Vinci AI B 轮

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

  1. 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)

  2. 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」

  3. 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

  4. 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

  5. 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

  6. 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」

  7. 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

  8. 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

  9. 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

  10. 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

  11. 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

  12. 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

  13. 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。

  14. 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。