回溯的估计:模型有望把这类发现从"二十年"压到"半年级"(为估计,非实测承诺)。

技术路线

• 核心模型 MatterSim(创始人在微软带队研发,已开源 microsoft/mattersim):给定原子种类与位置,预测能量、原子受力、应力及衍生物理性质;覆盖全元素、0–5000 K、常压到 10^7 atm;在有限温压下的性质预测精度较前代提升约 10×。MatterSim-MT 为多任务版本,推理经 LAMMPS 集成、提速 3–5×。
• 方法:走 scaling 路线(类比 GPT),用足够大的通用模型击败专用小模型;在 MatBench 声子谱/比热容评测上超过为该性质专门设计的小模型。
• 数据策略(瓶颈在数据,不在模型):材料领域没有互联网级现成大数据库,所以用量子化学计算(DFT)大量生成合成数据 + 自有实验室产出实验数据,模型预测与实验验证同步迭代,形成数据飞轮。创始人类比具身智能的 sim-to-real。
• 验证:回溯测试中,模型能"重新发现"已知的重要固态电解质,包括 LGPS 与结构极复杂的锂镧锆氧(LLZO)。

产品壁垒

• 数据壁垒:DFT 合成数据 + 自建实验室实验数据的双轮闭环。自造数据的能力是核心,新进入者难复制。
• 团队壁垒:AI 与实验一体化——要求 AI 研究员对凝聚态物理有中等偏上水平、实验老法师对 AI 有系统认知,两拨人不分家(坚持天天一起吃午饭),把"预测到合成"的反馈环压短。
• 模型壁垒:MatterSim 级别的材料基础模型,加创始人横跨计算与实验的稀缺背景。

团队

• 陆子恒(创始人):南京理工大学力学本科;香港科技大学博士(固态电解质计算模拟);赴耶鲁学习材料合成手艺;深圳中科院先进院任教三年(带十名硕士、做实验室成果产业化放大);剑桥大学博士后(2020–2022,用随机结构搜索 + 小规模 AI 找到含锰草酸盐新正极并在实验室合成);2022 年加入微软亚洲研究院带队研发 MatterSim;2025 年离职创立开物纪。
• 团队构成:AI 研究员(机器学习 + 图网络/生成模型背景)、计算材料科学家(量子化学计算或凝聚态物理背景)、资深合成实验专家(产业化放大经验),强调三类人语言完全互通。

客户

• 未公开。公司处早期,以自建闭环、孵化自有材料管线为主,暂无对外公开客户。

订单 / 合作 / 商业化

• 未公开具体订单或商业合作。
• 在看的两类方向:
• "挣大钱":能源是最大母题(储能、动力电池、能源转化材料);以及"小材料、大杠杆"的卡脖子品类,如远洋 LNG 货轮球形储舱内壁所需的极低温高压特种胶,单价极高、长期被国外少数公司垄断。
• "秀肌肉":室温/常压超导材料、核聚变第一壁材料——短期不一定挣钱,一旦做出会重新定义能源边界。

市场信号(融资 / 估值)

• 天使轮:亿元级(2025.11,成立不足 3 个月;百度风投等参投;光源资本任独家财务顾问)。
• 天使+轮:数亿元(2026.03.24,砺思资本(Monolith)领投;Photosynthesis Ventures、Fuseki Asia 跟投;老股东高瓴创投、IDG、蓝山资本(Bluehill)、百度风投等追投)。资金用于深化材料大模型、推进多条自有材料管线产业化、扩充复合型人才团队。
• 领投方 Monolith(砺思资本):曹曦(前红杉中国合伙人)2021 年创立,管理规模超 100 亿元,代表项目月之暗面、沐曦。
• 估值:未公开。

三反思(对 AutoSim)

• (a) 客户:暂以自有材料管线为主,远期面向能源/动力电池/卡脖子材料产业。
• (b) 服务:通用材料大模型 + 自有实验室,做材料发现到量产的闭环。
• (c) 交付形态 + 壁垒:重交付(自建实验室、自持材料 IP、下场放大量产);壁垒=数据飞轮 + AI/实验一体化团队 + MatterSim 级模型。

关键判断

• 与 AutoSim 同属"AI 进入材料/电化学研发",创始人背景(电池正极、固态电解质、计算仿真)高度相关,是国内最该跟踪的对标/参照。
• 路线不同:开物纪做材料发现(生成式 + 自建湿实验室,重交付、需证明合成可行),AutoSim 做电芯电化学仿真(agent 驾驶 COMSOL,轻交付、不下场)。两者目标相邻(给材料/电池研发提速)、手段互补。
• 国内 AI4Materials 已有数亿元融资、头部资本(Monolith/高瓴/百度/IDG)进场,印证方向的市场容量。按对标新规则,开物纪是国内头部,宜作需求验证/参照,而非正面对标。

参考链接

• 开物纪完成天使+轮数亿元融资,砺思资本领投 - DoNews
• AI4Materials「开物纪」完成天使+轮数亿元融资 - 钛媒体
• 成立不足3个月,北京AI材料团队获近亿融资,百度投了 - 腾讯新闻
• AI4Materials新锐"开物纪"获亿元级天使轮,光源资本任独家FA - 36氪
• MatterSim: A deep-learning model for materials under real-world conditions - Microsoft Research
• Ideas: AI for materials discovery with Tian Xie and Ziheng Lu - Microsoft Research Podcast
• microsoft/mattersim - GitHub
• Monolith砺思资本第四年,曹曦又募了35亿 - 投中网

附:访谈报告原文(《天工开物:第五种范式》)

以下为原始访谈报告全文,作为上文结构化信息的一手来源。

天工开物:第五种范式

人类文明早期的分期方式很朴素:石器时代、青铜时代、铁器时代。不是按制度分的,不是按思想分的,是按材料分的。一种新材料的发现,往往不只是改进了某个产品——它会把一整个产业链带起来,甚至定义一个时代。

这件事到今天仍然在发生。2011 年,日本东京工业大学的菅野了次发现了一种叫锂锗磷硫(LGPS)的晶体材料。这种粉末状的固体,锂离子在其中的传导速度第一次追平了液态电解质。在此之前,固态电池是一个学术冷门;在此之后,丰田、三星、宁德时代的几百亿投资涌入,固态电池成了新能源行业最大的赌注之一,今天这种材料一吨能卖到几百万。

一种材料,一个行业。

但很少有人知道的是,菅野了次为了找到 LGPS,在锂磷硫这个体系里搜索了二十多年。他的方法和几千年来所有材料科学家一样——基于经验和直觉,缩小范围,然后一种一种试。今天,AI 正在试图改变这个等式。

从怀疑者到创业者

开物纪创始人陆子恒对这件事的信心有一个明确的起点。

他是南京理工大学力学专业出身,博士在港科大做固态电解质的计算模拟。申请博士的时候,他写了一个现在看起来有些天真的 research proposal:用分子模拟来模拟宇宙间的万物。他的导师 Francesco 看完笑了笑,说挺好的。

"后来我才发现,这个尺寸太大了,根本不可能。"陆子恒苦笑说。

这段经历让他对计算方法产生了持续的怀疑。做了两年模拟之后,他觉得"不落地,没见过材料长什么样",跑去耶鲁学了一整套实验手艺,回香港搭了实验室,后面几年主要时间都花在做实验上。博士毕业后去深圳中科院先进院当了三年老师,带了十个硕士生,同时尝试把实验室里的成果做产业化放大。

那个阶段他对计算和 AI"挺失望的"。

材料科学有一个不太好启齿的现实:过去几十年,整个行业的核心进展,常常依赖少数几个天才科学家的直觉。锂电池几种最重要的正极材料中,至少有两类是 Goodenough 直接提出的(LiCoO₂、LiFePO₄),而其他体系(如 LiMn2O4、富锂锰基)也建立在他提出的过渡金属氧化物理论框架之上。

"我也不知道他为什么这么聪明。"陆子恒说,"这也是我们试图改变的事。我不那么聪明,但我要让 AI 这么聪明。"把天才民主化——这是一个看起来很大但又很具体的命题。

转折发生在剑桥。2020 到 2022 年,他在剑桥大学做博士后,用一种叫随机结构搜索(random structure search)的算法加上小规模 AI,寻找便宜的锂电正极材料。他们真的找到了一个——一种含锰的草酸盐正极材料,虽然性能不算惊艳,但它是一个全新的化合物,而且真的在实验室里被合成了出来。

"那是我第一次觉得,计算的东西还是真的能做。而且 AI 是有用的。"

2022 年他加入微软亚洲研究院,目标很明确:把模型做大。GPT-3.5 还没发布的那段时间,AI for science 是一个被寄予厚望的方向——CV 做穿了,语言模型还没起来,学术界和工业界都需要一个新故事。陆子恒带队开始训练一个叫 MatterSim 的模型——给定原子的位置和种类,预测它们之间的能量、力,以及由此衍生出来的各种物理性质。他想做的事情和博士时候的那个天真想法一脉相承:一个模型,什么材料都能算。

团队里没有人相信这件事能 work。当时,一个资深凝聚态物理学家给了陆子恒一个很简单的挑战:别说什么宇宙万物了,你就随便挑几种材料,把它们的声子谱(phonon spectrum)算准——这是一个大学本科级别的基础物理概念,对应到宏观性质就是比热容。"你连这个都做不到,别谈其他的。"

"说实话我自己心里也打鼓。"陆子恒承认,"但我跟大家说,100% work,肯定可以。"他们开始往模型里灌数据、扩大参数量——本质上就是 GPT 验证过的那条路:scaling。

直到有一天,他们决定测一下。"测完以后大家就不争了。也不讲话了。闷着头往下干。"模型在一个叫 MatBench 的标准评测榜上,超过了所有专门为这个性质设计的小模型。这意味着一个通用的、什么材料都能算的大模型,在特定任务上居然比那些量身定制的专用模型还好。这跟语言模型领域发生的事情是同一个逻辑——足够大的通用模型最终会击败所有专用模型。

这是陆子恒决定创业的底层信心来源之一。2025 年,他从微软离职,创立了开物纪。公司的名字取自明代宋应星的《天工开物》——中国历史上第一部系统记录材料与工艺的百科全书,覆盖了从冶铁到陶瓷到纺织的几乎所有制造业知识。

为什么不一样

信心和现实之间有一段很大的距离。

AI for materials 不是一个新概念。很多公司在这个领域做了好几年,学术影响力很大,但商业化进展缓慢。海内外这些公司路径各有不同,有的偏纯算法,有的偏自动化实验室,有的押在量子化学计算上。但它们共同回答的是同一个问题:通用大模型是否真的能在材料发现上跑通?

Google DeepMind 的 GNoME 在 2023 年预测了 240 万种可能稳定的新材料,但后续的合成验证发现不少预测并不可靠。这个领域有一个反复出现的剧情:AI 预测了一种很棒的材料,然后实验室做不出来。做计算的人说"你们实验能力不行",做实验的人说"你们预测不靠谱"。

矛盾的根源是什么?材料科学有一个和药物发现截然不同的难题:固态合成。做药的实验室里大部分操作是液体处理——混合、滴加、搅拌,这些事高通量机器人已经做得很好了。但做材料需要的是把无机粉末按精确比例混合、在特定温度和压力下烧结——这些工艺远比液体操作复杂,自动化程度也低得多。换句话说,就算 AI 的预测是准的,从预测到合成到验证到量产,中间还有一条漫长的、AI 目前帮不了太多的路。

陆子恒很清楚这一点,他本人横跨计算和实验两个世界——在耶鲁学过合成手艺,在深圳做过产业化放大,在剑桥亲手合成过 AI 预测出的新材料。因此他公司从创立第一天就同时组建了 AI 团队和实验团队,而且坚持两拨人不能分开——"必须是一个团队,做 AI 的人要对凝聚态物理有中等偏上的水平,做实验的老法师要对 AI 有系统的认知,所有语言完全互通。"

磨合形式也很朴素:两个团队,要求大家天天一块吃午饭。"吃饭的时候瞎聊,这事就解决了。"这种一体化带来的实际效果是:模型预测出候选材料,隔壁实验室第二天就开始合成验证。做出来了,数据反馈回模型让它更准;做不出来,两拨人坐下来判断原因,调整了再来。这个反馈飞轮的转速就会起来。

另外,AI for materials 和大语言模型有一个根本性的不同,语言模型的训练数据是固定的——整个互联网的文本语料,就在那里,你需要做的是训一个足够大的模型来消化它。但材料领域没有这么大的现成数据库。人类历史上积累的材料数据,和互联网语料相比是微不足道的。"所以对我们来说,瓶颈更多在数据,不在模型。"

这意味着开物纪要做的不只是训模型,还要创造数据。他们用量子化学计算(DFT)大量生成合成数据,同时用自己的实验室产出实验数据。模型训练和数据生产是同步推进的——模型预测出候选材料,实验室验证,验证结果又变成新的训练数据。"这跟具身智能是一个逻辑。"他说,"具身智能一开始也没有那么多真实世界的数据,就先用 simulation,后来发现 sim-to-real 有 gap,又开始在真实世界里造数据。材料也是一样——你要先创造出一个能够 scale 数据的环境,然后再配合着 scale 模型。"

从二十年到六个月

"如果把开物纪的模型放回 2011 年,你们能比菅野了次更快找到 LGPS 吗?"我们把一个假设性的问题抛给了陆子恒。

"我觉得大概率可以,而且会比他快。"他停了一下,"不敢说太绝对,但我估计半年应该能找到。他花了二十多年。"

在剑桥期间,他就做过类似的回溯测试——把几种已知的重要固态电解质的元素组合输入模型,看模型能不能"重新发现"它们。结果是可以的。锂镧锆氧——一种仅次于 LGPS 的固态电解质,结构极其复杂——也能被找到。

"这也是我们为什么觉得 AI 真的有用——之前用传统方法找不到的东西,用 AI 加持以后找到了。"

当然,回溯验证和真正的前沿发现是两回事。找到已知的好材料证明模型有能力,真正让这个领域兴奋的问题还有:它能不能找到人类还不知道的好材料?

陆子恒的回答是:"AI 已经找到了一些有用的新材料,包括我们自己也找到了。但那个真正重磅的、定义整个行业的发现?目前肯定还没有。"他把这看作是一个时间问题,不是一个方向问题。"技术上的前置条件已经具备了。Scaling 在材料预测上 work 了,通用模型开始超越专用模型,我们的实验室能快速验证预测结果。现在需要的是时间——去足够大的化学空间里搜索,去跑通从发现到验证到量产的全流程。"

接下来开物纪在看的方向,分两类。一类是要"挣大钱"的:能源是其中最大的母题。AI 产业本身的底层驱动力就是能源,最后拼的也是能源——储能、动力电池、能源转化材料都在这个范畴里。再往边缘一点,是那些卡在产业链里的"小材料、大杠杆"——比如远洋 LNG 货轮的球形储舱内壁,需要一种能在极低温、极高压下稳定的特殊胶水,单价极高,长期被国外几家公司卡住。这类有明确技术 bottleneck、又被卡脖子的品类,AI 的搜索能力反而最容易切进去。另一类是要"秀肌肉"的:超导是最经典的代表,能不能找到室温甚至常压超导材料,是整个凝聚态物理几十年的圣杯;核聚变第一壁材料——能承受聚变堆里上亿度等离子体冲击的合金或陶瓷。这些短期不一定挣钱,但一旦做出来,会重新定义人类能源边界。

回到商业模式上,开物纪想得很清楚:先自己跑通一个完整的闭环——AI 发现材料、实验室合成验证、放大生产、交付客户。陆子恒类比的是 Flagship Pioneering——那家从早期化合物孵化到顶天立地公司的 biotech 基金,孵化出了 Moderna 这样的企业。他希望开物纪在材料里走出一条类似的路径。这并不便宜。今天最贵的两块成本是算力和 AI 人才,特别是后者,比同行业其他人才贵一大截。

Monolith 领投了开物纪的天使+轮融资,陆子恒说,第一次走进 Monolith 办公室的印象很深:"进去以后感觉跟别的投资机构都不一样。非常简约,玻璃都是透明的,里面的人很年轻——感觉不像是一个投资机构,倒像是一个 tech startup。"另外,跟 Monolith 创始人曹曦的交流出奇顺利,双方在技术方向和商业判断上很快达成了共识,整个决策过程简洁直接,"是我接触过的机构里沟通效率最高的一次。"

范式级跃迁

回顾历史,人类认识物质世界的方式只经历过四次根本性的转变:第一次是经验试错,几千年的材料发现都靠这个;第二次是理论驱动,热力学和量子力学让人类开始用数学描述物质的规律;第三次是计算模拟,有了计算机之后科学家可以在屏幕上做一部分实验;第四次是数据驱动,当数据量大到一定程度,统计本身就能揭示规律。

材料科学是一个极其古老又极其重要的领域。人类对新材料的渴望从来没有停止过——更高能量密度的电池、更高效率的太阳能电池、更耐高温的合金、更便宜的催化剂。这些材料如果被找到,每一种都可能撬动一个千亿级的市场。

现在,AI 提供的是一种根本不同的可能性:不再依赖少数天才的直觉,而是用模型在整个化学空间里系统性地搜索。它改变的不只是效率,而是范式本身。第五种范式正在到来。这也是开物纪这样的公司所代表的意义所在。

AI for science 更深层的意义——不只是让科学家做得更快,而是让以前不可能做的事情变得可能。材料科学如此,药物发现如此,蛋白质结构预测如此。当 AI 开始介入那些人类智力最深、搜索空间最大、对文明影响最根本的领域,它带来的就不再是渐进式的改善,而是范式级的跃迁。

下一种定义时代的材料是什么?也许是让固态电池真正量产的电解质,也许是让太阳能效率翻倍的光伏材料,也许是某种我们今天还无法想象的全新物质——它可能就藏在化学空间某个人类直觉永远触及不到的角落里。以前,找到它需要一个天才科学家花二十年。很快,也许就不用了。

开物纪成立于 2025 年,由前微软亚洲研究院研究员陆子恒创立,公司名取自明代科学经典《天工开物》。已完成天使+轮融资,Monolith 领投。团队正在积极招募:具备机器学习与图网络/生成模型背景的 AI 研究员,有量子化学计算或凝聚态物理经验的计算材料科学家,以及有产业化放大经验的资深合成实验专家。招聘联系:careers@kairosmaterials.com。

Xaira Therapeutics(AI 药物发现,海外独角兽)

角色:People-Mission Fit 范例(诺奖团队),成立即融 $1B;算法类 + 团队背书的估值锚。

基本信息

• 公司名:Xaira Therapeutics(美国)
• 总部:加州南旧金山(South San Francisco);后迁至此以扩张团队。
• 成立:2024 年 4 月公开亮相。由 ARCH Venture Partners 与 Foresite Labs 共同孵化。
• 创始人:David Baker(2024 年诺贝尔化学奖、华盛顿大学蛋白质设计研究所所长)+ Marc Tessier-Lavigne(前斯坦福大学校长、前 Genentech 首席科学官,现任 Xaira 董事长兼 CEO)。
• 定位:AI 端到端药物发现与开发公司。以自研药物管线为主。

解决方案

• 解决的问题:把生物学变成可计算、可工程化的过程,降低药物发现的试错成本。
• 公司主张把药物发现从经验科学转向精确的工程方法。
• 做法:用 AI 从头设计全新蛋白和抗体,瞄准传统方法难以成药的分子靶点。
• 数据策略:自建数据平台,生成、整合并学习从分子到人体多个尺度的数据集。
• 交付形态:推进多个自研药物管线,不以对外卖软件或工具为主营。

技术路线

• RFdiffusion:蛋白结构生成模型,源自 Baker 实验室。用户给出最小约束(如对某靶蛋白的高亲和力结合体),模型从头生成功能蛋白。原理类比图像生成的扩散模型。
• RFantibody:抗体设计模型,同样源自 Baker 实验室。Xaira 招募了在 Baker 实验室开发这两个模型的研究团队。
• X-Cell(虚拟细胞模型):2026 年 3 月 17 日发布,是公司首个虚拟细胞模型。
• 用于预测基因扰动的结果,包括模型未见过的扰动。
• 参数规模 49 亿(4.9B),公司称为迄今最大的因果扰动模型,缩放规律与大语言模型一致。
• 训练数据为 X-Atlas/Pisces:基于 CRISPRi Perturb-seq 的全基因组扰动数据集,含 2560 万个被扰动的单细胞转录组,覆盖 7 种细胞背景,规模约为上一代 X-Atlas/Orion 的 3 倍多。
• Xaira 向科研社区开放了 Pisces 数据集子集与 X-Cell 模型。
• 路线图:把 X-Atlas 扩展到原代细胞、iPSC 衍生细胞、类器官和体内扰动,逐步建立因果生物学模型,用于选靶点、选分子、选病人。
• 整体路线:在推进上述既有模型的同时开发新模型;每次实验产生的数据反过来改进模型。

产品壁垒

• 团队:诺奖得主 + Genentech/斯坦福顶级履历,People-Mission Fit 的极致背书。
• 模型:蛋白与抗体从头设计模型(RFdiffusion / RFantibody)来自 Baker 实验室,核心作者随团队加入。
• 数据:自建全基因组扰动数据集(X-Atlas/Pisces),公司称为迄今最大,数据规模与生成能力构成壁垒。
• 资本:成立即获 $1B 承诺资本,可支撑长周期自研管线和大模型训练。
• 难追原因:顶级团队、专有大规模数据、自研模型与巨额资本叠加,短期难以复制。

团队

• David Baker:联合创始人。2024 年诺贝尔化学奖,蛋白质设计领域权威。
• Marc Tessier-Lavigne:联合创始人、董事长兼 CEO。前 Genentech 研究执行副总裁兼首席科学官,前洛克菲勒大学校长,前斯坦福大学校长。
• Hetu Kamisetty:联合创始人。曾任职 Meta 与蛋白质设计研究所;后晋升为首席技术官(CTO)。
• Arvind Rajpal:曾在 Genentech 负责大分子药物发现。
• Don Kirkpatrick:前 Interline Therapeutics 首席技术官,前 Genentech 总监。
• Paulo Fontoura:2025 年初加入,任首席医学官(CMO),此前在 Roche 任职 16 年。
• 平台整合了 Illumina 功能基因组学 R&D 团队与 Interline Therapeutics 蛋白质组学团队。

客户

• 以自研药物管线为主,不以外部客户为主营。
• 截至目前未公开具体客户名单。

订单 / 合作 / 商业化

• 截至公开信息,Xaira 未公开具体药企合作伙伴、管线靶点或里程碑付款。
• 公司在成立后约两年内较为低调,未披露管线、主打项目或药企合作细节。
• 商业化信号:招募了具备数十亿美元级别交易经验的 Rachel Lane 以强化合作(报道提及其曾在 Belharra Therapeutics 促成与 Genentech 的合作及与 Sanofi 的战略联盟);CEO 表示强合作对公司至关重要。具体 Xaira 合作交易仍未公开。
• 营收信号:未公开。

市场信号(融资 / 估值)

• 2024 年成立即获 超 $1B 承诺资本,领投为 ARCH Venture Partners 与 Foresite Labs。
• 估值约 $4B(报道口径,2024 年成立时)。
• 核心模型 RFdiffusion、RFantibody 源自 Baker 实验室。

三反思(对 AutoSim)

• (a) 客户:自研管线/制药。
• (b) 服务:AI 蛋白与抗体设计。
• (c) 交付形态 + 壁垒:自研药管线;壁垒=诺奖团队 + 蛋白设计模型 + 数据。

关键判断

算法类,极强团队背书(People-Mission Fit 的极致)。领域=药物,离 AutoSim 远;价值在于范式参照——"顶级团队 + 明确大需求即可融巨额"。

参考链接

• Xaira launches with $1B - DDW
• Backed by $1B, Xaira readies AI drugs - C&EN
• New AI drug discovery powerhouse Xaira rises with $1B - Fierce Biotech
• AI-Powered Xaira Launches with $1B, Ex-Genentech Execs - BioSpace
• Our Approach - Xaira 官网
• Marc Tessier-Lavigne Bio - Xaira 官网
• Xaira launches X-Cell virtual cell model (X-Atlas/Pisces) - BioSpace
• Xaira's First Virtual Cell Model Is Largest To-Date - GEN
• Xaira bolsters leadership and relocates HQ - Drug Discovery & Development
• Chutes & Ladders: Xaira adds pharma vet CMO - Fierce Biotech
• Ex-Stanford president's Xaira secures $1B - TechFundingNews

云道智造(英文 Yundao,产品"伏图"/ Simdroid)—— 普惠仿真,AI 走"仿真智能体 + 代理模型"双线

角色:国产通用多物理场 CAE 第一梯队、明确对标 Ansys/COMSOL 的自主替代厂商。未上市,融资背书强(红杉中国、华为哈勃、腾讯,累计约 10 亿元以上)。不是人工代做(L1),也不是 AI 自主端到端仿真。其差异化是"平台(PaaS)+ 仿真 APP 商店"的生态化打法。把它放在"未来同行/上游工具层"理解。

基本信息

• 公司:北京云道智造科技有限公司。成立 2014 年 3 月,北京海淀(清华科技园起家)。
• 创始人:屈凯峰(华中科技大学背景)。2012 年提出"平台 + APP"的第三代仿真软件模式。
• 产品品牌:中文"伏图®",英文 Simdroid。
• 物理域:固体力学、流体力学、电磁/电动力学、热力学,通用多物理场。
• 使命口径:"为数字世界打造物理引擎",提出 CAE(物理引擎)+ AI(数据引擎)双引擎框架。

产品线与"平台 + APP"模式

• 伏图® / Simdroid:自研通用多物理场仿真 PaaS 平台,已迭代到 5.0。采用"PaaS 平台 + APP 应用"模式。
• Simapps(仿真 APP 商店):仿真 APP 的无代码开发、加密、上传、交易、下载、云端在线运行闭环;定位"互联网时代的科学计算中心"。
• Simcapsule:新一代云仿真平台,面向细分行业专用软件开发者。
• 行业专用软件:Simdroid-EC(电子散热/芯片封装)、Simdroid-FEMAG(晶体生长)、Simdroid-MPM(物质点法引擎)等。

"仿真大众化"含义: 专家用平台把专业仿真封装成无代码 APP,普通工程师(非专家)通过商店下载或在线运行这些 APP 完成仿真。把仿真从少数专家工具变成大规模社会化协同、人人可用的能力。

AI 加速的是什么(重点)

云道的 AI 是两条独立的线,落在仿真生命周期的不同环节:

第一条线:仿真智能体(Simulation Agent)—— 加速的是"操作流程",即前处理到出结果的人工操作。 - 路线分三阶段:传统操作(自己做)→ 智能客服助手(教你做)→ 仿真智能体(替你做)。 - 技术栈:多智能体交互 + 检索增强生成(RAG)+ 强化学习修正 + 生成式技术,底层大语言模型用国产开源 DeepSeek。 - 用法:用户用自然语言描述需求(如"计算 5G 芯片散热方案"),系统自动完成建模、网格、求解、后处理,全程无需人工干预。 - 本质:这是"AI 编排现有求解器"——四类同构于 Navier AI / AutoSim 的 Agent 路线,但仍是 RAG + 工具调用编排,人在环、面向降低操作门槛,不做机理判断与预测准确性的验证。

第二条线:数据驱动降阶/代理模型 —— 加速的是"执行求解"。 - 在 Simdroid-EC(电子散热)里,"AI 代理"经数百组仿真数据训练后,计算速度提升千倍,平均相对误差低至 0.005%(公司自述)。 - 采用 BCI-ROM 降阶模型技术解决跨尺度仿真。 - 本质:surrogate / ROM,用既有仿真数据训练网络替代逐步求解,与索辰、十沣同方向。依赖训练数据覆盖,外推无保证。

注意:云道没有"仿真大模型"的独立产品叙事。 其口径是"仿真智能体 / AI for CAE / 普惠仿真",AI 落在 surrogate/ROM 提速 + Agent 自动建模两条线上,不主张训练一个端到端大模型替代物理求解器。

公司对 AI 与 CAE 关系的表态:明确互补、不替代。 AI 用来提升仿真效率和精度、改变软件使用形式;CAE 求解器仍是根基。

市场占有率 / 规模与融资

融资历史(第三方创投数据库 + 媒体): - 天使轮 2016;早期 A 轮 2019(中关村发展集团领投)。 - 2021-07 战略融资近 3 亿元,红杉中国领投。 - 2022 引入腾讯(广西腾讯创投)、大湾区共同家园基金,并有华为哈勃入股。 - B 轮 2022-12(中关村科学城);B+ 轮 2023-06(深创投、顺澄资本等)。 - C 轮 2024-03,7 亿元,建信信托 + 大湾区共同家园联合领投,众多机构跟投;C+ 轮 2024-10(南方建信)。 - 累计融资约 10 亿元以上(36氪估算口径)。

规模 / 团队 / 客户: - 研发技术人员占 70%,80% 硕士及以上(25% 博士),设博士后工作站,5 位院士顾问。 - 与近 400 所高校合作。2025 用户生态大会逾 500 名客户/伙伴参会。 - 客户覆盖电子通信、芯片、电力、石油、航空航天、汽车、轨道交通等"数百家企业",点名含中海油、国家电网。Simdroid-EC 在某电子通信龙头 2024-09 验证后 3 个月内完成数百人团队全面切换(公司自述)。 - 未公开精确营收、净利润、市占率——未上市,财务不披露。财务量级可参照已上市的索辰科技。

商业模式

三条线(公司自述,无第三方营收拆分): - 平台许可:通用平台伏图/Simdroid 的企业授权(替代 Ansys/COMSOL 类)。 - APP 分发 / 云平台:Simapps 商店 + Simcapsule 云平台(平台抽成 / 订阅 / 云算力)。 - 行业定制:电子散热、芯片先进封装、晶体生长等垂直专用软件与项目交付。7 亿融资明确用于求解器打磨 + 芯片先进封装多物理场模块的研发与商业化。

与 AutoSim 的差位

• 云道的"仿真智能体"是四家里最接近 Agent 路线的,但仍是 RAG + 工具编排、人在环、面向降低操作门槛。
• AI 不做机理是否足够的判断、不做参数识别、不做留出工况验证与适用范围声明。
• 产品哲学是"APP 商店生态化 + 仿真大众化",竞争差异在生态而非求解器精度对标。

信息来源(区分自述 / 第三方)

• 仿真智能体与互补表态(公司自述):https://www.ibe.cn/blog/5695
• 双引擎使命(公司自述):https://www.ibe.cn/information/news/5175
• 代理模型千倍提速 / GPU 加速(公司自述):https://finance.sina.com.cn/jjxw/2025-04-22/doc-inetzkuz5461977.shtml
• 平台 + APP 模式(公司自述 / 第三方):https://www.yun88.com/product/3345.html;https://www.fromgeek.com/daily/1044-441439.html
• 红杉/华为/腾讯入股(第三方):https://news.qq.com/rain/a/20220907A01T0M00
• C 轮 7 亿 / 累计融资(第三方):https://www.chinaventure.com.cn/news/113-20240305-379991.html;https://pitchhub.36kr.com/project/1818812320288896

校验提示:所有量化数据(提速倍数、误差、3 个月切换、客户范围)均为公司自述,引用建议标注口径。红杉/华为哈勃/腾讯入股及 7 亿 C 轮为多家第三方交叉确认。