NP Co.(NP Company) 种子轮

NP Co.(NP Company)深度调研:2025 年成立的巴黎 Inria 孵化 AI 原生仿真初创,€6M 天使前轮由 Partech 领投、Mistral 联合创始人参投,宣称预训练物理基础模型实现 1000x 加速,多项宣称待验证

巴黎 Inria 孵化的 AI 原生仿真初创(2025 成立):模型族正式名 GEMs,宣称预训练物理基础模型 1000x 加速、50000x 目标;€6M 天使前轮 Partech 领投,入选 French Tech 2030 第三批

执行摘要

NP Company(NP Co.)是 2025 年成立于巴黎的 AI 原生仿真公司,创始人 Emmanuel Menier(CEO)与 Matthieu Nastorg(CTO)均为巴黎-萨克雷大学「AI for simulation」方向博士,出身于法国国家信息与自动化研究院 Inria。公司的主张是用「预训练于工业物理的 Transformer 基础模型」替代传统求解器,把单次设计迭代的仿真从数天或数周压缩到数秒,并在整个装配体上保持同等保真度。模型族的正式名称为 GEMs(Generalized Engineering Models)。

2026 年 6 月 2 日,公司宣布完成 600 万欧元天使前轮(pre-seed),由 Partech 领投,标致家族办公室与天使投资人 Guillaume Lample、Cédric O(Mistral AI 联合创始人)、Florian Douetteau(Dataiku 创始人)、Vincent Luciani(Artefact 创始人兼 CEO)参与。Partech 管理资产接近 30 亿欧元、投资组合 220 家公司,是巴黎本地的深科技主力基金。

对外披露的性能主张有两级。第一级是「已在工业基准上演示 1000 倍加速」,基准由航空企业 Safran 组织;第二级是「全装配问题上有清晰的 50000 倍路径」,公司明确将其表述为路径,不是结果。两级主张的性质不同,必须分开看:1000 倍是「演示过」,50000 倍是「目标」。

10 月还出现了两条外部信号。2026-10-12,公司入选 Cherry Ventures「Heartbeat 2026」短名单,该项目从欧洲 10000 余家受筛企业中选出 10 家,NPco 是其中唯一入选者。2026-10-16 的媒体报道披露法国「French Tech 2030」第三批名单,官方页面列出该批次 80 家深科技企业、其中 AI 类 11 家,NPco 列于 AI 类;入选方获得一年期国家支持,性质为非资金类支持。这些是项目与生态层面的信号,与仍然缺失的产品、客户与营收证据处在不同层面。

需要提前说明判断:这是一家「论点自洽、团队可信、证据最少」的公司。它处于预产品、预营收状态:没有公开的 API、演示、模型卡、定价与具名客户,公司也没有自行披露人数;第三方企业目录给出的规模区间是 11–50 人。全部加速比与保真度宣称均为厂商陈述,没有独立第三方复现。评估的核心落在三个更具体的问题上:预训练的数据从哪来、1000 倍的对照基准是什么、600 万欧元能否支撑一个物理基础模型的预训练。

公司概览

创始人背景

两位创始人的学术履历与公司主张高度相关。Nastorg 的研究集中在用机器学习加速数值仿真,尤其是基于图神经网络的泊松求解器:DS-GPS(Deep Statistical Graph Poisson Solver,NeurIPS 2022 ML4PS,arXiv:2211.11763)用图网络学习泊松方程的求解映射;后续工作包括面向泊松类问题的隐式 GNN 求解器(2023)与多级 GNN 预条件子(2024)。这条线的技术含义是:不替代整个 CFD 流程,而是替代其中最耗时的线性求解环节,作为传统求解器的加速器或预条件子。

Menier 的研究方向是降阶模型与机器学习—CFD 混合方法,博士期间在 Inria 与 IRT SystemX(2020–2024),此前在液化空气集团(Air Liquide,2019–2020)任研究工程师,为制氢装置仿真构建代理模型。这段工业经历对他理解「客户真正需要什么」有实际帮助:工业客户要的是能在设计周期内跑完、结果可信、能被评审接受的工具,模型本身的外观并非其关注点。

「诞生于 Inria」的含义与边界

公司对外表述为「emerged from Inria」,新闻稿把 Inria 描述为「塑造了一代欧洲 AI 公司」的研究院,Mistral AI 是其中最著名的例子。这个叙事在法国深科技圈有实际价值:Inria 的品牌意味着学术严谨性、政府研究资源与人才网络。

但需要划清边界。公开信息没有披露任何 IP 转让、许可协议或正式分拆(spin-off)条款。严格说,「诞生于 Inria」目前是人才与文化的渊源,不是法律意义上的技术转移。对尽调而言,这决定了需要确认的一件事:公司使用的核心算法是否涉及 Inria 的职务发明或第三方专利许可。

阶段口径

公司称本轮为「天使前轮(pre-seed)」,部分数据库记为 Seed。本站点的 phase 枚举不含 pre-seed,因此入库记为 seed,正文保留「天使前轮」的原始表述。这是分类口径差异,不是事实冲突。

政府与生态认可

2026 年 10 月的官方与生态记录补上了此前为空的两处外部信号。

其一,入选法国政府「French Tech 2030」第三批,名单于 2026 年 10 月 16 日经媒体报道披露。法国政府官方页面列出该批次 80 家深科技企业,其中 AI 类 11 家,NPco 列于 AI 类。入选方获得一年期国家支持,性质为非资金类支持,该工作组的年度经费由 680 万欧元降至 180 万欧元。这一条需按字面读:入选本身不带来现金,公开信息也没有披露 NPco 获得的具体支持内容。

其二,2026 年 10 月 12 日入选 Cherry Ventures「Heartbeat 2026」短名单,该项目从欧洲 10000 余家受筛企业中选出 10 家,NPco 是其中唯一入选者。生态渠道使用的品牌名为 NPco,第三方企业目录给出的规模区间是 11–50 人;公司未披露该数字。

技术分析

物理基础模型要解决的是什么问题

理解 NP Co. 的技术主张,需要先理解它想替代的东西。传统仿真(CFD、结构、热)的流程是:几何清理 → 网格划分 → 离散方程 → 迭代求解 → 后处理。其中求解环节的复杂度随网格量超线性增长,一个整车外气动模型可能有上亿网格,单次稳态求解数小时到数天,瞬态或参数扫描则是数倍到数十倍。

代理模型(surrogate)的思路是用机器学习拟合「输入参数 → 输出场」的映射,推理时跳过迭代求解。这条路在学术界研究了十几年,工业界也有落地(如 Ansys SimAI、Neural Concept),但长期受两个限制:一是每个新几何、新工况都要重新训练(泛化差),二是训练数据的获取成本高(要靠传统求解器生成)。

「物理基础模型」的主张是:先用大量仿真数据预训练一个通用模型,让它学到物理规律的一般表示,部署到客户环境后即可直接使用,不需要针对每个客户重新训练。这个主张如果成立,商业含义很大——它把「项目制的定制建模」变成「标准化的软件产品」,毛利结构与扩展速度都会不同。

模型族正式名:GEMs

模型族的正式名称为 GEMs(Generalized Engineering Models)。公司侧与生态渠道使用 GEMs 这一命名,2026 年 6 月的新闻稿则把同一族模型描述为「预训练物理基础模型(pre-trained physics foundation model)」。两个口径指向同一项技术主张:GEMs 是产品族命名,「预训练物理基础模型」是功能性描述。本报告在技术与产品章节并列使用这两个说法,不把它们归并为一个标签。

Transformer 用于偏微分方程的三种技术路线

公司强调用 Transformer 架构,这个选择在技术上有三条可能的具体路线,而公开信息没有说明它走的是哪一条。

第一条是把求解域切成 patch,像视觉 Transformer 处理图像那样处理物理场。优点是能复用成熟的大模型训练技术;缺点是 patch 边界会损失连续性,对复杂几何的贴合度差,且注意力复杂度随 patch 数平方增长。

第二条是物理感知的 tokenization,即按物理结构切分,不按规则网格。2024 年的 Transolver 是代表:它把离散点按物理状态切片(slicing),在切片上做注意力,把复杂度从网格量的平方降到近似线性,同时保留全局耦合能力。这条路线在学术界表现最好,也是本站点收录 Transolver 相关论文的原因。

第三条是用 Transformer 替代求解器中的某个子步骤(如线性求解、预条件),不需端到端替代整个流程。这条路线与 Nastorg 的 GNN 泊松求解器工作最接近,工程上更稳妥,但很难支撑「秒级全装配仿真」的叙事。

三条路线的技术含量、可验证性与商业含义差别很大。公司宣称 Transformer 但未披露架构细节,外部无法判断它属于哪一类。这是评估中最关键的证据缺口。

1000 倍与 50000 倍:两级主张的性质差异

1000 倍被表述为「已在 Safran 组织的工业基准上演示」。需要追问的细节包括:对照的求解器是哪一个(自研?开源?商用?)、问题规模(网格量、自由度)、保真度的定义与量化(相对误差、关键物理量的偏差)、硬件配置(GPU 型号与数量、是否对比同等硬件)、以及基准是否可复现。这些信息全部缺失,因此 1000 倍只能作为「方向性证据」,不能作为性能结论。

从工程常识看,1000 倍加速在特定条件下是可达的。如果对照的是高保真瞬态 CFD 的完整流程(含网格生成与多次迭代),而代理模型一次前向推理就出结果,两个数量级的差距并不夸张。但这种对比有「不公平」的成分:代理模型的精度上限由训练数据决定,它在训练分布内可以很快,在分布外可能失效,而求解器在任何输入上都会给出可复现的结果。真正公平的对比应该是「在同等精度下比较耗时」,而这需要明确的误差指标。

50000 倍是公司明确称为「清晰路径」的目标,不是实测。这个数字的逻辑基础可以推测:全装配问题的求解成本随部件数量与耦合复杂度超线性增长,而代理模型的推理成本随装配规模近似线性(甚至可以通过批处理摊薄),两者相除会得到一个随规模放大的倍数。这个论证在数学上成立,但前提是模型能在全装配尺度上保持精度——而这恰恰是最难的部分。

预训练的数据问题

物理基础模型最大的工程障碍是数据。语言模型可以从互联网抓取万亿 token,物理模型的数据必须靠仿真生成或实验测量。要预训练一个跨行业(航空、国防、能源、电子、汽车)的通用模型,需要覆盖几何多样性、材料多样性、边界条件多样性、物理场耦合多样性的数据集,规模可能是数百万到数千万个算例。

这个数据集的构建成本极高,且存在「鸡生蛋」问题:生成数据要用传统求解器(正是它想替代的东西),而高保真求解的成本决定了数据规模的上限。业界的应对方式有三种:用低精度求解器生成大量数据(精度受限)、用高精度求解少量关键数据做校准(规模受限)、或用公开数据集(覆盖有限)。

公司没有披露训练数据的来源、规模与构成。600 万欧元的融资规模,按云 GPU 成本估算,大致够训练一个中等规模的模型并做若干基准演示,不足以构建跨行业的通用预训练语料。这是「预训练」叙事与融资规模之间的张力。

技术短板

第一,架构未文档化。没有白皮书、技术博客、模型卡或论文说明产品使用的具体架构。创始人的已发表工作是 GNN 与降阶模型,产品叙事是 Transformer,两者之间的桥梁没有公开。

第二,保真度定义缺失。「same fidelity」是核心主张,但没有量化指标。工程上「同等保真度」需要定义误差范数、关键物理量的容差、以及适用工况范围。

第三,泛化性未验证。跨六个行业(航空、国防、能源、电子、数据中心、汽车)的通用模型,需要证明在不同物理域(外流、内流、传热、结构)上都能工作。公开信息没有任何跨域验证。

第四,认证路径不明。航空与国防的仿真工具需要满足适航与军标要求,通常需要大量的验证与确认(V&V)文档。AI 模型的「黑箱」特性与认证体系的可解释性要求存在结构性冲突,这是所有 AI 仿真公司共同面对的障碍。

产品与商业化

产品状态

截至 2026 年 10 月,公司没有公开的具名产品。官网(npco.ai)提供的是公司介绍与招聘信息,没有 API 文档、没有交互演示、没有模型卡、没有定价页、没有部署包说明。

对外披露的路线图分两段。近中期是「预训练物理基础模型」本身,部署在客户基础设施上(含本地化部署,这对数据主权敏感的航天、国防、能源客户是关键卖点)。较长期是两个方向:一是自动化设计工具(生成优化后的架构方案),二是面向工业基础设施的实时运行仿真器(把仿真从设计阶段延伸到运营阶段,做数字孪生)。

「实时运行仿真器」这个方向值得注意。它意味着公司不只卖设计工具,还想进入运营侧——用代理模型替代在线仿真,支撑实时优化与异常检测。这个市场的客户价值更高(运营决策的时效性强),但要求模型在长期运行中保持稳定,且要处理传感器数据与模型的对齐问题。

商业模式的未知

商业模式没有披露。可能性有四:软件许可(按席位或按算力)、SaaS(按调用量)、本地设备( appliance,适合国防客户)、项目制服务(按项目交付)。

这四种模式的毛利结构与扩展速度差异很大。许可与 SaaS 毛利高、可复制;本地设备单价高但交付重;项目制服务毛利低且难规模化。公司主张「预训练、无需逐客户训练」,逻辑上指向许可或 SaaS(因为不需要为每个客户投入工程资源),但这只是推断。

客户与合作的边界

Safran 是唯一被点名的工业伙伴,角色是「组织基准」。新闻稿没有说 Safran 是付费客户,也没有说双方有采购关系。把 Safran 当作客户是常见的误读——它目前只能算「技术验证的合作方」。

这个区别在尽调中很重要。基准组织者提供的是场景与数据,客户提供的是钱。前者证明技术有人愿意看,后者证明有人愿意买。

定价与市场进入策略

定价未披露。目标行业列出六个:航天、国防、能源、电子、数据中心、汽车。这个列表的宽度本身就是风险信号——一家预种子公司同时瞄准六个行业,说明还没有找到最小可行市场。

对比同赛道的公司:Emmi AI 聚焦航空与汽车,Jua 聚焦能源,PhysicsX 聚焦航空与汽车。聚焦是早期公司的常态,广度通常出现在有能力同时交付多个行业的成熟阶段。NP Co. 的广度更可能是「技术通用性」的表述,不是「市场进入策略」。

竞争格局

AI 原生仿真的梯队

NP Co. 是这一梯队里阶段最早的一家。可对照的公司分三类。

第一类是已出货或可演示、资金充裕的同行:PhysicsX(C 轮 3 亿美元)、Vinci AI(B 轮 2.5 亿美元)、Luminary Cloud(B 轮 7,200 万美元)、Neural Concept(累计约 1.38 亿美元,CAD 原生的图神经网络路线)、BeyondMath、SimScale、Rescale。这些公司有产品、有客户、有收入(部分),NP Co. 三者皆无。

第二类是叙事直接重叠的:Emmi AI(奥地利)面向同样的航天、汽车、半导体垂直领域做物理 AI 模型,2026 年 5 月 19 日被 Mistral AI 收购。NP Co. 实质上进入的是 Mistral 刚刚吸收的那个赛道。

第三类是平台巨头的插件化 AI:Ansys(SimAI)、Siemens(Simcenter PhysicsAI)、Dassault(SIMULIA)、Cadence、COMSOL。它们的优势是既有装机基盘与验证数据,AI 作为附加功能销售;劣势是架构包袱(桌面时代的产品要适配云与 GPU)。

与 Emmi AI 的正面对照

Emmi AI 是最直接的对照。它同样做物理 AI 模型,同样瞄准航空与汽车,同样强调「用 AI 加速仿真」,且已被 Mistral 收购获得资源。两者的差异可能在技术路线(Emmi 的做法未公开细节)与商业阶段(Emmi 有客户)。

NP Co. 的差异化主张是「预训练、无需逐客户训练」。如果这一点成立,它在交付效率上优于需要定制训练的同行;如果不成立,它与 Emmi 的差异就只剩品牌与团队。

Mistral 联合创始人投资竞品的悖论

时间线值得记录:2026 年 5 月 19 日 Mistral AI 收购 Emmi AI;13 天后(6 月 2 日)Mistral 的两位联合创始人 Guillaume Lample 与 Cédric O 以个人身份投资 NP Co.——同一赛道的竞争对手。

三种解读并存。第一种是市场足够大,容得下多条技术路线,个人投资不构成战略冲突。第二种是个人天使投资与企业并购在决策上分离,属于对前沿方向的个人对冲。第三种是 Inria 渊源与创始人信任——Lample 与 Menier、Nastorg 同属法国 AI 研究网络。

Menier 给了一个务实说法:Emmi 当时在探索选项,而 NP Co. 并不在市场上,刚走出自己的融资轮。这个解释合理,但没有消除结构上的疑问:如果 Emmi 的技术路线被 Mistral 认可,那么 NP Co. 的路线是补充还是替代?公开信息无法回答。

中国与欧洲的对照

欧洲的 AI 仿真初创普遍从「学术方法 + 深科技基金」起步(Partech、Eurazeo、HV Capital),中国的同类公司更多从「国产替代 + 产业资本」起步(如适创、舜云、十沣)。两条路径的差异在验证方式:欧洲公司先做基准与论文,再找客户;中国公司先在客户项目里落地,再补论文。

NP Co. 属于典型的欧洲路径:先有 NeurIPS 论文与 Inria 背景,再有 Partech 的投资,产品与客户在后。这条路径的优势是技术信誉建立快,劣势是商业验证慢。

融资与资本结构

轮次与投资人

600 万欧元天使前轮,2026 年 6 月 2 日宣布,Partech 领投。Partech 总部巴黎,在柏林、达喀尔、迪拜、内罗毕、旧金山设有办公室,管理资产接近 30 亿欧元,投资组合 220 家公司,覆盖 40 个国家。它 40 年前成立于旧金山,是欧洲深科技的主要玩家之一。

跟投方包括标致家族办公室(Peugeot family office)与四位天使:Guillaume Lample、Cédric O(Mistral AI 联合创始人)、Florian Douetteau(Dataiku 创始人)、Vincent Luciani(Artefact 创始人兼 CEO)。这个 cap table 的信号价值很高:它把法国 AI 与数据生态的四位代表人物聚到了一起,对后续融资与人才招聘有实际帮助。

资金用途

官方表述是:扩充研究团队、持续开发基础模型;较长期投入自动化设计工具与工业基础设施实时运行仿真器。同时公司在招聘 AI 研究者与具备物理工程背景的工程师。

按 600 万欧元、巴黎的研发人力成本(资深 AI 研究员年薪 8 万至 15 万欧元,加社保与设备)估算,这笔钱大致支撑 15 至 25 人的团队 18 至 24 个月,或 10 人左右的团队 3 年。第三方企业目录给出的规模区间是 11–50 人,与这一推算量级一致。考虑到还要支付 GPU 训练成本,实际可持续时间更短。

融资规模与「基础模型」的张力

这是本报告最想强调的一点。训练一个物理基础模型的核心成本是算力与数据生成:算力方面,中等规模模型的预训练可能需要数十万到数百万 GPU 小时;数据方面,生成数百万个高保真算例的成本可能超过算力本身。

600 万欧元在任何一项上都显得紧张。可能的解释有三种:一是公司的「基础模型」规模远小于语言模型(物理场的自由度低,模型可以小得多);二是训练数据来自公开数据集与合作方(如 Safran 提供的基准数据),自建成本低;三是本轮只是种子期,真正的模型训练要靠下一轮。

三种解释都可能成立,但它们对应完全不同的风险轮廓。如果是一,技术门槛可能被低估;如果是二,数据依赖会成为软肋;如果是三,公司需要在 12 至 18 个月内证明「预训练可行」才能拿到下一轮。

估值与退出

估值未披露。按欧洲 pre-seed 的典型区间(投后 1,500 万至 3,000 万欧元)与 600 万欧元的融资额推算,稀释比例在 20% 至 40% 之间,属于正常范围。

退出路径可能是被并购(对象包括 Ansys、Siemens、Dassault、Cadence、Synopsys,或云厂商、Mistral 这类 AI 公司)或独立成长。考虑到仿真软件行业的整合趋势(Siemens 收购 Altair、Synopsys 收购 Ansys、Keysight 收购 ESI),被并购是更现实的路径。

DISCREPANCIES

1. 阶段口径与平台枚举缺口。 公司与 Partech 新闻稿称本轮为「pre-seed(天使前轮)」;部分数据库记为 Seed;本站点 phase 枚举不含 pre-seed,入库记为 seed。属分类口径差异,非事实冲突。本报告以 600 万欧元 pre-seed 为事实基准,正文保留「天使前轮」表述。来源等级:OFFICIAL(Partech 新闻稿)优于数据库录入口径。

2. 融资额的币种与数值。 官方口径为 600 万欧元(Partech 新闻稿);次级源写作 600 万美元(按汇率近似)或 700 万美元(Gaebler 取整或与其他轮次混用)。美元数字没有标注汇率时点,无法与欧元并表。本报告采用 600 万欧元。来源等级:OFFICIAL 优于次级源。

3. 1000 倍加速缺少方法学。 公司称「已在 Safran 组织的工业基准上演示 1000 倍加速」,但未披露对照求解器、问题规模、保真度指标、硬件配置与基准可复现性。本报告将其标注为厂商宣称(vendor claim),不作为已证实的性能数字。来源等级:公司新闻稿(OFFICIAL 但自我评测)。

4. 50000 倍是目标,不是实测结果。 公司表述为「在全装配问题上有清晰的 50000 倍路径」,属愿景型陈述,与 1000 倍的「已演示」层级不同。媒体在转述时容易把两者并列成「已实现」。本报告在摘要与技术分析中明确区分两级。来源等级:OFFICIAL(公司原话)。

5. Safran 的角色是基准组织者,不是客户。 新闻稿称基准「由 Safran 组织」,未确认其为付费客户,也未披露采购关系。部分解读把 Safran 当作客户。本报告将 Safran 限定为「技术验证合作方」。来源等级:OFFICIAL(新闻稿措辞)。

6. 「诞生于 Inria」缺少法律文件。 公司表述为「emerged from Inria」,新闻稿把 Inria 描述为孵化 Mistral 等公司研究院。但公开信息没有 IP 转让、许可协议或正式分拆条款。本报告区分「人才与文化渊源」与「法律意义上的技术转移」。来源等级:OFFICIAL(叙事)与文件缺失。

7. Mistral 联合创始人投资竞品的时间悖论。 Mistral 于 2026 年 5 月 19 日收购 Emmi AI;13 天后 Lample 与 Cédric O 个人投资 NP Co.(同赛道竞品)。时间线为 OFFICIAL;投资性质为个人天使,与企业战略分离。两种事实并存,不做抹平,也不推断为「Mistral 授意」。来源等级:OFFICIAL(时间线)与 MEDIA(解读)。

8. 「Augur」曾用名未证实。 仅一家中文二手源称公司前身以「Augur」之名低调运营;英文与官方源均无佐证。本报告不将其写入事实基准。来源等级:UNVERIFIED。

9. 模型族命名口径。 公司自述与 2026 年 6 月新闻稿使用「预训练物理基础模型」,公司侧与生态渠道使用正式族名 GEMs(Generalized Engineering Models)。两者指向同一族模型,一个偏产品族命名,一个偏功能性描述。本报告在技术与产品章节并列保留这两个说法,不归并为单一标签。来源等级:OFFICIAL(公司口径)叠生态命名记录。

10. French Tech 2030 入选的性质与时点。 第三批名单于 2026-10-16 经媒体转述披露;官方页面列出 80 家深科技企业、其中 AI 类 11 家,NPco 在 AI 类。入选方获得一年期非资金类国家支持,该工作组年度经费由 680 万欧元降至 180 万欧元。入选不等于获得资金,公开信息未披露 NPco 获得的具体支持内容。来源等级:OFFICIAL(政府页面)叠 MEDIA(转述报道)。

11. Heartbeat 短名单与人数口径。 Heartbeat 2026 短名单于 2026-10-12 公布,从欧洲 10000 余家受筛企业中选出 10 家,NPco 是其中唯一入选者。生态渠道使用的品牌名为 NPco,第三方企业目录给出 11–50 人的规模区间,公司未披露人数。「唯一」只针对这一次短名单事件,不作为公司层面的唯一性判断。来源等级:MEDIA 与第三方目录条目。

风险与尽调缺口

其一,预产品、预营收。 没有客户、没有定价、没有 API、没有模型卡。全部加速比与保真度宣称都是厂商陈述。对一家 2025 年成立的公司这是常态,但意味着无法用任何商业指标交叉验证技术主张。

其二,架构与已发表工作的断层。 创始人的同行评审工作是图神经网络、降阶模型与泊松求解器加速;产品叙事是 Transformer 端到端仿真。两者之间没有公开的桥梁(白皮书、架构图、训练数据说明)。这个断层是最大的技术不确定性。

其三,训练数据的来源与规模未披露。 物理基础模型的核心资产是数据,而数据的获取成本决定了模式的可行性。600 万欧元的融资规模与「跨六行业通用模型」的主张之间存在张力,需要公司在下一轮前给出解释。

其四,保真度的定义缺失。 「same fidelity」是核心卖点,但没有误差指标、适用工况范围与失效边界的说明。工程客户采购仿真工具时,第一个问题就是「结果可不可信」,这个问题的答案目前不存在于公开信息中。

其五,认证与验证门槛。 航天与国防的仿真工具需要通过适航或军标的验证与确认,AI 模型的可解释性、可追溯性与认证体系存在结构性冲突。公司没有披露任何认证路径。

其六,广度过宽的市场定位。 同时瞄准航天、国防、能源、电子、数据中心、汽车六个行业,对一家预种子公司意味着资源分散。早期公司通常需要一个最小可行市场来验证产品,NP Co. 的定位更像技术通用性的表述。

其七,团队规模与人才竞争。 公司称「正在招聘」,公司未披露人数;第三方企业目录给出的规模区间是 11–50 人,属目录口径。巴黎的 AI 人才竞争激烈(Mistral、Dataiku、Artefact 与各大实验室都在抢人),初创公司要靠股权与使命吸引资深研究员,成本高。

其八,单一投资方依赖。 Partech 领投且是唯一机构投资方,其余为家族办公室与天使。这意味着下一轮的定价与背书在很大程度上取决于 Partech 是否继续加注。

综合评分

技术维度给 6.5 分。创始人的学术底色扎实(Nastorg 的 GNN 泊松求解器、Menier 的降阶模型与工业代理模型经验),「预训练物理基础模型」的论点自洽且有明确的产业价值,Transformer 用于 PDE 的技术路线在学术上有依据(Transolver 一类工作)。扣分项是架构未文档化、已发表工作与产品叙事的断层、保真度定义缺失、跨域泛化未验证。

商业维度给 3.5 分。目标市场明确(六个行业的仿真瓶颈真实存在),「预训练、免逐客户训练」若成立会带来更好的毛利结构,实时运行仿真器的长期方向有想象空间。扣分项是预产品、预营收、无客户、无定价、无商业模式披露、市场定位过宽。

财务维度给 6 分。600 万欧元 pre-seed 由 Partech 领投,cap table 含四位法国 AI 与数据生态的代表人物,信号价值高;资金用途清晰(扩团队、开发基础模型)。扣分项是绝对金额小、与「基础模型」的资金需求存在张力、单一机构投资方依赖。

产品维度给 3 分。没有任何公开产品形态:无 API、无演示、无模型卡、无定价、无部署包。路线图(自动化设计工具、实时运行仿真器)方向合理但离交付远。扣分项是产品证据的完全缺失。

市场维度给 7 分。工程仿真是一个大市场(第三方估算 2030 年约 300 亿美元),AI 原生仿真正在从概念走向产品(同行的融资与并购证明了资本认可),欧洲的深科技生态与法国 AI 人才供给提供土壤。扣分项是巨头与资金充裕的同行的先发优势、认证门槛、以及「替代求解器」这个叙事需要极长时间验证。

综合 5.3 分。这是一场高信念、低证据的押注。上行逻辑依托可信的创始人、自洽的论点、强信号的 cap table 与庞大的市场;下行逻辑是架构未经文档化、加速宣称无方法学、公司处于预产品状态,而 Ansys、Siemens、Dassault 与 PhysicsX、Neural Concept、Emmi AI 已经在出货。对物理 AI 的判断是:它押注的方向(预训练物理基础模型替代逐客户训练)是这条赛道最有价值也最难实现的一步,如果成功,商业含义远超「更快的求解器」;但在当前证据水平下,它更像一个「团队与论点」的投资,不是「技术与产品」的投资。

参考资料

  1. Partech 新闻稿《NP CO RAISES €6M PRE-SEED TO BRING FRONTIER AI TO INDUSTRIAL ENGINEERING, BACKED BY MISTRAL AI FOUNDERS》(2026-06-02):600 万欧元天使前轮,Partech 领投,标致家族办公室与 Guillaume Lample、Cédric O(Mistral AI 联合创始人)、Florian Douetteau(Dataiku 创始人)、Vincent Luciani(Artefact 创始人兼 CEO)参与;公司 2025 年由 Emmanuel Menier 与 Matthieu Nastorg 创立,二人为巴黎-萨克雷大学 AI for simulation 方向博士,出身 Inria;核心技术为预训练于工业物理的 Transformer 模型;宣称在 Safran 组织的工业基准上演示 1000 倍加速,并有通往全装配 50000 倍的清晰路径;资金用于扩充研究团队与基础模型开发,较长期投入自动化设计工具与工业基础设施实时运行仿真器;服务行业含航天、国防、能源、电子、数据中心、汽车
  2. 同一新闻稿的创始人表述:Menier 称「工程是 AI 的下一个前沿,不是下一个聊天机器人」,认为数十年来工业设计的瓶颈是仿真环节;Nastorg 称「我们不是要做现有工具的更快版本」,预训练基础模型让人在原本跑一次仿真的时间里探索数千个设计
  3. Partech 机构信息(同一新闻稿):总部巴黎,办公室在柏林、达喀尔、迪拜、内罗毕、旧金山;管理资产接近 30 亿欧元;投资组合 220 家公司,覆盖 40 个国家、四大洲;40 年前成立于旧金山
  4. 融资记录(The SaaS News,2026-06):NP Company 完成 600 万欧元 pre-seed,Partech 领投,标致家族办公室与四位天使参与;资金用于扩展物理仿真模型的 Transformer 技术开发与团队建设;公司 2025 年由 Menier 与 Nastorg 创立,二人为 Inria 与巴黎-萨克雷大学研究者
  5. 融资记录(Startup.eu):巴黎公司、Inria 分拆(spun out of Inria)表述;600 万欧元 pre-seed;Partech 领投;投资方含标致家族办公室与 Lample、Cédric O、Douetteau、Luciani;资金用途含研究团队扩张、基础模型开发、自动化设计工具与实时运行仿真器
  6. 融资记录(EU Information Service):确认 600 万欧元 pre-seed 与投资方名单;确认公司服务航天、国防、能源、电子、数据中心、汽车六个行业;确认技术为预训练于工业物理数据的 Transformer 模型,宣称在工业基准上最高 1000 倍加速,并继续开发更大规模装配仿真
  7. 融资记录(InforCapital,2026-06-02):轮次类型 Pre-Seed、金额 600 万美元(按欧元近似);关联公司列 NP Company、Mistral AI、Safran、Dataiku、Artefact、Inria、巴黎-萨克雷大学;称早期演示显示最高 1000 倍加速,并有通往 50000 倍全装配的轨迹
  8. 创始人学术工作:M. Nastorg 等《DS-GPS: A Deep Statistical Graph Poisson Solver for faster CFD simulations》(NeurIPS 2022 ML4PS;arXiv:2211.11763);《An Implicit GNN Solver for Poisson-like problems》(2023);《Multi-Level GNN Preconditioner for Solving Large Scale Problems》(2024)
  9. 创始人履历:Emmanuel Menier 个人主页(emenier.com),博士期间在 Inria 与 IRT SystemX(2020–2024),此前在液化空气集团(2019–2020)任研究工程师,为制氢装置仿真构建代理模型;研究聚焦降阶模型与机器学习—CFD 混合方法
  10. 行业背景(公开资料):工程仿真市场规模第三方估算 2030 年约 300 亿美元(Dealroom);AI 原生仿真赛道的主要公司含 PhysicsX(C 轮 3 亿美元)、Vinci AI(B 轮 2.5 亿美元)、Luminary Cloud(B 轮 7,200 万美元)、Neural Concept(累计约 1.38 亿美元)、BeyondMath、SimScale、Rescale
  11. 并购与整合背景(公开资料):Mistral AI 于 2026-05-19 收购 Emmi AI(奥地利,面向航天、汽车、半导体的物理 AI 模型);Siemens 收购 Altair、Synopsys 收购 Ansys、Keysight 收购 ESI、Autodesk 收购 NAVASTO、CoreWeave 收购 Monolith AI,反映仿真行业整合趋势
  12. 技术背景(公开资料):Transformer 用于偏微分方程的主流路线包括 patch 化处理、物理感知 tokenization(如 Transolver 的切片注意力,把复杂度从网格量平方降到近似线性)与替代求解器子步骤三类;物理基础模型的主要障碍是训练数据需靠仿真生成、几何与网格的 tokenization 未标准化、跨物理域泛化难;AI 仿真在航空与国防的认证面临可解释性与 V&V 文档的结构性冲突
  13. 法国政府官方页 lafrenchtech.gouv.fr「French Tech 2030」第三批名单:共列 80 家深科技企业,其中 AI 类 11 家,NPco 在 AI 类;入选方获得一年期非资金类国家支持,该工作组年度经费由 680 万欧元降至 180 万欧元
  14. SeedOps 报道(2026-10-12):NPco 入选 Cherry Ventures「Heartbeat 2026」短名单,从欧洲 10000 余家受筛企业中选出 10 家,NPco 为唯一入选者;同一条目记录了模型族的 GEMs 命名
  15. NPco / NP Company 的第三方企业目录条目:品牌名 NPco,规模区间 11–50 人(第三方目录口径,非公司披露)
  16. French Tech 2030 第三批名单的媒体转述报道(2026-10-16):第三批名单披露,以及 NPco 在 AI 类中的位置

本报告依据公开资料整理,不构成投资建议。公司未上市且处于预产品阶段,全部性能宣称均为厂商陈述,未经独立验证;融资与团队数据来自新闻稿与第三方数据库,冲突处已标注裁定依据。数据截至 2026 年 11 月 2 日。

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。