Fainite AG 自筹

Fainite 深度调研:苏黎世物理 AI 仿真初创,Caltech/ETH/剑桥/谷歌背景团队用物理感知深度学习把仿真从数十小时压到秒级,仅获 Venture Kick 资助、尚无定价轮次

苏黎世物理AI仿真初创,2025 创立、Caltech/ETH/剑桥/谷歌;Physics AI Engine 物理感知深度学习,仿真数十小时压至秒级配 Copilot;仅获 Venture Kick CHF 19 万,无定价轮次与营收。

执行摘要

Fainite AG 是 2025 年成立于苏黎世的瑞士物理 AI 初创,做的是「把仿真变成推理」的工程 AI 平台。创始团队由 Caltech、ETH 苏黎世、剑桥与 Google 的研究者与工程师组成:Alex Donzelli(CEO,Caltech 应用力学硕士,曾在 Saipem、Optotune、瑞银任职)、Burigede Liu 教授(首席科学家,剑桥大学,曾任职 Caltech 与 ETH)、Matthias Bonvin(机器学习负责人,ETH)、Jan Pfeifer(机器学习科学家,前 Google 十二年,TensorFlow Lattice/Ranking/Decision Forests 的核心贡献者)、Roger Keene(商业战略,前 Dassault SIMULIA 全球销售与运营副总裁)、Dennis Kochmann 教授(技术顾问,ETH)。

融资方面,公司目前公开的唯一资金是 2026 年从 Venture Kick 获得的 15 万瑞士法郎(约 17 万欧元)。没有披露定价轮次、估值与收入。这个阶段意味着它处于「技术验证 + 首批工业应用」的过渡期,尚未进入规模化阶段。

产品是 Physics AI Engine,定位是「加速、简化、自动化仿真工作流」。它由三部分组成:物理感知(physics-aware / physics-enforced)的深度学习模型,从客户的 CAE 数据中学习系统行为;一个 AI 智能体,引导用户完成复杂设置并提供专家建议;以及一个可复用的结果库,让工程师快速调用历史分析。

公司给出的对比是:传统方式需要 48 小时以上,Fainite 用 10 秒完成分析。它还列出客户的三个痛点:计算时间长(10 小时以上)、软件工作流复杂(10 个以上工具)、仿真知识难复用(上千个文件)。

市场叙事方面,公司称全球有 1,700 万工程师(招聘页口径)/ 900 万硬件工程师(Venture Kick 新闻稿口径)受仿真瓶颈影响,仿真软件市场当前约 270 亿美元、未来五年翻倍(年增 10% 至 13%),设计周期可从数月压缩到数周。

物理 AI 视角下,Fainite 的定位是「少数据条件下的物理约束代理模型」。它的技术主张有两个值得注意的点:第一,「不依赖大量历史数据集」——这与主流代理模型(需要海量仿真数据训练)不同,暗示它用了物理约束/物理信息神经网络(PINN 类)的方法,用物理方程弥补数据不足;第二,「物理强制」(physics-enforced)——不是把物理作为损失项软约束,而是把物理结构编码进模型(如等变网络、守恒结构),这在技术上更难但泛化更好。

需要提前说明判断:这是一家「团队配置很强、融资极少、产品未验证」的早期公司。它的团队有学术界(Caltech/ETH/剑桥)与工业界(Dassault SIMULIA 前高管、Google TensorFlow 核心贡献者)的双重背景,这在早期物理 AI 公司里少见;但它的公开资金只有 15 万瑞郎、客户案例为零、性能数据(10 秒 vs 48 小时)是公司口径。评估它的关键是三个问题:少数据方法在工业级问题上能否达到工程精度、物理强制的架构能否泛化到不同物理域、以及一次只有 15 万瑞郎的资助能撑多久。

公司概览

团队背景

这家公司最值得记录的是团队。CEO Alex Donzelli 的路径是「工程 → 工业 → 金融 → 创业」:Caltech 应用力学硕士(计算力学方向),在 Saipem(油田服务)与 Optotune(光学器件)做仿真与产品开发,在瑞银做战略咨询,博士期间参与过保时捷电驱轴的自动测量与质量控制项目。这种跨界背景对 2B 销售有帮助——他理解工程师的语言,也理解采购与预算。

首席科学家 Burigede Liu 是剑桥大学教授,曾在 Caltech 与 ETH 任职,研究方向是计算力学与机器学习。机器学习负责人 Matthias Bonvin 来自 ETH。Jan Pfeifer 的加入是一个信号:他在 Google 十二年,是 TensorFlow Lattice(可解释机器学习)、TensorFlow Ranking、TensorFlow Decision Forests 的核心贡献者,说明公司在大规模机器学习工程上有实战能力。

Roger Keene 的加入是另一个信号:他是 Dassault SIMULIA 全球销售与运营前副总裁,SIMULIA 是 Abaqus 等仿真软件的品牌。他的加入意味着公司理解工业软件的销售逻辑(长周期、高客单、需要验证与支持),不只懂技术。

阶段与资金

15 万瑞郎的 Venture Kick 资助是瑞士特色的早期支持机制(非稀释性资助,分三个阶段)。这笔钱的用途是:扩展到新的工程领域、加速可扩展平台的上线、强化团队与市场推广。

这个阶段的含义是:公司还没有产品市场匹配的证据,正在用最小资金验证「物理感知 AI 能否在真实工业问题上达到可用精度」。Venture Kick 的资助通常对应 6 至 12 个月的里程碑,之后公司需要拿定价轮次。

工作流程

公司披露的五步流程值得记录,因为它反映了「从用例到部署」的工程化思路:免费预评估(识别最高影响的仿真瓶颈、量化预期收益)→ 技术深入(分析工作流、数据集、求解器与建模假设)→ 模型准备(定制物理 AI 模型、用仿真基准验证)→ 平台部署(部署到安全环境、支持新几何/边界/材料)→ 持续优化与扩展(随新数据持续改进、扩展到更多产品线)。

这个流程的特点是「服务先行」:先做预评估与技术深入(咨询性质),再做模型定制与部署。这符合工业软件的销售逻辑——客户不会为一个未验证的工具付费,但愿意为「诊断我的瓶颈」付费。

技术分析

「少数据」为什么是关键差异

理解 Fainite 的技术主张,需要理解代理模型的两种范式。

第一种是「数据驱动」:用大量高保真仿真数据训练神经网络,学习「输入参数 → 输出场」的映射。这条路的问题是数据成本——生成一万个高保真算例,可能需要数万 GPU 小时;对一个新产品、新材料,客户往往没有历史数据。

第二种是「物理约束」:把物理方程(守恒律、本构关系、边界条件)编码进模型,用物理约束替代部分数据。这条路包括物理信息神经网络(PINN,把方程残差作为损失项)、物理强制网络(把守恒结构编码进网络架构,如等变网络、能量守恒网络)、以及算子学习(学习解算子,不学单个解)。

Fainite 声称「不依赖大量历史数据集」,说明它偏向第二种。这个选择的技术含义是:它可以用少量数据(甚至只有边界条件与材料参数)就给出预测,代价是训练更难(物理约束的优化地形复杂)、适用范围受方程假设限制(如果真实物理超出模型假设,预测会偏)。

「物理强制」与「物理感知」的区别

公司用了两个词:physics-aware(物理感知)与 physics-enforced(物理强制)。这两个词在技术上有区别。

「物理感知」通常指模型在训练时考虑了物理信息(如损失项含方程残差),但推理时不一定严格遵守物理。「物理强制」通常指模型的输出在结构上就满足物理约束(如输出满足守恒律、满足对称性)。

后者的技术难度更高,但泛化性更好——因为模型不可能输出违反物理的结果。如果 Fainite 真的做到了 physics-enforced,那是它的技术壁垒;如果只是 physics-aware(软约束),那与大量 PINN 类工作没有本质区别。公开信息没有说明它属于哪一种。

AI 智能体的角色

产品里的 AI 智能体承担两类工作:引导用户完成复杂设置(仿真设置是多步骤、多参数的过程,新手容易出错)、提供专家建议(基于历史案例推荐参数与建模方式)。

这个设计与安世亚太的 AgentX、MathWorks 的 Copilot 是同一思路:把「专家知识」编码成流程,降低使用门槛。但它有一个前提——底层模型必须可靠。如果模型预测不准,智能体的建议只会让人更快地得到错误结果。

性能数据的解读

「48 小时 → 10 秒」这个对比需要谨慎。48 小时是「传统方式」的完整周期(含建模、网格、求解、后处理),10 秒是「模型推理」的时间。两者不是同一件事——前者包含人工工作,后者只是前向计算。

真正公平的对比应该是:在同等精度下,从「给定几何与工况」到「得到可用结果」的总时间。如果 Fainite 需要前期投入(数据准备、模型训练、验证),那么第一次的「总时间」可能远高于 10 秒,只有从第二次开始才享受到速度优势。这与所有代理模型的规律一致:前期投入换后期速度。

技术短板

第一,精度验证缺失。没有公开的与商用求解器的对比数据(误差范围、适用工况、失效边界)。

第二,物理域的覆盖。三个物理域(热、气动、结构)是否用同一模型,还是每个域单独训练,未披露。

第三,少数据方法的边界。物理约束能弥补多少数据不足,取决于方程假设与真实物理的匹配度。在强非线性、多物理耦合、材料非线性场景,物理约束的效果会打折。

第四,工程化程度。10 秒的推理需要什么硬件?部署在客户环境需要什么依赖?这些工程细节未披露。

产品与商业化

产品形态

Physics AI Engine 是平台形态:客户上传 CAE 数据 → 平台训练定制模型 → 部署到客户环境 → 工程师用自然语言或界面查询 → 得到预测。

三个能力:加速(把小时级仿真变成秒级预测)、简化(自动化复杂设置)、复用(快速调用历史分析)。

商业模式

商业模式未披露,但从流程推断是「预评估(可能免费)+ 技术深入(咨询)+ 模型定制(项目)+ 平台订阅(持续)」。这个模式在工业 AI 里常见,因为它需要「先证明价值,再收费」。

定价未披露。按工业软件的惯例,可能按「模型数量 + 席位数 + 算力」组合计费。

目标客户

目标客户是需要大量仿真的硬件企业:航空、汽车、能源、电子、材料。这些客户的共同点是「仿真成本高、设计迭代多、愿意为效率付费」。

公司的市场叙事用「1,700 万工程师」/「900 万工程师」来描述 TAM,但这个数字太宽(大部分工程师不做仿真),实际可触达市场要小得多。

竞争位置

在「物理 AI 仿真」赛道,Fainite 属于最早的阶段(比 PhysicsX、Vinci、Neural Concept 都早)。它的差异化是「少数据 + 物理强制」,劣势是资金与客户验证。

竞争格局

赛道格局

物理 AI 仿真赛道的公司分三层。第一层是资金充裕、已有产品的(PhysicsX 3 亿美元、Vinci 2.5 亿美元、Neural Concept 1 亿美元、Luminary 7,200 万美元)。第二层是早期但有明确技术路线的(Fainite、Godela、以及一批欧洲深科技初创)。第三层是大厂的内部项目(Ansys SimAI、Siemens PhysicsAI、NVIDIA 的 PhysicsNeMo 生态)。

Fainite 在第二层,与 Godela(YC 背景、美国)、以及若干欧洲初创竞争。它的差异化是「物理强制 + 少数据」,这在学术上有依据(PINN、等变网络),但在工业上未验证。

与传统 CAE 的关系

传统 CAE(Ansys、Siemens、Dassault、COMSOL)不会坐视代理模型蚕食市场,它们的应对是把 AI 集成进现有产品(SimAI、PhysicsAI)。这对初创公司是压力——客户可能选择「在熟悉的工具里用 AI」,未选择「换一个新工具」。

Fainite 的机会在于「范式差异」:如果物理强制模型真的能在少数据条件下达到工程精度,它服务的是「传统工具做不动」的场景(如早期设计阶段、数据稀缺的新材料)。如果只是在已有工具上加速,它很难撼动在位者。

瑞士生态的优势

苏黎世的 ETH 体系在计算力学与机器学习交叉领域有强团队(Kochmann 教授、以及 ETH 的多个计算力学组)。Venture Kick 提供非稀释性早期资金,瑞士还有 Innosuisse 的创新项目资助。这个生态对早期深科技公司友好,但瑞士本土市场小,公司必须从一开始就面向欧洲与全球客户。

融资与资本结构

融资现状

唯一公开资金是 Venture Kick 的 15 万瑞郎。没有定价轮次、没有估值、没有收入披露。

这个状态的解读有两种。乐观解读:公司处于极早期,用非稀释资金验证技术,保留股权为后续融资留空间。谨慎解读:公司还没有拿到机构投资,说明技术验证或商业进展尚未达到 VC 的门槛。

资金需求

按苏黎世的研发成本(资深 ML 工程师年薪 12 万至 18 万瑞郎),15 万瑞郎大约够 1 至 2 人一年。这对一支有六位核心成员(含两位教授)的团队显然不够,说明团队成员可能是兼职或部分投入,或者有其他资金来源(教授的研究经费、咨询收入)。

下一步

公司需要在 6 至 12 个月内证明两件事:一是在至少一个真实工业用例上达到可用精度(与商用求解器对比),二是拿到第一个付费客户或试点。这两件事决定它能否进入种子轮。

DISCREPANCIES

1. 工程师数量的两个口径。 招聘页称全球 1,700 万工程师从事物理产品开发;Venture Kick 新闻稿称 900 万硬件工程师受仿真瓶颈影响。两个数字的范围不同(全部工程师 vs 受瓶颈影响的硬件工程师),本报告分别标注。来源等级:OFFICIAL(公司材料)但口径不一。

2. 性能对比的口径。 公司称「传统方式 48 小时以上,Fainite 10 秒」,但未说明 48 小时包含哪些环节(建模?网格?求解?后处理?人工?),也未说明 10 秒是否含模型训练与验证的前期投入。本报告在技术分析中拆解这一对比。来源等级:公司营销表述(需技术解读)。

3. 「不依赖大量历史数据集」的含义。 这句话可以理解为「用物理约束替代数据」,也可以理解为「用少量数据微调预训练模型」。两种做法的技术含量不同。本报告采用「物理约束替代部分数据」的解读,并标注公司未披露具体方法。来源等级:OFFICIAL(表述)与推断。

4. 融资阶段的表述。 公司只披露 Venture Kick 的 15 万瑞郎,未说明是否有其他资金(创始人自筹、教授经费、其他资助)。部分解读将其视为「唯一融资」。本报告标注为「公开披露的唯一资金」。来源等级:OFFICIAL(Venture Kick 公告)。

5. 市场规模的推算。 公司称仿真软件市场 270 亿美元、五年翻倍(年增 10% 至 13%)。这个数字与第三方机构(如 ANSYS 年报、MarketsandMarkets)的口径可能不同,且「翻倍」意味着年复合增长率约 15%,与「10% 至 13%」不完全一致。本报告保留数字并标注为推算。来源等级:公司材料(未注明来源)。

6. 团队规模的披露。 公司披露六位核心成员(含两位教授、一位顾问),但未披露全职人数。教授通常有教学与研究职责,投入时间有限。本报告不推断全职比例。来源等级:OFFICIAL(成员名单)。

7. 成立时间的表述。 部分资料称 2025 年成立,公司未公开工商注册日期。本报告采用 2025 年。来源等级:MEDIA 与 OFFICIAL 交叉。

8. 「物理强制」的技术实现。 公司使用 physics-enforced 一词,但未说明是架构级约束(如等变网络)还是损失级约束(如 PINN)。两者技术难度不同。本报告在技术分析中区分两种可能。来源等级:OFFICIAL(表述)与缺失(实现)。

风险与尽调缺口

其一,融资极少。 15 万瑞郎对应一支六人核心团队,资金明显不足。如果 6 至 12 个月内拿不到种子轮,项目可能停滞。

其二,技术验证缺失。 没有与商用求解器的公开对比数据,无法判断「少数据 + 物理强制」在工业精度上是否成立。

其三,客户为零。 没有公开客户案例、试点或付费合同。工业客户对未验证工具极其保守。

其四,团队投入的不确定性。 两位教授与一位前 Google 工程师的时间分配未知,如果核心成员只是顾问角色,执行力会打折。

其五,竞争压力。 资金充裕的同行(PhysicsX、Vinci、Neural Concept)已经出货,大厂的 AI 功能也在迭代,留给早期公司的窗口在收窄。

其六,瑞士市场的局限。 本土客户有限,国际化需要销售网络与本地支持,这对一家资金极少的公司是巨大挑战。

其七,物理强制的适用边界。 物理约束依赖方程假设,在强非线性、多物理耦合、材料非线性场景可能失效,而这些恰是工业客户最需要解决的难题。

综合评分

技术维度给 7 分。「少数据 + 物理强制」的路线在学术上有依据,且与主流「大数据代理模型」形成差异化;团队有计算力学与机器学习的双重背景。扣分项是技术实现未披露、精度未验证、物理域覆盖不明。

商业维度给 4.5 分。流程设计(预评估→深入→定制→部署→优化)符合工业软件销售逻辑,目标客户(航空、汽车、能源、电子)需求真实。扣分项是零客户、零收入、无定价、资金极少。

财务维度给 4 分。Venture Kick 15 万瑞郎为非稀释资金,保留股权。扣分项是金额极小、无机构投资、无估值。

产品维度给 5.5 分。Physics AI Engine 的三能力(加速、简化、复用)方向正确,AI 智能体降低门槛。扣分项是无公开产品界面、无文档、无试用、性能数据不可核验。

市场维度给 6.5 分。物理 AI 仿真赛道热度高、客户需求真实、瑞士深科技生态友好。扣分项是竞争激烈、客户保守、市场教育成本高。

综合 5.5 分。这是一家「团队强、资金少、验证缺」的早期公司:它用 Caltech/ETH/剑桥 + Dassault/Google 的混合背景建立了技术信誉,用「少数据 + 物理强制」切出一个与大厂不同的位置。但从 15 万瑞郎到产品市场匹配,中间的距离极长。对物理 AI 的判断是:物理约束路线是解决「数据稀缺」的正确方向,也是工业仿真最需要的能力;但 Fainite 目前只有论点与团队,还没有可验证的技术与商业证据。

参考资料

  1. Fainite 官网(2026 年访问):Physics AI Engine 定位为加速、简化、自动化仿真工作流;三能力为物理感知深度学习、AI 智能体、结果复用;对比「传统 48 小时以上 vs Fainite 10 秒」;客户痛点列为计算时间长(10 小时以上)、软件工作流复杂(10 个以上工具)、仿真知识难复用(上千个文件)
  2. 官网团队页:Alex Donzelli(CEO,Caltech 应用力学硕士、计算力学方向,曾在 Saipem 与 Optotune 任仿真与产品开发工程师、在瑞银做战略咨询,学术期间参与保时捷电驱轴自动测量与质量控制项目);Burigede Liu 教授(首席科学家,剑桥大学,曾任职 Caltech 与 ETH);Matthias Bonvin(机器学习负责人,ETH);Jan Pfeifer(机器学习科学家,前 Google 十二年,TensorFlow Lattice/Ranking/Decision Forests 核心贡献者);Roger Keene(商业战略,前 Dassault SIMULIA 全球销售与运营副总裁);Dennis Kochmann 教授(技术顾问,ETH)
  3. 官网招聘页的市场与使命表述:仿真仍是瓶颈,数百万工程师等数小时到数天;目标是「硬件工程的基础模型」,把仿真变成推理;市场为 1,700 万工程师、270 亿美元仿真软件市场、五年翻倍(年增 10%-13%)、设计周期从数月压缩到数周
  4. Venture Kick 资助公告(startupticker.ch、immo-invest.ch、midmarketnow):Fainite AG 获 15 万瑞士法郎(约 17 万欧元);资金用于扩展到新工程领域、加速可扩展平台上线、强化团队与市场推广;公司称技术可在不依赖大量历史数据集的情况下给出准确预测
  5. 同一公告的团队与定位表述:创始人来自 Caltech、ETH 苏黎世、剑桥与 Google,含 Alex Donzelli(CEO)、Burigede Liu 教授(首席科学家)、Matthias Bonvin(机器学习负责人),并有来自领先物理仿真软件公司的前高管;目标支持全球 900 万受仿真瓶颈影响的硬件工程师;从无法用通用 AI 模型解决的最复杂工程问题切入
  6. 官网五步流程:免费预评估(识别仿真瓶颈、量化预期收益)→ 技术深入(分析工作流、数据集、求解器与建模假设)→ 模型准备(定制物理 AI 模型、用仿真基准验证)→ 平台部署(部署到安全环境、支持新几何/边界/材料)→ 持续优化与扩展(随新数据持续改进、扩展到更多产品线与物理域)
  7. 技术背景(公开资料):代理模型的两条范式——数据驱动(需大量高保真仿真数据)与物理约束(把守恒律、本构关系编码进模型);物理约束的实现含物理信息神经网络(方程残差作为损失项)、物理强制网络(守恒结构编码进架构,如等变网络、能量守恒网络)、算子学习(学习解算子)
  8. 技术背景(公开资料):physics-aware(训练时考虑物理信息)与 physics-enforced(输出结构上满足物理约束)的区别;后者泛化更好但实现更难;物理约束的效果取决于方程假设与真实物理的匹配度,在强非线性、多物理耦合、材料非线性场景会打折
  9. 行业背景(公开资料):物理 AI 仿真赛道分层——资金充裕且已有产品(PhysicsX 3 亿美元、Vinci 2.5 亿美元、Neural Concept 1 亿美元、Luminary Cloud 7,200 万美元)、早期初创(Fainite、Godela 等)、大厂内部项目(Ansys SimAI、Siemens PhysicsAI、NVIDIA PhysicsNeMo)
  10. 瑞士生态(公开资料):ETH 苏黎世在计算力学与机器学习交叉领域有强团队;Venture Kick 提供非稀释性早期资助(分阶段);Innosuisse 提供创新项目资助;瑞士本土市场较小,深科技公司通常从早期即面向欧洲与全球市场
  11. 市场数据(公开资料):仿真软件市场第三方估算存在差异(厂商年报口径与市场研究机构口径不同),年增长率通常在 8%-12% 区间
  12. 商业模式背景(公开资料):工业 AI 的典型销售路径为「免费诊断/预评估 → 咨询 → 定制项目 → 平台订阅」,原因是客户对未验证工具保守,需要先证明价值再付费

本报告依据公开资料整理,不构成投资建议。公司处于极早期,公开资金仅 Venture Kick 的 15 万瑞郎;无客户、无收入、无定价披露;性能数据为公司口径,未经第三方验证。

相关报告66

本报告基于公开信息整理,仅供参考,不构成任何投资建议。数据截至报告发布日,请以公司公告与定期报告为准。