数智脉进深度调研:深圳 SNN+LBM 全栈自研 CFD 初创,宣称消费级硬件秒级出数亿网格结果,获财政部下属基金数千万天使轮,规划迁核心算法至 FPGA
深圳 AI+物理 CFD 初创,2025-06 成立;以 SNN+LBM 全栈自研融合,宣称消费级硬件秒级出数亿网格、相对误差 0.01%–0.5%;FlowStudio 已发布,2026-03 获中财财投(财政部下属)数千万天使轮。
执行摘要
数智脉进(数智脉进人工智能基础技术研究(深圳)有限公司)2025 年 6 月成立于深圳,入驻南山清华信息港国家级孵化器,由国家「千人计划」专家牵头,核心团队有近十年底层算法研发积累。2026 年 3 月至 4 月,公司宣布完成数千万元天使轮融资,由中财财投(湖南)私募基金管理有限公司独家投资——该机构是财政部下属中财金控投资有限公司旗下的专业投资平台,投资策略聚焦「解决关键技术进口替代」的企业。
技术主张是把脉冲神经网络(SNN)与格子玻尔兹曼方法(LBM)深度融合,构建「AI + 物理」的 CFD 模型。公司的三个核心宣称是:极速(消费级硬件上处理数亿量级网格仅需数秒)、超高精度(相对误差 0.01%–0.5%,行业常规为 3%–5%)、全自主可控(从底层 SNN 算子、LBM 模型到上层应用 100% 自研,不依赖第三方商业库)。
产品是 FlowStudio「流、噪模组」,一款汽车空气动力学仿真软件:把复杂 CFD 能力封装成易用工具,支持在普通笔记本上「秒级出结果」,并把稳态与瞬态分析集成到单一模型中。应用场景已覆盖汽车风阻优化与数字风洞,公司称与头部车企达成战略合作,盲测结果与风洞试验数据高度吻合。
路线图上还有两步:一是把核心算法向 FPGA 等专用硬件迁移,配套完整的软硬件开发平台,构建「流体计算核心硬件模块」的开放开发生态(公司类比为工业仿真领域的 CUDA 生态);二是按「2025-2026 项目计划」,在 2026 年实现 CPU 通用版本与基于 FPGA 的高性能版本的产品化交付。可拓展方向包括航空航天(高超音速)、能源电力(水电、电网)、石油石化(长输管线)、轨道交通(高铁横风、隧道、汇车)、核电(冷却系统)与新能源电场气候建模。
物理 AI 视角下,数智脉进的位置是「用非常规 AI 重写 CFD 的求解内核」。它不做代理模型(不替代求解、用数据拟合输入输出),也不做工作流编排(如 Navier),而是试图用 SNN + LBM 这个组合,在物理层面重构求解过程。这个定位的野心比代理模型大,技术风险也更高。
需要提前说明判断:这是一家「技术宣称极强、验证证据极少」的早期公司。它的三个宣称如果成立,都是代际领先级别的突破——0.01% 的相对误差优于大部分学术基准,消费级硬件秒级处理数亿网格意味着算力需求的量级下降,100% 自研则解决了「卡脖子」问题。但这些宣称目前只有公司口径与「盲测与风洞数据吻合」的定性描述,没有第三方复现、没有公开基准、没有论文。评估它的关键不是「SNN + LBM 有没有道理」(有学术依据),而是「0.01% 的误差是在什么问题上测的、消费级硬件的秒级是在什么规模上测的」。
公司概览
起点与团队
公司 2025 年 6 月成立,总部深圳,入驻南山清华信息港国家级孵化器。创始人由国家「千人计划」专家牵头(具体姓名未公开),核心团队有近十年底层算法研发积累,技术成果称经国际知名汽车品牌与国产新能源头部车企项目验证。
「近十年底层算法积累」这个表述值得注意:它暗示技术不是 2025 年才开始做的,而是团队在此前的学术或工业研究中已经积累多年,2025 年成立公司是为了商业化。这在硬科技创业里常见(技术成熟后再创业),也解释了为什么一家成立不到一年的公司能拿出「100% 自研的 SNN + LBM 栈」。
「非经典 AI」的定位
公司在多份材料里强调「人工智能(非经典 AI 算法)」。这个措辞的含义是:它用的不是当前主流的 Transformer/大模型路线,而是脉冲神经网络(SNN)——一种模拟生物神经元脉冲发放机制的神经网络。
这个定位有技术含义也有叙事含义。技术上,SNN 的特点是「事件驱动」(只在神经元发放脉冲时计算),理论上能耗低、适合神经形态硬件;叙事上,「非经典 AI」让它在「大模型同质化」的环境里有差异化,也契合「自主可控、不依赖国外框架」的政策叙事。
融资与投资方
数千万元天使轮,中财财投独家投资。中财财投是财政部下属中财金控的平台,投资策略聚焦「关键技术进口替代」与「卡脖子」难题。这个投资方的含义是:公司的价值不完全按财务回报衡量,也承担「国产替代」的产业任务。
独家投资(不是多家合投)说明两点:一是金额不大,一家机构可以独立承担;二是投资方对项目的控制力较强。
技术分析
为什么用 LBM 不是传统 CFD
传统 CFD 的主流方法是有限体积法(FVM):把计算域离散成网格单元,在每个单元上求解 Navier-Stokes 方程的积分形式。这套方法成熟、验证充分,但在复杂几何与多相流场景有网格生成的困难。
格子玻尔兹曼方法(LBM)是另一条路线:不直接求解宏观方程,而是模拟流体粒子的介观分布函数,通过碰撞与迁移两个步骤演化,宏观量(密度、速度)由分布函数的矩得到。LBM 的优势是:边界条件处理简单(尤其复杂几何)、天然并行(每个格点独立演化)、适合多相流与多孔介质。劣势是:可压缩性与高雷诺数的稳定性问题、内存开销大(每个格点要存多个方向的分布函数)。
选 LBM 的理由很清楚:汽车外气动是「复杂几何 + 中等雷诺数」的问题,LBM 在复杂几何上的边界处理优势正好匹配。这也是为什么商用 LBM 软件(如 PowerFLOW)在汽车气动领域有稳固地位。
SNN 与 LBM 结合的技术含义
把 SNN 与 LBM 结合,可能的技术路径有三种。
第一种:用 SNN 替代 LBM 的碰撞算子。LBM 的碰撞步骤是局部的、非线性的(BGK 模型或更复杂的碰撞模型),可以用神经网络学习「分布函数 → 碰撞后分布函数」的映射。SNN 的事件驱动特性与碰撞的局部性匹配。
第二种:用 SNN 做网格自适应或子网格建模。在网格粗化的区域,用神经网络补偿未解析的物理(类似 LES 的亚格子模型)。
第三种:用 SNN 做多尺度耦合。LBM 在细网格上算,SNN 在粗网格上学习修正。
三种路径的技术难度与效果差异很大。公司没有披露具体采用哪种。这是一个关键缺口——因为「SNN + LBM」这个组合本身不是新想法(学术界有相关论文),真正的创新在于「如何结合」与「结合后的性能」。
误差 0.01% 的解读
「相对误差 0.01%–0.5%」是一个极强的宣称。作为参照:商用 CFD 在汽车外气动上的验证精度通常在 3%–5%(与风洞对比),学术基准(如 Ahmed body、DrivAer)的误差也在这个量级;风洞本身的测量不确定度约 1%–2%。
如果 0.01% 是在「与另一个仿真对比」不是「与实验对比」的意义上成立,那它只证明「两个求解器算得一样」,不证明「算得对」。如果 0.01% 是与风洞实验对比的误差,那它低于风洞本身的测量不确定度,需要非常严格的实验条件(如高精度风洞、精细的边界条件复现)才可能达到。
公司没有说明「误差」的基准是什么(实验?高保真仿真?解析解?)、在什么工况上测的、误差范数是什么(L2?最大偏差?积分量?)。这三个信息缺失,使 0.01% 无法被正确解读。
消费级硬件秒级的技术含义
「消费级硬件上处理数亿量级网格仅需数秒」是另一个强宣称。作为参照:数亿网格的 CFD 在超级计算机上通常需要数小时到数天;即使用 GPU 加速,也需要数十分钟。
如果真的能在笔记本上秒级完成,意味着计算效率提升了 3 至 4 个数量级。这可能是三种情况的组合:一是 LBM 的天然并行性在 GPU 上效率高;二是 SNN 的事件驱动特性减少了不必要的计算;三是模型可能做了简化(如稳态假设、降阶、或代理模型替代部分求解)。
这里的口径问题与误差问题类似:「数亿网格」是网格量还是自由度?「秒级」是单步还是收敛?「消费级硬件」是什么配置(笔记本的核显?还是带独显的工作站)?这些细节决定了宣称的可信度。
100% 自研的边界
「从底层 SNN 算子、LBM 模型到上层应用 100% 自研,不依赖第三方商业库」是一个有价值的宣称(尤其对国产替代场景),但需要区分「自研」与「不依赖商业库」:很多开源库(如 PyTorch、CUDA)是免费的但非自研,如果公司基于 PyTorch 实现 SNN,那「100% 自研」指的是算法不是框架。
FPGA 迁移的逻辑
把算法迁移到 FPGA 是一个有意思的方向。FPGA 的优势是「可定制的数据通路 + 低功耗」,适合 SNN 的事件驱动计算(稀疏的脉冲发放不需要密集的矩阵乘法)。如果算法真的适合 FPGA,那么「消费级硬件秒级」的宣称就有了硬件基础。
但 FPGA 开发成本高(需要硬件工程师、需要针对具体算法优化)、可移植性差(不同 FPGA 型号要重新适配)、生态弱(不像 GPU 有 CUDA 这样的成熟生态)。公司计划「构建 CUDA 式的开放生态」,这是一个十年期的目标,短期内难以实现。
技术短板
第一,验证证据缺失。没有论文、没有公开基准、没有第三方复现。
第二,SNN 训练的成熟度。SNN 的训练比传统神经网络难(脉冲不可微,需要 surrogate gradient 等技巧),在工业级精度要求下能否稳定训练,是公开的学术难题。
第三,LBM 的固有局限。高雷诺数、可压缩性、强湍流场景下 LBM 的稳定性与精度不如 FVM,汽车外气动虽属中等雷诺数,但真实车辆(含旋转轮、复杂尾流)的湍流仍是挑战。
第四,产品成熟度。FlowStudio 已发布,但没有公开的用户数、客户案例细节、与商用软件的对比测试。
产品与商业化
FlowStudio 的产品形态
FlowStudio「流、噪模组」是汽车空气动力学仿真软件,两个模组分别对应「流动」(外气动、风阻)与「噪声」(气动噪声)。产品特点是把 CFD 封装成易用工具(普通笔记本可用、秒级出结果)、稳态与瞬态集成在单一模型。
「稳态 + 瞬态单一模型」这个设计有工程价值:传统 CFD 工具通常把稳态(RANS)与瞬态(LES/DES)分开,用户要在两个工作流之间切换;集成在一个模型里意味着用户可以先用稳态快速看趋势,再切到瞬态看细节,不必重建模型。
客户与验证
公司称与头部车企达成战略合作,盲测结果与风洞试验数据高度吻合。「盲测」这个词有分量——如果真的是「不知情的情况下预测,再与实验对比」,那比「调参后对比」可信得多。但公司没有披露:哪家车企、什么车型、什么工况、误差多少。
商业模式
商业模式未披露。可能是软件许可(按席位)、云服务(按算力/次数)、或项目制(仿真服务)。从「普通笔记本秒级」的定位看,它更可能是本地软件许可(因为不需要云端算力),这对客户有吸引力(数据不出域、无网络依赖)。
路线图与交付承诺
公司承诺 2026 年交付 CPU 通用版本与基于 FPGA 的高性能版本。这个承诺是可核验的里程碑——如果 2026 年底没有交付,说明技术进展不及预期。
竞争格局
CFD 市场的老牌对手
汽车外气动的商用软件包括 Fluent(Ansys)、STAR-CCM+(Siemens)、PowerFLOW(Dassault,LBM 路线)、CFX(Ansys)、以及开源 OpenFOAM。
数智脉进的差异化是「LBM + SNN + 消费级硬件」。PowerFLOW 已经证明 LBM 在汽车气动上的可行性,数智脉进的差异是用神经网络加速。
AI CFD 的新进入者
AI CFD 的竞争者分两类:代理模型类(PhysicsX、Vinci、Neural Concept、以及国内的适创、舜云)与求解器重写类(数智脉进、以及少数用 PINN 直接求解的公司)。
数智脉进属于第二类,风险更高但天花板也更高——如果它真的重写了求解内核,那它不是「更快的工具」,而是「不同的工具」。
与国产 CFD 的对照
国产 CFD 公司多在 FVM 路线上追赶(如十沣、云道),数智脉进选 LBM 是差异化路线。这条路线的好处是避开与 Fluent/STAR-CCM+ 的正面竞争(它们不做 LBM),坏处是 LBM 的生态与验证案例远少于 FVM。
融资与资本结构
天使轮
数千万元,中财财投独家投资。这个金额对一家成立不到一年的公司是充裕的(可支撑 30 至 50 人团队 18 至 24 个月,或更精简团队 3 年)。
资金用途
官方表述:深化「AI + 物理」核心技术研发、加速产品规模化应用交付、拓展多元产业生态;推进「2025-2026 项目计划」,2026 年实现 CPU 通用版与 FPGA 高性能版的产品化交付。
估值与收入
估值未披露,收入未披露。从天使轮阶段看,公司处于「产品已发布、客户在验证」的阶段。
DISCREPANCIES
1. 误差 0.01% 的基准缺失。 公司称相对误差 0.01%–0.5%,行业常规 3%–5%,但未说明误差的基准(实验?高保真仿真?解析解)、测试工况、误差范数。本报告在技术分析中提出「与仿真对比」与「与实验对比」两种解读。来源等级:公司宣称(UNVERIFIED)。
2. 「数亿网格秒级」的硬件与规模口径。 公司称消费级硬件处理数亿网格仅需数秒,但未说明「消费级硬件」的具体配置、「数亿网格」是网格量还是自由度、「秒级」是单步还是收敛。本报告标注口径不明。来源等级:公司宣称(UNVERIFIED)。
3. 「100% 自研」的边界。 公司称从 SNN 算子到应用 100% 自研、不依赖第三方商业库,但未说明是否基于开源框架(如 PyTorch)实现、是否使用 CUDA。本报告区分「算法自研」与「框架自研」。来源等级:OFFICIAL(表述)与缺失(细节)。
4. 投资方性质的表述。 公司称中财财投为「财政部下属中财金控投资有限公司旗下的专业投资机构」,媒体表述为「中字头」「国家级基金」。本报告采用公司口径。来源等级:OFFICIAL(公司表述)。
5. 融资额的「数千万」不精确。 公司称「数千万」,未给具体数字;不同媒体一致使用「数千万」。本报告采用「数千万元」并标注不精确。来源等级:OFFICIAL。
6. 客户与验证的细节缺失。 公司称与头部车企战略合作、盲测与风洞数据高度吻合,但未披露车企名称、车型、工况、误差数值。本报告标注为定性描述。来源等级:公司宣称(UNVERIFIED)。
7. 成立时间的表述。 公司称 2025 年 6 月成立,与工商信息一致。部分媒体称「2025 年」。本报告采用 2025 年 6 月。来源等级:OFFICIAL。
8. 创始人身份的披露。 公司称由国家「千人计划」专家牵头,但未公开创始人姓名与履历。本报告不推测。来源等级:OFFICIAL(表述)与缺失(姓名)。
风险与尽调缺口
其一,技术验证缺失。 所有性能宣称(误差、速度、精度)都没有第三方复现、论文或公开基准。这对一家技术驱动公司是最大的风险。
其二,SNN 的训练难度。 脉冲神经网络在工业级精度下的稳定训练是公开的学术难题,公司是否解决了,未见证据。
其三,LBM 的固有局限。 高雷诺数、强湍流、可压缩场景的稳定性与精度,是 LBM 路线的结构性挑战。
其四,FPGA 路线的执行风险。 FPGA 开发成本高、可移植性差,且公司承诺 2026 年交付,时间紧。
其五,客户验证的深度。 「头部车企战略合作」「盲测吻合」是定性表述,未披露客户是否付费、是否进入量产流程。
其六,单一场景依赖。 目前聚焦汽车外气动,扩展到航空航天、能源、核电需要不同的验证与认证。
其七,团队披露不足。 创始人姓名、核心团队构成未公开,难以判断技术能力的真实性。
综合评分
技术维度给 6.5 分。SNN + LBM 的组合有学术依据,LBM 在复杂几何上的优势与汽车外气动场景匹配,FPGA 迁移的方向符合 SNN 的事件驱动特性。扣分项是性能宣称无验证、SNN 训练难度、LBM 的固有局限。
商业维度给 5.5 分。FlowStudio 已发布,稳态+瞬态集成单一模型的设计有工程价值,本地软件形态(数据不出域)适合车企。扣分项是客户与收入未披露、定价未知、单场景依赖。
财务维度给 6 分。数千万元天使轮由中财财投独家投资,资金充裕度中等。扣分项是估值与收入未披露、后续融资依赖技术验证。
产品维度给 6 分。FlowStudio 的产品定义清晰(汽车气动 + 噪声、笔记本可用),但无公开用户数据与对比测试。扣分项是成熟度未验证、界面与体验未披露。
市场维度给 7 分。国产 CFD 替代是政策刚需、汽车气动是明确场景、财政部背景的投资方提供政策资源。扣分项是商用软件壁垒高、客户对新求解器极度保守、验证周期长。
综合 6.2 分。这是本轮里「技术野心最大、验证证据最少」的一家:它试图用 SNN + LBM 重写 CFD 的求解内核,如果成功是代际突破,如果失败则难以与成熟求解器竞争。它的短板是所有关键宣称都缺少可核验的证据。对物理 AI 的判断是:用非常规神经网络重写物理求解器是一条有想象力的路线,也符合「自主可控」的国家需求;但物理仿真的可信度建立在海量验证之上,一家成立不到一年的公司要证明「0.01% 误差」与「笔记本秒级」,需要公开基准、论文与第三方复现——这些目前都不存在。
参考资料
- 天使轮公告(2026-03-30 至 04-05,中国发展网、中国企业报、新华网广东站、中国新闻网):数智脉进完成数千万元天使轮融资,由中财财投(湖南)私募基金管理有限公司独家投资;资金用于深化「AI+物理」核心技术研发、加速产品规模化应用交付、拓展多元产业生态;推进「2025-2026 项目计划」,2026 年实现 CPU 通用版本与基于 FPGA 的高性能版本产品化交付
- 公司背景(同一批报道):成立于 2025 年 6 月,聚焦制造业智能化升级,以汽车行业为切入点;由国家「千人计划」专家牵头,核心团队有近十年底层算法研发积累,技术成果经国际知名汽车品牌与国产新能源头部车企项目验证;入驻深圳南山清华信息港国家级孵化器
- 技术宣称(同一批报道):创新性融合脉冲神经网络(SNN)与格子玻尔兹曼方法(LBM),构建「AI+物理」CFD 模型;极速(消费级硬件处理数亿量级网格仅需数秒)、超高精度(相对误差 0.01%-0.5%,行业常规 3%-5%,最高微米级空间精度)、强泛化(无需针对不同车型或场景额外训练)、全自主可控(从底层 SNN 算子、LBM 模型到上层应用 100% 自研,不依赖第三方商业库)
- 产品信息(同一批报道):已推出汽车空气动力学仿真软件 FlowStudio「流、噪模组」,将复杂 CFD 封装为易用工具,支持普通笔记本电脑「秒级出结果」,稳态与瞬态分析集成于单一模型;应用于汽车风阻优化、数字风洞,与头部车企达成战略合作,盲测结果与风洞试验数据高度吻合
- 生态规划(同一批报道):计划构建以「流体计算核心硬件模块」为基础的开放开发生态,将核心算法向 FPGA 等专用硬件迁移,配套完整软硬件开发平台,模式类比工业仿真领域的 CUDA 生态
- 可拓展方向(同一批报道):航空航天(高超音速)、能源电力(水力发电、电网优化)、石油石化(长输管线)、轨道交通(高铁横风、隧道、汇车)、核电(冷却系统)、新能源电场气候建模
- 投资方背景(同一批报道):中财财投为财政部下属中财金控投资有限公司旗下的专业投资机构,投资策略聚焦国家关键技术进口替代、重点赋能具备突破「卡脖子」难题能力的高科技企业
- 技术背景(公开资料):格子玻尔兹曼方法(LBM)模拟介观分布函数的碰撞与迁移,宏观量由分布函数的矩得到;优势是复杂几何边界处理简单、天然并行、适合多相流与多孔介质;劣势是可压缩性与高雷诺数稳定性、内存开销大;商用 LBM 软件(如 PowerFLOW)在汽车气动领域有稳固地位
- 技术背景(公开资料):有限体积法(FVM)是传统 CFD 主流,成熟、验证充分,但复杂几何网格生成困难;汽车外气动属「复杂几何 + 中等雷诺数」,是 LBM 的优势场景
- 技术背景(公开资料):脉冲神经网络(SNN)的事件驱动特性理论上能耗低、适合神经形态硬件;训练难度高于传统网络(脉冲不可微,需 surrogate gradient 等技巧);与 LBM 的结合可能路径含替代碰撞算子、子网格建模、多尺度耦合
- 技术背景(公开资料):商用 CFD 在汽车外气动上的验证精度(与风洞对比)通常在 3%-5%,学术基准(Ahmed body、DrivAer)误差也在该量级;风洞本身测量不确定度约 1%-2%
- 竞争格局(公开资料):汽车外气动商用软件含 Fluent、STAR-CCM+、PowerFLOW(LBM 路线)、CFX 与开源 OpenFOAM;AI CFD 竞争者分代理模型类(PhysicsX、Vinci、Neural Concept、适创、舜云)与求解器重写类(数智脉进、以及少数 PINN 直接求解的公司);国产 CFD 公司多在 FVM 路线追赶(十沣、云道)
本报告依据公开资料整理,不构成投资建议。公司未上市,收入与客户未披露;误差、速度、精度等性能宣称均为公司口径,无第三方复现或公开基准,相关判断已标注不确定性。
相关论文
相关案例
相关报告66
- 五一视界深度调研:港股上市的数字孪生公司,51Sim 已是第一增长引擎而 51Earth 近乎归零,两套完全不同的融资轮次命名口径必须并存
- AMI Labs 深度调研:10.3 亿美元种子的世界模型豪赌,LeCun 的非生成式路线与它的空白成绩单
- 安世亚太 PERA 深度调研:2003 北京创立的国产 CAE 龙头,PERA SIM 通用仿真 + AIROM 降阶 + AgentX 多智能体 + 精智 iGPT/Whale,从工业仿真跨越到物理 AI
- AspenTech 深度调研:被 Emerson 全资收购的过程仿真巨头与其工业 AI 混合建模路线
- Autodesk 深度调研:以 Neural CAD 基础模型与 2 亿美元 World Labs 押注物理世界 AI,NAVASTO 补齐 CFD 代理能力
- Bentley Systems 深度调研:以 iTwin 数字孪生与生成式 AI 赋能基础设施全生命周期工程
- BeyondMath 深度调研:神经算子路线的基础物理 AI,$19M 联盟预算、1000 倍加速与三个被误读的事实
- Cadence 深度调研:以 EDA 系统级多物理场与 Millennium M2000 超算切入物理 AI,AuraStack 智能体与 Fidelity GPU CFD 成关键抓手
- COMSOL 深度调研:四十年多物理场求解器基业,以 DNN 代理模型训练与全物理场 GPU 加速切入物理 AI
- Dassault Systèmes 深度调研:以 3DEXPERIENCE 与 SIMULIA 虚拟孪生物理行为切入工业 AI,LEO 虚拟助手与 GPU 显式动力学成物理 AI 支点
- 深势科技深度调研:从戈登贝尔奖到国家级独角兽与港股门前,AI for Science 龙头的技术兑现与商业化空白
- Emmi AI 深度调研:17 个月从林茨 spin-out 到 3.3 亿欧元被 Mistral 收购,AB-UPT 拿下 CFD 代理模型 SOTA
- 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
- 飞捷科思深度调研:PhysX 奠基人的二次创业,国产可微分物理引擎与它的生态打法
- 凡拓数创(301313)深度调研:从数字展馆到物理 AI 数据基座的战略跃迁,FTE 引擎与 FunSim 仿真平台的卡位成色及收入兑现节奏
- Godela 深度调研:YC X25 物理 AI 仿真初创,前苹果/谷歌/英特尔团队用物理约束代理模型把仿真从数天压到秒级,仅 seed 轮、试商用 pilot 制
- 霍莱沃(688682)深度调研:以 RDSim AI 电磁仿真与工业智能体贯通「仿真-测量-产品」闭环
- 阿尔特 IAT 深度调研:A 股首家独立汽车设计公司全线转向 AI 研发,圆方/御风/太乙 3.0 产品体系落地并携手英伟达 Omniverse,2025 年营收 9.75 亿元、归母亏损扩大至 2.50 亿元
- Inductiva 深度调研:一个已停运的开源求解器编排样本,八处必须纠正的前提,以及联合创始人 CTO 的停运后去向
- 英特仿真(INTESIM)深度调研:2009 年成立的国产 CAE 龙头之一,自研结构/流体/电磁/热/声学求解器与多物理场耦合平台,完成中网投、深创投亿元 B 轮,2025 年营收签单双过亿
- 软通动力(301236)深度调研:依托软通天枢打造 L1/L2/L3 三层全栈物理 AI 架构,自研 TwinHub 数字孪生、FSim 工业仿真、CAE 多物理场与 Phyxis 具身控制
- Jua 深度调研:以地球物理基础模型 EPT 服务能源交易与电网决策
- Keysight(含 ESI Group)深度调研:以虚拟样机与混合 AI 连接测量与仿真,EDA 引入自然语言助手
- 光轮智能深度调研:前英伟达仿真负责人创办的物理 AI 数据与评测基础设施商,七轮融资约 26.5 亿元估值超 20 亿美元,同时进入 Newton 与 EgoVerse 两大国际标准委员会,订单口径存在 5.5 亿元人民币与 1 亿美元两套说法
- Luminary Cloud 深度调研:NVentures 押注的「物理 AI 模型工厂」,用 SHIFT 模型与 GPU 原生求解器改写 CAE 云化路径
- MathWorks 深度调研:以 MATLAB/Simulink 与 Simscape 多物理场支撑物理 AI,R2026a 推出 Copilot 与 Agentic Toolkit 布局端侧智能
- 觅蜂科技 Maniformer 深度调研:智元机器人孵化的物理 AI 数据基础设施,MEgo 无本体采集硬件量产,半年三轮融资中国电信领投
- Mistral AI 深度调研:30 亿欧元欧洲最大融资背后,Physics AI 如何从语言模型走到 EUV 光刻与核电站
- Monolith AI 深度调研:不加速仿真,而是砍掉物理试验次数的英国工程 AI,被 CoreWeave 收入囊中
- Monumo 深度调研:剑桥深科技电机 AI 设计公司,Anser 引擎日千万级多物理场仿真,累计融资 1050 万英镑,A 轮正在募资中
- NAVASTO 深度调研:把求解器的洞察左移到设计师工作台,Autodesk 用一次收购买下这个入口
- Navier 深度调研:把 CFD 工作流交给智能体,旧金山硬件工程 AI 的种子期豪赌
- Neural Concept 深度调研:EPFL 出身的工程 AI,用 1.38 亿美元融资押注「代理模型能否替代部分求解器」
- 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
- NVIDIA 深度调研:以 PhysicsNeMo、Warp、Cosmos 世界基础模型与 Omniverse 构建物理 AI 全栈基础设施
- Physical Intelligence 深度调研:31 亿美元级融资押注「机器人的 GPT 时刻」,π0.7 自陈未见任务成功率仅 60–80%,Pi API 定价与收入双双未披露
- Physical Superintelligence 深度调研:58 亿美元级种子轮押注「虚拟物理学家」,Emmy 平台把 AI 数据中心多物理优化当作首个商业化证明
- PhysicsX 深度调研:把几何与物理都压进一个预训练模型的三亿美元级工业 AI 赌注
- Prometheus 深度调研:410 亿美元估值、182 亿美元融资,却还没有一个产品
- PTC 深度调研:以 Creo/Onshape 与 ThingWorx 数字主线支撑物理 AI,借 NVIDIA Isaac Sim 打通机器人设计到仿真
- 千诀科技(北京千诀科技有限公司)深度调研:预测式世界模型 Polibrain、类脑分区架构与多项式表征,一个「不造本体」的具身大脑如何接入十万台清洁与服务机器人
- Quanscient 深度调研:云原生与量子赋能的多物理场仿真,AI-Native 硬件工程的数据引擎
- Rescale 深度调研:云上的 HPC 操作系统与桌面工程工作台,1.15 亿美元 D 轮与五处被误读的事实
- Schrödinger 深度调研:以 FEP+ 物理模拟与机器学习支撑分子发现,2026 年推出 Bunsen 智能体共同科学家
- Secondmind 深度调研:剑桥工程 AI 公司,贝叶斯主动学习把 CAE 仿真与台架试验减少最高 90%,累计融资约 7300 万美元,马自达兼具客户与投资人身份
- 适创科技深度调研:以 SupreCAST 云原生材料加工仿真与工业智能体,推进 CAE+AI 战略
- 舜云科技深度调研:以粒子法 shonDy 切入新能源与核能流体多物理场仿真
- Siemens(含 Altair)深度调研:2025 完成 Altair 收购,Simcenter 与 Altair 仿真组合并,PhysicsAI 几何深度学习与 PhysicsAI Generate 成物理 AI 核心
- Silurian 深度调研:以生成式预报 Transformer 构建地球系统基础模型,面向能源与基建资产的天气风险
- SimScale 深度调研:把 CAE 许可证变成按核时订阅的云端仿真平台,5200 万欧元股权与 2500 万欧元债务必须分开算,以及五处被误读的事实
- Skild AI 深度调研:CMU 机器人研究所孵化的通用机器人基础模型,1.4 亿美元 C 轮对应 140 亿美元估值,但 B 轮规模存在 1.35 亿与 5 亿的口径冲突
- 松应科技深度调研:华为云系团队创办的国产物理 AI 操作系统商,ORCA OS 宣称对标英伟达 Omniverse,融资轮次在三套口径下各不相同,风语筑 2000 万元少数股权投资是可核验的第三方锚点
- 苏度科技(上海苏度科技有限公司)深度调研:零真机数据的仿真训练路线、Sudo R1 全栈自研与「原子能力」商业化,一家成立 17 个月估值超 200 亿元的具身智能新独角兽
- 索辰科技深度调研:从 CAE 工具商到物理 AI 平台商的转型阵痛
- Synopsys(Ansys)深度调研:2025 完成收购 Ansys,从 EDA 龙头跃升为「硅到系统」工程解决方案领导者,Ansys SimAI 与 NVIDIA 物理 AI 合作为核心抓手
- 十沣科技深度调研:院士领衔的国产工业仿真软件,官方时间线与数据库口径的轮次命名完全不同,官方融资 PDF 与投资数据库同时存在且不可合并
- 天洑软件深度调研:2011 年成立的国产智能 CAE 老兵,C 轮数亿元,2024 起主打「工业世界模型」,融资口径与估值多处不可调和,营收从未披露
- 同元软控深度调研:以 MWORKS(Syslab/Sysplorer)对标 MATLAB/Simulink,借 MWORKS AI 与 MOGICK 工程智能体推进国产物理 AI
- Vinci AI 深度调研:把物理仿真从「检查点」变成「连续约束」的半导体新变量
- 西湖机器人深度调研:西湖大学首个机器人成果转化项目,以 WR1 全身通用基座与 GAE 行为专家大模型构成大小脑双预训练架构,半年四轮融资约 5 亿元
- World Labs 深度调研:李飞飞的空间智能独角兽,被 AMD 以 82 亿美元收编
- 深圳元象信息科技(元象科技 XVERSE)深度调研:认知与感知双轮驱动的仿真世界路径,XVERSE 大模型、端云协同 3D 引擎与物理驱动动作生成模型 MotionGen
- 云道智能深度调研:从自主求解器到物理 AI 引擎,国产 CAE 的登顶者与它的未竟之战
- 云境智仿深度调研:北大孵化的云原生 GPU CAE 公司,Simversus 平台加 YJ-DORGP 小样本智能求解器,2025 年自述订单增 275%、营收增 160% 并达盈亏平衡
- 中科第五纪(杭州)深度调研:中科院自动化所与清华联创的具身基础模型公司,FAM 动作光流跨本体通用、3–5 条示范达 97% 成功率,纪元灵脑+纪灵机器人服务中石化/零跑/美的
- 中望软件(688083)深度调研:自主 Overdrive 内核与中望3D悟空 2027 撑起 CAD/CAE/CAM 一体化,CAx 智能体平台是通往工程 AI 的现实路径
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。