——提出“一个底座、两大范式”物理AI框架，现场演示体系能力

北京，2026年8月21日 —— 2026世界机器人大会（WRC）期间，清雁科技（北京）有限公司首席技术官王凡博士受邀出席由高鹄资本与清华企业家协会联合主办的“机器人走向真实世界——从能力突破到系统演进与规模化探索”产业论坛，作《几何物理驱动的物理AI基础设施和模型》技术分享，系统性提出“几何物理驱动的物理AI框架”，并现场演示了该框架的多组实证。这是清雁科技完成数亿元A轮融资、并首次对外明确“几何物理驱动的物理AI基础设施与模型”定位后，在顶级行业盛会的首次公开亮相。

清雁科技成立于2022年，由清华大学与北京雁栖湖应用数学研究院联合孵化，系北京市“专精特新”企业及国家级高新技术企业。公司以“模数共振”为核心发展主线，协同共建数据基础设施与物理AI基础模型。本轮融资由君联资本领投，苏州苏创投跟投，资金将主要用于物理AI基础设施与基础模型及其数据体系的研发。

现场演示：几何物理驱动的物理 AI 能力集中亮相

论坛现场，围绕“几何物理驱动的物理 AI 框架”，王凡通过六个演示，系统呈现了清雁科技从几何物理基础、世界模型，到可验证学习与持续学习的完整技术链路。

在几何物理基础层面，展示了清雁科技基于微分几何的新型三维物体建模方式，以及建立在新型建模之上的运动物体的新型高维语义潜空间表达，对动态三维世界的表征方式给出了崭新的解决方案。

在世界模型环节，面对随机进入视野的运动物体，清雁世界模型驱动的机械臂，自主完成环境观察、轨迹预判与抓取执行。“它展示的不是一条被背下来的轨迹，而是对物体运动的理解——换一个物体、换一种抛法，系统照样能够完成。”王凡表示。

围绕清雁的可验证物理 AI 路线，王凡现场演示了清雁几何物理引擎在复杂动态场景中的实时距离与碰撞解算，以及柔性体的大形变仿真的优异性能。在持续学习环节，四足机器人面对地形突变和肢体损伤，能够在线调整运动策略并更新认知地图。

这些演示共同展示了清雁科技的几何物理驱动的物理 AI 框架，及其推动物理 AI 迈向“长期、可靠作业”的技术能力。

单次成功不等于可部署：Physical AI落地隔着三道门槛

“机器人行业从来不缺令人惊艳的演示，缺的是能在真实世界长期可靠工作的系统。”王凡在分享中指出，当前Physical AI（物理智能）尚未大规模落地——从实验室Demo到规模化部署，中间隔着三道门槛：泛化性、可靠性、持续学习。而行业普遍存在的问题是，单次成功并不等于可部署。

在王凡看来，瓶颈的根源之一在于当前大量技术路线仅依靠数据和参数规模的堆叠，忽略了理解世界几何物理规律的复杂性；其次，物理 AI 还缺乏类似Coding 之于 LLM 的可靠系统外验证能力，这使得可靠性的持续提升成为挑战；再次是当前大部分模型在部署后都是静态的，缺乏对持续变化的环境进行适应和学习的能力，极容易因为环境变化而失败。

三道门槛并非孤立——它们分别指向物理AI架构必须同时回答的三个问题：如何理解世界（泛化）、如何验证判断（可靠）、如何持续进化（学习）。清雁科技给出的答卷，是一个完整的架构。

几何物理驱动的清雁物理AI框架：一个底座、两大范式

王凡在分享中系统阐述了这一框架：

其一为底座，即基于几何物理理论的通用物体表征，对3D/4D物理世界进行高效建模。表征内嵌几何不变信息与物理约束，是泛化性的基础。

其二为两大学习范式。可验证学习解决“如何告诉模型它的推想对不对”——世界模型预测未来，可验证检验预测，从而持续提升模型预测可靠性；持续学习解决“如何让模型部署后持续进化”——新场景越来越熟练，旧技能不轻易遗忘。

三道门槛与框架部件一一对应：几何物理表征回应泛化性，可验证学习回应可靠性，持续学习回应持续进化。

框架底座：一个物体等于一个函数

框架的底座，回应的是泛化性门槛。清雁科技以微分几何为底座，对3D/4D物理世界进行高效建模与表征——一个物体等于一个函数。相比主流3D高斯泼溅与点云方案用数万离散点或高斯基元表达一个物体，几何表征依赖更少参数，且能够跨视角、光照、背景与纹理保持稳定，以极少参数刻画物体的静态形状与动态形变。现场演示显示，一个球体经由一个可微映射函数即可映射为房屋、航天飞机、兔子等复杂形体，并实现了材料域的跨运动与形变的一致对应。

基于上述几何建模和表征能力，清雁构建了以“可验证学习”和“持续学习”两大学习范式为支柱的世界模型。现场真机演示中模型对运动物体几何先验的把握、轨迹推演与决策能力，正是建立在几何表征的高效与稳定之上。

范式之一·可验证学习：从规律验证、到仿真系统、到真实检验

框架的第二大部件，回应的是可靠性门槛。物理AI的最终验证手段是真实世界，但其并非没有瓶颈。真实世界的评价除了风险高以外，最大的缺陷是缺乏“反事实推演”的验证手段——所谓反事实推演，即回答“如果不是这样，会发生什么？”。正因为缺乏这些手段，当前对世界模型长程推演、长视频生成，都缺乏客观的评价和验证体系。

基于微分几何的规律物理引擎，刚好可以弥补这一缺憾。基于清雁的新型几何物理表征，世界模型与物理计算的通路被打通，可以利用运动量、碰撞等状态直接计算，快速定位和过滤不符合基础约束的推演。清雁自研的全新的场景级物理引擎，可高效模拟多体碰撞接触、柔性物体形变等传统物理引擎的难点问题。在现场演示的动态距离与碰撞计算上，同等精度下该引擎的计算效率达到当前主流物理引擎Newton的5.2倍；在柔性体形变计算方面，同等精度下，效率高出一个量级，且材料适应性显著领先。

范式之二·持续学习：迈向长期可靠的物理AI

框架的第三大部件，回应的是持续学习门槛。王凡指出，静态物理AI在长期部署中会遭遇巨大挑战：机器人场景、本体、任务的组合过于复杂，存在大量不确定性；静态模型很难有效泛化所有情形，尤其考虑到大量信息隐藏在环境中、无法被提前获取。以验证评价为前提的持续学习，是近年来AI领域最受关注的方向之一，也是物理AI的必由之路。持续学习通过“学会如何学习”“长时记忆”和“自主发现和沉淀知识”三个关键能力，实现真实世界部署后的持续演进——在“新本体、新岗位、新场景”中越做越熟练，“旧本体、旧岗位、旧技能”不轻易遗忘。清雁在该方向已有系统性布局：通过海量本体构型与地形环境的随机构造、多教师策略蒸馏到单一模型、长序列状态化训练等技术路线，激发部署后的无梯度持续学习能力，形成一系列可行性验证成果与规模化训练方法论，相关成果覆盖NeurIPS 2025、ICLR 2026、IROS 2026等学术会议。

下一步：沿框架三个层次，从“会演示”走向“长期、可靠地作业”

王凡表示，围绕“使物理AI从会演示走向长期、可靠地作业”这一目标，公司将沿框架的三个层次推进：基础设施与模型层——物理AI基础设施与模型及其数据体系的研发；验证层——可验证学习范式与面向世界模型学习的高效物理引擎；演化层——持续学习方向的深化，真正支撑机器人在真实世界的长期部署。

顶级学科团队与产业资本的双重背书

清雁科技由清华大学与北京雁栖湖应用数学研究院联合孵化，拥有数学物理领军级基础学科团队、全球视野AI团队与成熟商业化业务团队的复合阵容。公司致力于为物理 AI建立几何物理基础设施，并以可验证学习与持续学习为核心，持续提升世界模型的可靠性与持续学习能力。

本轮融资体现了市场对公司技术路线与基础设施方向的共同认可。公司表示，未来将持续投入物理AI 基础设施和基础模型研发与数据商业化双飞轮建设，加速具身智能与Physical AI的产业化落地。

清雁科技以“让世界可计算，让机器更智能，让人类更美好”为愿景，致力于成为机器人走向真实世界的基础设施提供者。

免责声明：市场有风险，选择需谨慎！此文仅供参考，不作买卖依据。

责任编辑：kj005

文章投诉热线:157 3889 8464  投诉邮箱:7983347 16@qq.com