估值160亿！英伟达、西门子押注，AI4S强势卷向工业界

近日，物理AI公司PhysicsX公布了一项重要研究成果：AI重新设计的航空发动机钛合金支架，比顶尖人类工程师的最优方案减少重量18.5%。新结构是一种从未被采用过的分体式支撑，且超出了传统CAD软件的设计规则范畴，无法按常规参数化建模路径直接生成。

值得注意的是，这家公司仅七年时间，估值就冲到24亿美元（约160亿元人民币）。更关键的是投资名单：淡马锡领投C轮，英伟达、西门子、应用材料既是股东又是客户。

在AI赛道里，工业物理AI因为门槛高、客户验证慢，多数同行还停在千万美元级。这条赛道里，大额产业资本的认可是稀缺品，PhysicsX拿到了。

从F1围场到英伟达押注24亿美元

PhysicsX的创始人，是从赛车场走出来的。

首席执行官Jacomo Corbo曾任F1车队首席比赛策略师，也是麦肯锡旗下QuantumBlack的联合创始人；董事长Robin Tuluie先后担任梅赛德斯、雷诺两支F1车队的研发主管，此后还出任过宾利汽车的技术负责人。Corbo在围场里结识了Tuluie，2019年，两人与仿真工程专家Nicolas Haag共同创立了PhysicsX。

赛车行业对仿真的依赖，是其他工业门类几乎无法相比。一个前翼的角度调几度、一条导流板加不加，背后都是成千上万次空气动力学模拟。一个大奖赛周末，车队要在几个小时内完成一次空气动力学改型的模拟验证，仿真跑多快，研发就能转多快。

两位创始人想做的，是把围场里那套以小时计的「设计—仿真—验证」循环，带给以月计时的整个工业界。

它到底在卖什么？

传统工业仿真最大的痛点是「慢」：工程师画好零件，送去超算中心跑几天的热力学和力学模拟，拿到结果改图，再跑一轮，一个方案迭代以周计。

PhysicsX的产品"大型物理模型"（LPM）把这一步压缩了几个数量级：先用海量历史仿真数据训练AI，让它学会几何结构与物理响应之间的对应关系，此后任何新设计的性能预测在几毫秒内完成，一次迭代从几周缩短到几小时。

而且，平台不推翻工程师的现有工具，直接接入ANSYS、Siemens NX、OpenFOAM，模型只在客户自己的数据上训练。正如Corbo在C轮声明所说：移除"硬件创新最大的瓶颈"。

资本的反应，比技术本身更凶猛。智药局捋了一下它的融资节奏：2023年11月，General Catalyst领投A轮3200万美元；2025年6月，欧洲顶级风投Atomico领投B轮1.35亿美元；

仅仅半年后，英伟达的风投arm追加投资，公司估值逼近10亿美元；到了2026年6月，淡马锡领投C轮3亿美元，估值约24亿美元，英伟达、应用材料、西门子全部跟投。前后四轮，累计融资超过5亿美元。

最新的支架实验，难度更上一层：AI不只当"预言家"，还亲自当"设计师"。团队选用的考题是业界经典的GE喷气发动机支架。这个零件被几代工程师反复优化过，业内公认减重空间已经榨干。

方法上，团队对3D生成式基础模型做领域微调，让AI直接生成零件几何；再训练一个可微分的代理仿真模型充当裁判，跑一个「生成—校验—再生成」的循环，每轮只放行应力达标的候选。

结果：AI给出的方案从342克减到276克，比当前人类最优结果轻18.5%，各项应力约束全部达标。拓扑结构是一种分体式支撑，此前从未出现在人类工程师的设计中。

该团队还对外放出免费公开演示工具 Ai.rplane，允许用户输入需求，数秒生成飞机外形并预测气动性能。将核心能力开放给公众体验，在工业软件行业是非常罕见的做法。

市场对这套打法的反馈，CEO Jacomo Corbo在接受英国《金融时报》采访时说得很直白：公司目前是【供给侧受限】，需求多到交付不过来，只能优先保障老客户；他还预测，半导体将在今年成为公司最大的收入来源。

三天超120亿砸进来物理AI站上风口

为什么要在这个节点聊这家公司？

资本的热度加上切实的工程突破，让PhysicsX同时踩中了三条线：技术线，它证明了AI能动手做物理工程，不只是会聊天和写代码；商业线，传统工业仿真按软件授权收费的模式正在被动摇；产业线，AI的主战场正从数字世界转向发动机、芯片这些物质对象。

将此次事件，放进今年的整体时间坐标系里面，分量就又不一样了。

6月8日，淡马锡领投PhysicsX 3亿美元C轮，英伟达、应用材料、西门子继续跟投，投后估值24亿美元；三天后，贝佐斯的Prometheus完成120亿美元B轮，估值410亿美元，出钱的是摩根大通、贝莱德、高盛、DST Global和Arch Venture Partners。值得注意的是，这几乎不是一笔风投交易，而是华尔街机构资本集体进场。前后三天，物理AI方向吸走超过120亿美元。

资本层面对此的一个主流判断是：语言模型的红利进入后半场，物理世界正在成为AI的下一个重要价值空间。

这个判断的依据并不复杂。全球GDP的主体在物质经济，发动机、涡轮、芯片、电池、药物这些行业至今共享一组约束：试错成本高，仿真周期长，设计方案之间的性能差距动辄以亿计。如果「设计—验证」循环的成本能被压低一到两个数量级，行业的迭代速度就会上一个台阶。PhysicsX和Prometheus受到追捧，原因之一正是踩中了这条逻辑。

值得注意的是PhysicsX选择的战场。航空发动机零件是工业界试错最贵的领域之一：工程经验积累深厚，单次试验的代价极高，历来被视为AI最难被攻克领域之一。在这个领域拿到正向结果，说明这套「AI出方案、物理规律把关」的打法，已经开始向壁垒最深的行业渗透。

最后用Corbo在C轮融资稿的原话，来作为本篇收尾："实体经济中几乎每一个难题——更好的飞机、更好的芯片、更好的发动机、更好的能源系统——归根结底都取决于工程师和机器操作人员能够以多快、多好的速度解决底层物理问题。几十年来，这一直是硬件创新的核心约束。"

—The End—