5月24日，飞捷科思宣布完成Pre－A3轮融资。致道资本、云启资本联合领投，东方富海、硅港资本继续加码，泰达基金、常垒创投、长石资本、磐谷创投、中赢创投等十余家机构入局。三轮叠加，Pre－A轮累计融资数亿元。
一家2024年8月才注册的公司，不到两年拿了十几家机构的钱。资本不是在赌运气。
飞捷科思做的是物理AI底层——可微分物理仿真引擎。创始人张立华，英伟达PhysX物理引擎主要奠基人，复旦大学智能机器人与先进制造创新学院副院长，二十多年物理引擎研发经验。
PhysX奠基人回国：从写引擎到再造引擎
张立华和物理引擎的渊源，比大多数创业者的公司历史都长。
他曾是英伟达PhysX物理引擎的核心开发者。PhysX是全球使用最广泛的物理引擎之一，游戏、仿真、机器人行业都在用。2011年他放弃了海外工作回国，先在北京、长春做异构计算和AI创业，2017年加入复旦大学参与创建智能机器人研究院。
从写引擎，到教引擎，到重新写一个引擎。
Fysics不是PhysX的翻版，底层逻辑就不一样。传统物理引擎是"给定输入，算出下一个状态"——你告诉它一个力，它算出物体怎么动。Fysics的可微分架构能告诉AI："你刚才的输入让你离目标更远了还是更近了。"这个区别，决定了引擎能不能和AI训练深度耦合。
张立华自己的比喻更直白：传统物理引擎像一个纯计算系统，可微分引擎相当于给AI加了一个方向指示器。通过梯度反向传播，学习系统知道哪里错了、怎么改。这个能力打通了"仿真—训练—优化"的全链路。
全球范围内，具备完整自研可微分物理引擎能力的企业屈指可数。这不是应用层的微创新，是从底层重建仿真逻辑。
3B超过8B：OmniFysics走的不是参数竞赛
物理AI赛道里，大模型参数量的竞赛已经开始。飞捷科思选了另一条路。
OmniFysics全模态物理AI基础模型，3B参数量，部分核心指标超过了行业8B参数模型。这背后的逻辑其实不难理解——物理AI和语言模型不一样，参数大不等于效果好。物理AI需要的是对物理因果、物体属性的精准理解，不是语义堆叠。
Fysics引擎注入了显式物理知识，相当于给模型装了一套物理常识系统。模型不需要从零学习什么是重力、什么是摩擦、什么是接触，这些物理规律直接写进了引擎。模型只需要学会用这些规律去执行任务。
就好比一个人不需要重新发现牛顿定律，只需要学会用力学知识去搬砖。
基于Fysics引擎，飞捷科思还构建了FysicsAny和FysicsOmniCap双中枢数据生态。一个解决数据生成，一个解决数据标准化。加上一站式仿真训练平台MoziSim和双向标准化评测基准体系，从物理仿真、数据生成、模型训练、量化评测到产业落地，全链路闭环。
这套"引擎＋平台＋大模型＋评测体系"的组合，跳出了单一产品竞争。
数据"不可能三角"：张立华拆了三道墙
2026年被业界称为具身智能数据元年。行业从算法驱动转向数据驱动。但张立华说得直接——数据短缺不是"量少"，是"质缺"。
他算了一笔账：全球研发端对高质量数据的需求约120万小时，全行业每月产出仅25万到30万小时。供需缺口摆在那里，但更关键的是缺什么。
大语言模型训练用的文本、音视频，都是"观察者视角"——你在屏幕前看一个人抓杯子，看到的是视觉画面。机器人需要的是"交互者视角"——一个合格的抓取动作数据，要包含视觉信息、实时力反馈、触觉感知、电机扭矩的连续变化。这种数据，互联网上几乎没有。
张立华把行业困境拆成三面墙：真机遥操作数据质量高，但一对一采集面对数亿级样本需求就是杯水车薪；低保真仿真和视频数据规模大、成本低，但缺乏物理属性和动作可迁移性，训练出来"看起来会、做起来不稳"；算力和成本壁垒高企，单模型训练成本动辄数千万美元。
他的破局思路是多元融合：人类视频注入物理常识，仿真合成覆盖长尾边界，轻量化采集扩充真实交互，高精度遥操作适配垂直场景微调。高成本数据做锚点纠偏，低成本数据打底，效率和精度兼得。
不过他也强调，行业最紧迫的不是增加采集设备或仿真场景，而是建立贯穿采集、生成、标注、清洗、训练、评测、反馈各环节的通用数据标准。现在的数据存储格式、元数据形态、标注颗粒度差异显著，形成了一座座数据孤岛。大量资源重复投入，浪费严重。
底层替代不是选择题：国产引擎的窗口期
国内机器人行业有个不太常被提起的事实：智元、优必选、小鹏、傅立叶、宇树，这些头部企业的仿真平台和物理引擎，基本用的是英伟达Isaac Sim、Unity、PhysX、MuJoCo、Bullet这些海外产品。少数企业尝试自研轻量化求解器，也只停留在边角创新。底层核心技术近乎空白。
这不是一个"可以用但不够好"的问题。引擎不可微分，AI训练就耦合不了；引擎仿真精度不够，Sim2Real就过不去；引擎掌握在别人手里，供应链安全和长期授权成本就是悬在头顶的刀。
沙利文预测，2030年中国物理AI仿真及数据平台市场规模将突破1800亿元。全球是万亿级蓝海。当前全球主流物理引擎问世多年，技术架构迭代缓慢，已经很难适配人形机器人、复杂工业场景的高精度仿真需求。
窗口期就在眼前。
Fysics引擎支持刚体、柔体、流体多物理形态耦合求解，具备高精度接触解算和大规模并行仿真能力。这种从底层重建的仿真逻辑，不是在旧框架上打补丁。飞捷科思的全栈布局——引擎＋平台＋模型＋评测——不是单一产品竞争，而是要做物理AI领域的底层基础设施。
从行业格局看，物理AI底层赛道还在早期，没有绝对垄断。时间窗口不算宽，但方向是明确的。
物理AI的竞争，和语言模型不一样。语言模型的壁垒在数据和算力，物理AI的壁垒在引擎——谁掌握了底层仿真基础设施，谁就决定了上层模型和应用的边界。英伟达用PhysX和Omniverse搭了全球物理AI的基础设施层，谷歌用MuJoCo做了世界模型的研究底座，特斯拉和Meta也在自研求解器和引擎。
中国需要一个自主可控的物理引擎底座，这不是技术自主的口号问题，是产业安全的基础设施问题。没有自己的物理引擎，具身智能的"大脑"就长在别人的地基上。
飞捷科思做的事情，本质上是在为国产具身智能打地基。Fysics引擎的定位不是替代某一个海外产品，而是做下一代——可微分、多物理耦合、与AI训练深度耦合的新一代。这条路很难，从零自研一个物理引擎的工程量，比做一个应用层产品大一个数量级。但张立华有二十多年的物理引擎研发积累，团队深谙国际主流引擎的技术架构和行业痛点。
从更长远的视角看，物理AI赛道的终局不是谁做得最多，而是谁卡住了最底层。引擎是物理AI的"操作系统"——上层的仿真平台、训练框架、基础模型、评测体系，都要跑在引擎上面。掌握了引擎，就掌握了技术路线的话语权和生态的扩展权。
飞捷科思目前的节奏是清晰的：先做引擎底座，再做全栈产品矩阵，然后切入国产替代的市场窗口。Pre－A轮数亿元的资金，刚好够把Fysics引擎的高保真求解能力再升一级，把OmniFysics模型的跨场景泛化能力再推一步。
商业化落地不是明年才想的事，但现阶段最核心的仗还是在技术层面。
飞捷科思正在进行新一轮融资，浪潮资本担任企业长期财务顾问，欢迎沟通交流。
机器人/具身智能：灵心巧手丨飞捷科思丨森越成行丨神源生智能丨源升智能丨玄创机器人丨纬尔科技丨沐秦智能丨炎凌嘉业丨矩侨工业丨霞智科技丨微埃智能丨海桓丨松延动力丨基元智航丨
