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
Vinci AI 以物理基础模型加 GPU 原生内核,在制造分辨率上做热-机械仿真。EPTC 2025 论文显示偏差小于 2%、加速 240 倍。2026 年 10 月完成 2.5 亿美元 B 轮,估值 15 亿美元。技术扎实,跨域待验。
执行摘要
Vinci AI 是 2023 年底成立的美国物理 AI 公司,总部帕洛阿尔托,创始人兼 CEO 为 Hardik Kabaria(前 Carbon 软件副总裁),联合创始人含 Sarah Osentoski(CTO,机器人与机器学习背景)与 Vincent Rerolle(CCO)。2025 年 12 月,公司结束隐身状态,披露累计 4,600 万美元的种子轮与 A 轮融资,并在 EPTC 2025(电子封装技术会议)发表经同行评议的封装热仿真研究。
2026 年 10 月 6 日,公司宣布完成 2.5 亿美元 B 轮融资,估值 15 亿美元,由 Advent、Temasek、Xora Innovation 联合领投,AMD Ventures、Madrona、Eclipse、Khosla Ventures 等参与。累计披露融资约 2.96 亿美元。
技术主张是「连续物理推理」(Continuous Physics Reasoning):把物理仿真从设计流程末端的「检查点」变成设计过程中的「连续约束」。技术栈由四部分组成——自动设计准备、智能体编排、物理基础模型、GPU 原生物理内核。公司宣称三个关键能力:无需网格划分、无需近似、无需客户特定训练(zero-shot),同时保持求解器级精度。
可核验的性能数据来自 EPTC 2025 论文与官网案例。论文层面:针对 3D 堆叠封装(10 层,从 BEOL 的纳米级特征到整个封装),Vinci 直接读取工业标准版图文件(OASIS、GDS、IPC-2581),解析 BEOL 中小于 7 纳米的特征;运行 9,101 次仿真、平均每次 2.18 亿个单元,总耗时 26 小时(平均每次 10.29 秒);与商用求解器对比,偏差小于 2%,速度快 240 倍,自由度超过 1 亿。案例层面:一个 1.174 亿自由度的模型,Vinci 用 20 秒完成,商用 FEA 求解器用 2 小时;最高温度 100.00°C 对 101.11°C,平均温度 56.49°C 对 56.50°C,最低 26.18°C 对 25.93°C。
客户侧,公司称「前 20 大半导体公司中超过一半已对 Vinci 做过基准测试,结果均获确认」,并称「已部署在十几家半导体与电子企业的生产项目中」,但未披露客户名称。这组数据的可信度高于纯营销,但仍属公司口径。
物理 AI 视角下,Vinci 的位置是「制造分辨率的物理 AI」:不做通用仿真,而是聚焦半导体封装与芯片-封装-板级的热、热-机械、对流问题——这是一个几何极端复杂(纳米到厘米跨五个数量级)、传统 FEA 网格量爆炸(上亿自由度)、且设计迭代频繁的场景。它的价值在于把仿真从「几小时一次」变成「几秒一次」,从而让热设计进入设计循环。
需要提前说明判断:这是本轮国产与海外公司里「论文证据最硬、商业化最早期」的一家。它的 EPTC 论文给了可核验的精度与速度数据(偏差 <2%、240 倍),这比大量 AI 仿真公司的「宣称」强得多;但它的客户全部匿名、收入未披露、专利状态为「未核实」,且「零样本 + 无网格 + 确定性」这三个技术主张同时成立在学术上是非常强的声明,需要独立复现。评估它的关键是三个问题:无网格方法在任意几何上的鲁棒性、零样本在新材料/新工艺上的泛化、以及从「半导体热分析」扩展到汽车/航空/卫星的可行性。
公司概览
起点与团队
Vinci 成立于 2023 年底,总部在加州帕洛阿尔托。创始人 Hardik Kabaria 曾任 Carbon(3D 打印公司)的软件副总裁,这段经历与公司技术路线相关——Carbon 的核心是用数值方法(光固化过程的物理仿真)控制打印过程,理解「仿真必须足够快才能进入控制回路」。CTO Sarah Osentoski 有机器人与机器学习背景,CCO Vincent Rerolle 负责商务,CMO John Bruggeman 负责市场。
这个团队配置说明公司不是「学术项目商业化」,而是「工业软件老手 + 物理学家」的组合。Kabaria 在 Carbon 的经验让他理解两件事:第一,工业客户不会为「稍微快一点」的仿真付费,只有「快一个数量级」才会改变工作流;第二,仿真要进入设计循环,必须去掉人工准备环节(网格划分、边界条件设置)。
隐身期与首次亮相
2025 年 12 月,公司结束隐身,披露 4,600 万美元的种子轮与 A 轮(A 轮由 Xora、Khosla、Eclipse 参与,未披露估值),同时在 EPTC 2025 发表论文。这个「先出论文再融资」的顺序值得注意:它用同行评议建立技术可信度,再用可信度换资本。
EPTC(Electronic Components and Technology Conference)是电子封装领域的顶级会议,论文经同行评议。在学术会议发表工业产品的验证结果,是一种「以学术标准自证」的策略——它比白皮书可信,但比独立第三方评测仍有距离(论文的作者是公司员工,测试设计由公司主导)。
B 轮与扩张方向
2026 年 10 月 6 日的 2.5 亿美元 B 轮,估值 15 亿美元,由 Advent、Temasek、Xora 联合领投,AMD Ventures 战略参与。资金用途明确:把平台从半导体扩展到更广的硬件领域(内存、先进计算、汽车、航空、卫星),并扩展到更多物理现象(流体、电磁)。
AMD Ventures 的参与有战略含义:AMD 是芯片与封装的大客户,Brian Amick(AMD 技术与工程高级副总裁)在融资公告中给出了支持性表述——「把快速、准确的仿真带入设计流程,团队可以更早评估权衡、更快迭代、在还有时间行动时做出更好的架构决策」。这是产业客户对产品价值的背书。
技术分析
传统 FEA 的三个瓶颈
理解 Vinci 的价值,需要理解传统有限元分析在半导体封装场景的三个瓶颈。
第一是网格划分。FEA 要把连续体离散成网格单元,网格质量直接决定精度与收敛性。半导体封装的几何极端复杂:BEOL(后道工序)的线宽在 7 纳米以下,封装尺寸在厘米级,跨五个数量级。要同时解析纳米特征与整体封装,网格量会到上亿甚至十亿级,生成这样的网格需要数小时到数天,且极易失败。
第二是求解时间。上亿自由度的热-机械耦合求解,在 CPU 集群上需要数小时。设计迭代如果每次都要等几小时,工程师只能在关键节点做仿真,无法在每次修改后都验证。
第三是人工设置。边界条件(对流系数、辐射、接触热阻)、材料属性(随温度变化的导热系数)、接触界面(芯片-基板-散热器的层层界面)都需要人工设定,经验依赖强、易出错。
这三个瓶颈共同导致一个结果:仿真成为设计流程末端的「检查点」,未成为设计过程中的「约束」。
无网格 + 零样本 + 确定性的技术含义
Vinci 的三个主张正好对应三个瓶颈:无网格解决网格划分,零样本解决「每个新设计要重新训练」,确定性解决「结果可复现、可用于认证」。
无网格方法在学术上不是新东西(有限元无网格法、边界元、谱方法都有无网格变体),但在工业级复杂几何上做到「无需近似」是很难的。可能的实现路径有三种:一是用隐式几何表示(如符号距离场)代替网格,在其上做数值积分;二是用点云或体素做离散,避免贴体网格;三是用神经算子直接学习「几何 → 场」的映射,完全跳过离散。
零样本的含义是「预训练模型直接用于新设计,不需要微调」。这在技术上要求模型学到的是「物理规律的算子表示」,未停留在「特定几何的拟合」。这与当前主流的代理模型(surrogate)路线不同——代理模型通常需要针对每个设计空间重新采样与训练。
确定性的含义是「给定相同输入,输出完全相同」。这对工业客户至关重要:认证与复核要求结果可复现,而随机采样(如扩散模型、蒙特卡洛)的输出每次不同。如果 Vinci 的推理是确定性前向计算(固定权重、固定输入),这个主张成立;如果底层有任何采样,就不成立。公开信息没有说明实现细节。
EPTC 2025 论文的证据强度
这篇论文是 Vinci 最硬的证据,值得逐条拆解。
测试对象:3D 堆叠封装,10 层结构,从 BEOL 的纳米级特征到整个封装。这个测试的设计是有针对性的——它同时考验「纳米级分辨率」与「封装级尺度」,正是传统 FEA 最难的地方。
输入方式:直接读取 OASIS、GDS、IPC-2581 三种工业标准版图格式,不需要人工转换。这个细节很重要——它说明 Vinci 的自动设计准备不是「简化版导入」,而是能处理真实的设计文件。
规模与速度:9,101 次仿真,平均每次 2.18 亿个单元,总耗时 26 小时(平均 10.29 秒/次)。这个数据说明两件事:单次仿真是秒级的,且可以批量跑(9,101 次相当于参数扫描)。
精度:与商用求解器对比,温度场偏差小于 2%,热点与平均温度的比值接近,等温线轮廓「实质相同」(在可比建模假设下)。
这组数据的方法论是严谨的(同行评议、明确对比对象、披露规模与时间),但仍有两个限制:第一,对比的「商用求解器」未具名,无法判断基准水平;第二,测试由公司主导,没有第三方复现。
与代理模型路线的区别
Vinci 反复强调「不同于传统代理模型」。这个区分在技术上是重要的。
代理模型的逻辑是:针对一个特定的设计空间,采样一批高保真仿真结果,训练一个快速近似模型,用于该空间内的优化。它的局限是「每个新设计空间要重新训练」,且外推能力差。
Vinci 的逻辑是:预训练一个「物理基础模型」,学到的是物理规律本身(热传导、对流、辐射的算子),因此可以直接用于任何新几何,不需要重新训练。这个主张如果成立,商业含义很大——它把「项目制的建模服务」变成了「标准化的软件产品」。
但这也是最需要验证的主张。「零样本泛化到任意几何」在机器学习里是一个非常强的声明,尤其是在需要 2% 精度的情况下。可能的解释是:模型在大量仿真数据上预训练,学到了对几何变化的鲁棒表示;或者模型内部仍有一个快速的数值求解器(GPU 原生内核),AI 只负责加速与自动化。公司同时提「物理基础模型」与「GPU 原生物理内核」,暗示是混合架构。
技术短板
第一,物理域的覆盖。目前验证的是热、热-机械、对流三类,公司计划扩展到流体与电磁。不同物理域的方程结构不同(椭圆型 vs 双曲型 vs 抛物型),一个模型能否统一处理,未知。
第二,材料与工艺的泛化。半导体封装涉及几十种材料(硅、铜、各种介质、焊料、underfill),每种材料的热物性随温度变化。模型是否覆盖这些材料、能否外推到新材料,未见披露。
第三,专利状态。第三方资料显示「未核实到专利」,这对一家声称「基础模型」的公司是一个信号——要么技术以商业秘密保护,要么专利布局尚未完成。
第四,第三方复现缺失。EPTC 论文是公司主导的测试,没有独立机构(如 NIST、半导体研究机构)复现。
产品与商业化
产品形态与交付
Vinci 的产品是软件平台,部署方式有两种:云端与客户防火墙内(behind customer firewalls)。后者对半导体客户至关重要——芯片设计的版图是核心机密,不能上传到第三方云。
平台的能力链是:读入版图文件(OASIS/GDS/IPC-2581)→ 自动设计准备(几何清理、材料识别)→ 智能体编排(决定用什么物理模型、什么边界条件)→ 物理基础模型求解 → 结果输出。
这个链条的每一环都有商业含义。「自动读版图」减少了人工转换,「自动准备」减少了建模时间,「智能体编排」减少了对专家的依赖,「基础模型求解」把时间从小时压到秒。
客户与部署规模
公司称「前 20 大半导体公司中超过一半已做过基准测试,结果均获确认」,并称「已部署在十几家半导体与电子企业的生产项目中」。两个数字都未具名。
这个披露方式在半导体行业常见(客户不愿公开承认使用新工具,怕影响竞争地位),但也意味着外部无法核实。可核验的间接证据是 AMD Ventures 的投资与 AMD 高管的公开背书——AMD 不会为一家技术不可信的公司做战略投资。
商业模式的推断
三种可能:软件许可(按席位或按算力)、云服务(按仿真次数计费)、以及企业部署(一次性授权 + 年度维护)。半导体客户通常偏好企业部署(数据不出域),所以第三种可能性最大。
定价未披露。按工业软件惯例,这类工具的定价通常与「节省的工程时间」挂钩——如果一次仿真从 2 小时降到 20 秒,一个团队一年能做几百次设计迭代,价值可以量化。
扩张路径
B 轮资金的用途是「扩展到更多物理现象与更多行业」。公司列的扩展方向是内存、先进计算、汽车、航空、卫星。
这个扩张逻辑是「同一物理、不同场景」:热-机械仿真在半导体封装、汽车电子、航空电子、卫星热控上都有需求,物理方程相同,只是几何与边界条件不同。如果基础模型真的学到了「物理规律」,已脱离「特定几何」,这个扩张是合理的。
但扩张也有风险:汽车与航空的认证体系(AEC-Q、DO-178C、AS9100)比半导体更严格,对仿真的验证要求更高。从「半导体热分析」到「航空适航认证」,中间隔着大量的验证工作。
竞争格局
直接对手
最直接的对手是 PhysicsX(英国,2026 年融资 3 亿美元、估值 24 亿美元),同样做物理 AI 仿真,同样从航空航天与汽车切入。其他包括 BeyondMath(英国,CFD 的 AI 加速)、Luminary Cloud(美国,7,200 万美元,云端 CFD)、Neural Concept(瑞士,1 亿美元,CAD 原生的 GNN 仿真)。
这些公司的技术路线差异在于「用什么方法加速」:PhysicsX 用几何深度学习,BeyondMath 用可微分求解器,Neural Concept 用图神经网络,Vinci 用基础模型 + GPU 内核。哪条路线胜出,取决于谁能在「精度、速度、泛化」三角上取得最好的平衡。
与传统 EDA/CAE 的关系
传统的电子设计自动化(EDA)厂商(Synopsys、Cadence、Siemens EDA)与 CAE 厂商(Ansys,现属 Synopsys)都在做「仿真加速」,但它们的路径是「优化已有求解器」(GPU 加速、并行化、云计算),未触及「重写求解范式」。
Vinci 的机会在于「范式差异」:如果无网格 + 基础模型真的能绕过网格划分与逐设计训练,它在速度上有结构性优势;如果只是在已有求解器上做增量优化,它就很难撼动 Ansys 的地位。
与芯片公司的关系
AMD Ventures 的投资说明芯片公司对这类工具的兴趣。芯片公司面临的热管理挑战在加剧——AI 加速器的功率密度持续上升(单芯片数百瓦到上千瓦),3D 堆叠与 chiplet 让热路径更复杂,封装级的热-机械应力成为可靠性关键。
这个需求是真实的、增长的,也是 Vinci 选择半导体作为第一个市场的原因。
融资与资本结构
融资历程
2023 年底成立,2025 年 12 月结束隐身并披露 4,600 万美元(种子 + A 轮),2026 年 10 月完成 2.5 亿美元 B 轮、估值 15 亿美元。累计披露融资约 2.96 亿美元。
B 轮的投资人结构值得注意:Advent(全球 PE)、Temasek(新加坡主权基金)、Xora Innovation(深科技 VC)联合领投,AMD Ventures 战略参与,Madrona、Eclipse、Khosla 跟投。这个结构说明公司已经从「VC 支持的技术验证」进入「PE 与主权基金支持的规模化阶段」。
估值与融资效率
15 亿美元估值对应 2.96 亿美元累计融资,稀释比例约 20%(按投后计算)。这个估值水平在 AI 仿真赛道里属于中上——对比 PhysicsX(24 亿美元)、Neural Concept(约 10 亿美元),Vinci 的估值介于两者之间。
支撑估值的是「技术验证 + 客户部署」的组合:EPTC 论文提供了精度证据,「十几家生产部署」提供了商业证据(虽未具名)。
资金用途与烧钱速度
2.5 亿美元对一家 2023 年成立、员工规模未披露的公司是充裕的。按 AI 公司的典型烧钱速度(团队薪酬 + GPU 算力),这笔钱可以支撑 3 至 4 年。资金用途是扩张物理域与行业,这意味着短期内收入不会大幅增长,投入会持续。
DISCREPANCIES
1. 加速倍数的两个数字。 官网首页称「1000 倍更快」,EPTC 2025 论文的具体数据是「240 倍更快」。两个数字对应不同测试(1000 倍可能是特定案例的最优值,240 倍是论文中的平均值),但媒体常混用。本报告在引用时标注来源与场景。来源等级:OFFICIAL(官网与论文)但口径不同。
2. 客户数量与身份的披露程度。 公司称「前 20 大半导体公司中超过一半做过基准测试」「部署在十几家企业」,但未披露任何客户名称。部分解读将这些表述当作「已有大量付费客户」。本报告标注为「基准测试与部署」,不推断付费规模。来源等级:OFFICIAL(公司表述)与推断的区分。
3. 精度对比的基准未具名。 EPTC 论文称与「商用求解器」对比偏差小于 2%,但未说明是哪一款(Ansys?COMSOL?自研?)。这影响对「2% 偏差」的解读——如果基准是行业标杆,2% 很有说服力;如果是二线工具,说服力下降。本报告标注基准未具名。来源等级:OFFICIAL(论文)但基准缺失。
4. 「无网格」与「无近似」的技术主张。 公司宣称「无网格、无近似」。严格说,任何数值方法都有离散化近似(无论用网格、点云还是神经表示),「无近似」是营销表述,不是技术事实。本报告在技术分析中拆解为「无贴体网格划分」与「无数值近似」两个不同主张。来源等级:公司营销表述(需技术解读)。
5. 「零样本」的定义边界。 公司称模型「零样本、无需客户特定训练」。但零样本可以指「完全不需要任何数据」或「不需要客户数据但需要通用预训练数据」。本报告采用后者(预训练 + 零样本推理)的解读,并标注公司未说明训练数据来源。来源等级:OFFICIAL(表述)与推断。
6. 专利状态。 第三方资料显示「未核实到专利」,公司未公开专利清单。这与「物理基础模型」的技术声称存在张力。本报告标注为「专利状态未披露」。来源等级:第三方核实(MEDIA)与公司披露的缺失。
7. B 轮领投方的表述。 公司称 Advent、Temasek、Xora「联合领投」,部分媒体只提其中一家。本报告采用三家联合领投的表述。来源等级:OFFICIAL(公司公告)。
8. 从半导体到汽车/航空的时间表。 公司称资金将支持「扩展到汽车、航空、卫星」,但未给出时间表,也未说明是否已启动相关验证。部分解读将其视为「已进入这些市场」。本报告标注为「规划中的扩张」。来源等级:OFFICIAL(战略表述)与进度数据的缺失。
9. 自由度口径的两个数字。 2026-10-06 B 轮新闻稿称平台累计处理「超过 150 亿自由度」(more than 15 billion DoF),而 EPTC 2025 论文与官网案例的自由度口径为「超过 1 亿」(over 100 million,如 1.174 亿)。两者分属「生产累计处理总量」与「单次仿真的自由度规模」,并非同一指标,不应互相替代。裁定:并列标注,注明口径差异。来源等级:OFFICIAL(新闻稿与论文)。
10. 员工规模区间。 第三方平台列示 Vinci 团队规模约 101–250 人(2026 年查询),而公司未披露具体人数。该区间属第三方推断,与「2023 年底成立、烧钱速度受 GPU 算力与薪酬驱动」的背景一致。裁定:标注为第三方口径,不作为公司披露。来源等级:PUBLIC(第三方平台)。
风险与尽调缺口
其一,零样本泛化的验证。 「预训练模型直接用于任意新几何、保持 2% 精度」是极强的声明,需要第三方在独立数据集上复现。目前只有公司主导的 EPTC 论文。
其二,物理域扩张的技术难度。 从热-机械到流体、电磁,方程类型不同,模型架构能否统一未知。
其三,客户匿名与收入缺失。 「十几家生产部署」无法核实,收入规模未披露。如果客户只是试用,尚未付费,商业证据会弱很多。
其四,与传统 EDA 厂商的竞争。 Synopsys、Cadence 有完整的工具链与客户关系,如果它们把 AI 加速集成进现有产品,Vinci 的差异化会被压缩。
其五,认证体系。 半导体客户的可靠性认证、汽车的功能安全、航空的适航认证,都要求仿真结果可追溯、可验证。AI 模型的「黑箱」特性与认证要求存在结构性冲突。
其六,专利与知识产权。 专利状态未披露,如果核心技术依赖商业秘密,未申请专利,被复制的风险较高。
其七,估值与收入的不匹配。 15 亿美元估值对应未披露的收入,如果收入规模远低于预期,估值下修空间大。
综合评分
技术维度给 8 分。EPTC 2025 论文提供了可核验的精度(<2% 偏差)与速度(240 倍)数据,无网格 + 零样本 + 确定性的组合针对传统 FEA 的三个真实瓶颈,自动读版图与自动设计准备解决了工业落地的关键环节。扣分项是零样本泛化缺第三方复现、物理域覆盖窄、专利状态不明。
商业维度给 6.5 分。「十几家生产部署」与「前 20 大半导体过半做过基准」说明产品进入真实场景,AMD Ventures 的战略投资与高管背书提供了产业验证,从半导体向内存/汽车/航空的扩张逻辑合理。扣分项是客户匿名、收入未披露、定价未知。
财务维度给 7 分。累计融资约 2.96 亿美元、B 轮 2.5 亿美元、估值 15 亿美元,投资人结构从 VC 升级到 PE 与主权基金。扣分项是收入未披露、烧钱速度与扩张投入大。
产品维度给 7.5 分。平台能力链完整(版图读取 → 自动准备 → 智能体编排 → 基础模型求解),支持客户内网部署(符合半导体数据要求),单次 20 秒的仿真速度改变了工作流。扣分项是物理域覆盖窄、界面与易用性未披露、认证支持不足。
市场维度给 7.5 分。AI 芯片功率密度上升、3D 堆叠与 chiplet 让封装热管理成为刚需,半导体客户付费能力强,扩展到汽车/航空/卫星的空间大。扣分项是 EDA 巨头竞争、认证门槛、市场教育成本。
综合 7.4 分。这是本轮「论文证据最硬」的物理 AI 公司之一:它用 EPTC 2025 的同行评议论文证明了「2% 偏差、240 倍加速」在半导体封装热仿真上成立,用无网格 + 零样本 + 确定性的组合直击传统 FEA 的三个瓶颈,并用 AMD 的战略投资验证了产业价值。它的短板是零样本泛化缺独立复现、客户与收入不透明。对物理 AI 的判断是:它的物理内核(GPU 原生数值方法 + 物理基础模型)是真实的工程资产,制造分辨率的仿真是一条正确且有壁垒的赛道;但从「半导体热分析」到「多物理域、多行业的平台」,需要跨越泛化验证与认证体系两道关。
参考资料
-
Vinci B 轮融资公告(2026-10-06):2.5 亿美元 B 轮,估值 15 亿美元;Advent、Temasek、Xora Innovation 联合领投;AMD Ventures、Madrona、Eclipse、Khosla Ventures 等参与;累计披露融资约 2.96 亿美元;资金用于扩展物理域与行业(内存、先进计算、汽车、航空、卫星)
-
Vinci 官网(2026 年访问):定位为「制造分辨率的物理精确设计与仿真」;技术栈含自动设计准备、智能体编排、物理基础模型、GPU 原生物理内核;宣称 1000 倍更快、无网格、无近似、无需客户数据训练;支持客户防火墙内部署;「前 20 大半导体公司中超过一半已对 Vinci 做过基准测试,结果均获确认」
-
EPTC 2025 论文(经官网引用):3D 堆叠封装 10 层,覆盖 BEOL 纳米级特征到整个封装;读取 OASIS、GDS、IPC-2581 标准版图,解析 BEOL 中小于 7 纳米特征;运行 9,101 次仿真、平均每次 2.18 亿个单元、总耗时 26 小时(平均 10.29 秒/次);与商用求解器对比偏差小于 2%、速度快 240 倍、自由度超过 1 亿;热点与平均温度比值接近、等温线轮廓实质相同
-
官网案例(117,440,512 自由度):Vinci 预测最高 100.00°C、平均 56.49°C、最低 26.18°C,耗时 20 秒;商用 FEA 求解器最高 101.11°C、平均 56.50°C、最低 25.93°C,耗时 2 小时
-
公司沿革(公开资料):2023 年底成立,总部帕洛阿尔托;创始人兼 CEO Hardik Kabaria(前 Carbon 软件副总裁)、联合创始人 Sarah Osentoski(CTO)与 Vincent Rerolle(CCO)、CMO John Bruggeman;2025 年 12 月结束隐身并披露 4,600 万美元种子与 A 轮
-
AMD 表态(B 轮公告):技术与工程高级副总裁 Brian Amick 表示「设计先进系统要求工程师理解热、物理、电学行为在芯片、封装、板级如何相互作用;把快速准确的仿真带入设计流程,团队可以更早评估权衡、更快迭代、在还有时间行动时做出更好的架构决策」
-
技术说明(公开报道):Vinci 称其方法「与传统代理模型不同」,后者通常需要针对特定应用做大量训练,而其方法可在无客户特定调优的情况下分析新设计并保持求解器级精度;平台已商业化于半导体领域,支持热、热-机械、对流分析
-
扩张规划(公开报道):半导体为第一个市场,计划扩展到内存、先进计算、汽车、航空、卫星;长期目标是不仅预测设计表现,还帮助工程师确定设计变更、管理约束,最终从高层需求生成设计
-
竞争格局(公开资料):PhysicsX(2026 年 3 亿美元融资、24 亿美元估值)、BeyondMath(CFD 的 AI 加速)、Luminary Cloud(7,200 万美元、云端 CFD)、Neural Concept(1 亿美元、CAD 原生 GNN);传统厂商含 Synopsys、Cadence、Ansys
-
行业背景(公开资料):半导体封装几何跨纳米到厘米五个数量级,传统 FEA 网格量达上亿自由度、生成需数小时到数天;AI 加速器功率密度上升(数百瓦到上千瓦)、3D 堆叠与 chiplet 让热路径更复杂,封装级热-机械应力成为可靠性关键
-
技术背景(公开资料):FEA 的三个瓶颈为网格划分(质量决定精度、复杂几何易失败)、求解时间(上亿自由度需数小时)、人工设置(边界条件、材料属性、接触界面依赖经验);无网格方法含有限元无网格法、边界元、谱方法;代理模型(surrogate)需针对特定设计空间重新采样训练、外推能力差
-
第三方核实(公开资料):Vinci 有 EPTC 2025 同行评议论文,但未核实到专利;公司称在十余家半导体与电子企业生产部署,客户名称未披露
-
Vinci B 轮融资公告(2026-10-06):称平台累计处理「超过 150 亿自由度」,而 EPTC 2025 论文与官网案例为「超过 1 亿」单次自由度(如 1.174 亿);两者分属生产累计总量与单次规模。
-
第三方平台(2026 查询):列示 Vinci 团队规模约 101–250 人;公司未披露人数,该区间属第三方推断。
本报告依据公开资料整理,不构成投资建议。公司未上市,收入与客户数据未披露;EPTC 论文为公司主导的测试,未经独立第三方复现;技术主张中的「无近似」「零样本」为营销表述,本报告已作技术拆解。
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
- 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
- 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
- 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。