Z Potentials 独家获悉，Physical AI Infra 平台公司厘清智能近日完成天使轮及天使+轮数亿元融资。蚂蚁集团连续两轮加码，并领投天使+轮；CMC资本、国汽投资、中金资本旗下基金、上海人工智能产业系列基金、中关村科学城基金、上海未来产业基金、德石投资、澄凯基金等机构跟投，顺为资本、世纪金源、峰瑞资本、水木清华校友种子基金等老股东持续追加投资，启观资本担任独家财务顾问。
厘清智能不以制造某一种机器人或训练某一个单一模型为业务起点。它自研高精度多模态数采设备，建设超大规模物理世界数据管线，同时投入模型研发、物理仿真、能力评测、跨本体适配与部署系统。
看起来很重，也不符合一家早期公司通常追求的“单点切入”。
厘清智能的判断是：基础模型正在从数字世界走向真实场景。模型能力不断提高之后，新的稀缺也随之出现——如何持续获得真实、可学习的数据，又如何把模型能力转化为可验证、可部署的现实结果。
投资人连续下注的，正是连接基础模型与真实世界的这一层基础设施。
01 模型能力正在外溢，连接真实世界的基础设施仍然稀缺
过去两年，AI最直观的进步，是模型能力的边界不断向外扩展。
多模态大模型开始同时理解文字、图像、声音和视频；视频生成模型正在从画面逼真走向运动一致与规律可信；各类Agent开始拆解任务、调用工具，并根据反馈继续行动。与此同时，机器人、智能终端和自动化设备也在快速成熟，为模型进入真实场景提供了越来越多的载体。
但模型能够处理更多模态，并不等于它已经理解真实世界；终端性能不断提高，也不等于模型能力能够直接进入实际任务。
真实世界并不是由静态画面组成的。物体有重量，接触会产生力，材料会发生形变。同一个动作发生在不同距离、角度和速度下，可能得到完全不同的结果。
模型不仅要识别“眼前是什么”，还要理解“采取行动以后会发生什么”，并在环境变化时及时调整。
不同类型的基础模型，面对的是同一个底层缺口。
多模态大模型和视频生成模型，需要更准确地理解空间关系、时间连续性与动作结果；物理世界模型和具身模型，需要状态、动作、接触与反馈之间的因果链条；各类Agent则需要任务拆解、工具调用、环境反馈，以及成功与失败的过程数据。
模型名称不同、技术路径不同，但它们都需要一种过去并不存在的基础资源：可以被机器学习、验证并持续迭代的真实世界经验。
厘清智能创始人李一鸣长期研究的，正是智能如何从数字世界进入物理世界。
李一鸣现任清华大学人工智能学院助理教授、博士生导师，曾任英伟达研究科学家，博士毕业于纽约大学，长期研究空间智能、机器人学、基础模型和世界模型。
在李一鸣看来，行业下一阶段需要回答的问题，是不同类型的模型如何从真实世界获得经验，又如何用更少的数据、更低的工程投入和更短的时间，把这些经验转化为可以迁移、验证和部署的能力。
这会改变基础模型走向产业的规模标准。
过去判断一个模型，最重要的数字通常是参数、算力和榜单成绩。当模型开始进入真实场景，另一个数字会变得越来越重要：从定义一项新任务，到系统可以稳定完成它，需要多少数据、多少工程投入和多长时间。
如果每进入一个新场景，都要重新采集、重新训练、重新评测，再配上一支同等规模的工程团队，模型能力就很难产生真正的软件规模效应。
只有当上一项任务形成的数据、训练方法、评测标准和部署经验可以进入下一项任务，模型在真实世界中的能力才可能持续积累。
厘清选择的正是这个位置。
它不把全部价值压在某一个基础模型上，也不押注哪一种终端形态最终成为主流。公司试图建设的是两组连接：一组连接真实世界与基础模型，让真实任务转化为可以训练和评测的数据；另一组连接模型能力与终端场景，让模型通过系统适配、任务验证与持续反馈，真正进入生产和服务流程。
这个位置既不对应一个单独的模型，也不对应一台完整的设备。但当越来越多模型开始面对真实世界，它会成为行业必须经过的一层。
02 Physical AI Infra的产品，是一条越来越快的学习曲线
语言模型的规模化，有一个经常被忽略的前提：在人们开始训练它以前，互联网已经积累了几十年的文字、图片、视频和代码，数据早就在那里。
Physical AI没有这样的起点。
人类每天都在制造、农业、物流、服务和科研现场完成大量真实任务，但绝大多数过程从未被完整保存。摄像头可以拍下动作，重量、触觉、力度，以及人临时调整动作的依据，却往往随着任务一起消失。
一名熟练操作人员拿起工具，会根据材料状态改变角度和力度。很多判断已经成为习惯。他未必能解释为什么在某一刻放慢，也不会意识到接触发生时，手上的力量已经改变。
视频能记录一件事看起来怎样发生，却很难单独回答：人当时看到了什么，手在哪里，何时发生接触，采取了什么动作，动作前后环境又发生了什么变化。
“互联网数据大多已经存在，物理数据不是。”李一鸣说，“要让机器学习现实任务，首先要把一段真实工作完整地留下来。”
这也是厘清智能从数据业务切入市场的原因。
公司已经推出T1系列数采手套和Ego数采设备，用于同步记录真实任务中的画面、深度、手部姿态、空间运动、接触与受力信息。
围绕这些设备，厘清面向模型厂商和各类AI研发团队，提供定制化多模态采集、数据加工与标注、专项数据集建设及持续数据生产。
客户最终得到的不是一批普通视频，而是经过同步、质检和结构化处理，可以直接用于模型训练与评测的数据。
根据训练目标的不同，这些数据可以帮助生成类模型理解空间、运动与交互结果，为世界模型建立状态、动作和反馈之间的因果关系，也可以形成Agent所需的任务轨迹、工具使用记录与环境反馈。
数据业务对厘清的意义，也不只在于增加一项收入来源。
它把公司放进真实任务中。客户需要什么数据，现有系统在哪些情况下失效，不同模型与终端之间有哪些差异，任务最后应该如何验收，都会在项目中直接暴露。
这些问题继续进入模型研发、物理训练、能力评测、设备适配和系统部署，成为平台下一轮开发的输入。
因此，厘清的数据、模型、仿真、评测与部署并不是几项彼此平行的业务。
数据决定系统能够看到怎样的现实；模型从中学习任务与环境之间的关系；物理训练让有限的真实经验扩展到更多条件；能力评测判断一次成功能否稳定复现；设备适配和系统部署则把结果带回真实场景，并产生新的数据与反馈。
这些环节共同构成厘清所说的Physical AI Infra平台。
在业务上，厘清智能从模型和终端两端进入市场。
面向模型厂商，公司服务于从前沿大模型到具身智能、Agent等方向的研发团队，覆盖多模态、视频生成、物理世界模型等不同技术路线。这些团队虽然方向不同，但共同面临训练目标各异、数据规格不统一、评测标准缺失的问题。厘清围绕模型从研发到验证的完整链路，提供从采集工具、任务设计、数据生产到加工质检、能力验证的一整套服务，让数据真正匹配模型的能力目标。
面向终端客户，公司的核心定位是提供弹性解决方案——不预设固定产品形态，而是从实际业务与现场约束出发，按任务灵活组合。终端场景的难点从来不是单点技术，而是任务、数据、模型、设备与现场环境之间的适配。厘清覆盖任务定义、数据采集、模型与设备选型、系统适配、现场部署及持续迭代，帮助客户把能力真正落到业务现场。
两端业务不是各自运行。
模型厂商提出的新数据需求和能力指标，会推动数据管线、生产工具与评测体系继续完善；终端客户带来的真实任务、现场约束与执行反馈，则会成为模型训练和系统优化的新输入。
这也是平台与项目公司的区别。
如果项目结束后只留下一份验收报告，公司做的仍然是一次性交付。如果项目产生的数据、失败记录、评测标准、适配经验和解决方案模块能够进入统一平台，让下一次训练与交付更快、所需数据更少，它才开始具备基础设施的属性。
因此，Physical AI Infra真正出售的，不只是某一次任务的结果。
它的核心产品，是一条越来越快的学习曲线。
03 为什么是中国，为什么是现在
大语言模型首先在美国取得突破，并不只是因为那里拥有更充足的算力和更成熟的研究体系。
在模型开始训练以前，英语世界已经用几十年时间积累了海量、可以直接计算的语言数据。网页、论文、代码、论坛和书籍，构成了一片已经数字化的知识大陆。
数据在哪里，智能往往就先在哪里发生。
模型理解真实世界所需要的数据，拥有完全不同的地理分布。
它不主要存在于互联网上，而是产生于工厂、实验室、仓库以及无数真实工作的现场。它藏在一次装配、一项检查、一种工具的使用方式里，也藏在人面对异常时作出的临时判断中。
过去四十年，中国作为“世界工厂”积累的，远不只是产能、设备和供应链。
大量复杂任务在这里被日复一日地完成。中国拥有密集的真实场景、完整的制造体系、丰富的工程经验，以及能够迅速把技术带入现场的产业网络。
这些条件共同构成了全球罕见的高质量物理世界数据来源。
英语世界为大语言模型准备了丰富的语言材料。中国则可能为下一代基础模型准备最丰富的现实经验。
“语言模型学习的是过去几十年被数字化的人类知识，Physical AI要学习的，是此刻仍在真实世界中发生的工作。”李一鸣说，“从这个意义上看，中国不只是机器人制造基地，也可能成为物理智能最重要的训练场。”
但真实场景丰富，并不意味着这些经验会自然转化为模型能力。
一项真实任务，需要先被拆解和定义；任务过程中的画面、动作、状态与反馈，需要被同步采集和结构化处理；模型训练完成以后，还要经过评测、适配和真实环境验证。
只有这些环节被连接起来，分散在不同场景中的数据，才可能进入同一套能力积累过程。
这也是为什么是现在。
基础模型正在加速进入真实场景，但与之配套的数据生产、训练评测和部署系统仍然稀缺。中国拥有足够密集的产业场景，可以让这套系统在不同任务中被持续验证。
对厘清而言，关键不是一次性积累更多数据，而是让每一个新任务都为平台留下可以复用的数据、方法和工具，使下一次训练与交付不再从零开始。
本次融资将用于物理世界数据管线、模型研发、物理仿真、能力评测、跨本体适配与部署系统，进一步完善厘清智能的Physical AI Infra，加快技术研发与产品落地。
对厘清而言，接下来需要证明的是，同一套平台能否服务更多类型的基础模型和终端场景，数据业务带回来的真实需求与反馈，能否转化为下一次更低的开发、训练和交付成本。
完成本次融资之后，厘清智能要抓住的，是中国从“世界工厂”走向“世界训练场”的时代机遇——让中国沉淀的不只是产品与产能，也包括让模型理解、学习和适应真实世界的基础设施。
