华为大模型双子星联手创业，要找物理世界的Scaling Law

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> 华为大模型双子星联手创业，要找物理世界的Scaling Law Jay 2026-09-25 14:14:07 来源： 量子位 程浅 发自 凹非寺 量子位 | 公众号 QbitAI 数亿元资金，投向了一场物理世界的基模实验。 Physical AI创业公司 息壤开物 宣布，公司已经连续完成数亿元种子轮及天使轮融资。 由敦鸿资产领投，华控基金、三花控股、银杏谷资本、泽然资本、本坚基金、天使基石、标朴投资等知名机构跟投，估值达5亿美金。 而站在息壤开物背后的，是华为大模型双子星： 创始人、CEO李寅，前华为云大模型CTO，华为大模型0-1阶段核心成员； 联合创始人张含望教授，前华为多模态首席科学家。 二人此番联手，瞄准了一个 具身智能至今尚未解决的底层难题。 “大语言模型之后，面向物理世界的下一阶段，是否仍然需要一个基础模型？” 过去几年，LLM已经通过海量文本预训练，将问答、写作、编程收进了同一个模型。 相较之下，机器人仍重度依赖特定本体、场景和任务做数据采集和增训。 为此，息壤要做 LPM （Large Physics Model）。 即先从海量视频、机器人轨迹和真实交互中预训练一个物理基础模型，再让它进入不同本体和任务。 这件事说起来容易，做起来却尤为地难。 除了看重李寅、张含望及团队本身，为什么资本愿意在模型尚未完成预训练时，便下注这个非共识答案？ LPM是什么？ 在息壤的定义里，大语言模型（LLM）代表的是AI 1.0时代，主要学习那些已经被人类抽象为语言、代码和公式的知识。 Physical AI，也就是息壤所说的“AI 2.0”，有质的不同。 这一阶段里，AI会深痛地意识到一件早在上万年前就被野生古猿们发现了的事情： 原来这个世界是连续变化的、可以被行动改变的，而且每一次行动的背面，还存在其他无数种可能…… 这种混沌且连续演化的复杂性，是仅仅在 离散Token序列 中进行概率预测的LLM所无法忍受的。 △ 连续的运动只有被切分后才能成为模型可读取的序列 物理世界里，没有一套可直接使用的，已经被人类整理好的抽象表征。 所谓表征，是让“某种形式”代替某个对象，使一个系统能够对它进行识别、比较、推理或行动。 如同地图表征城市，鸽子表征和平，人通过观念、图像、概念认识世界。 有些表征很直白，但有些表征却没有唯一答案。 一个人眉头蹙起却嘴角上扬，这是无语、苦笑、讥讽，还是忍痛？不知道，物理世界只提供像素、声音、位置和受力变化。 △ 表征没有唯一答案 在这无限多的变化和变化的组合之中，或许只有一个信号值得把握。而模型只能从亿万次观察、行动与反馈中自己找到答案。 这就是LPM，Large Physics Model，“大物理模型”将要完成的任务。 相当于再造大小脑。 尽管难度较大，息壤认为这一步有必要完成。 其中原因，很大一部分源于团队在过往工业项目中所深刻意识到的VLA路线局限性。 尽管VLA已经证明，视觉和语言信息可以被进一步映射为机器人动作，但在实际部署中，大量模型仍然要针对特定本体和任务进行增训。 如果机器人要进一步进入家庭和公共服务场景，模型就需要具备通用能力，在进入新环境时保留已经学到的物理知识。 LPM希望提供的正是这样一个能力底座。 目前，息壤在LPM方向上的研究已有了一些乐观信号。 据披露，息壤模型在World Arena 2.0 Track 1中，Trajectory Accuracy单项排名第一，Physical Adherence单项排名第二。 其中，Trajectory Accuracy主要考察模型预测的物体运动轨迹是否准确，Physical Adherence则关注模型生成的未来状态是否符合基本物理规律——均与LPM希望解决的问题具有直接联系。 △ 息壤模型“RiXin”打榜成绩 另一个信号则来自Scaling effects。 这一观察与LPM的核心假设有关：如果物理智能同样存在Scaling路径，那么模型能力应当能够随着训练规模扩大而持续增长。 据息壤介绍， 随着数据规模与训练规模增加，模型性能已经出现初步提升趋势，团队认为值得继续做下去。 华为多模态双子星在Physical AI汇合 要拉长这条技术曲线，找物理世界的Scaling Law，凭借好的想法和积极信号还并不足够。 毕竟万卡集群一开，一个月就要花费上亿元，能在这样的消耗下做持续推进的人并不多。 资金储备量是一方面，对团队组织和技术路线的判断是另一方面。 从息壤的团队构成来看，它要做基模，可能是认真的。 创始人李寅，清华大学毕业，前华为云盘古大模型CTO、行业大模型开发部部长。 她的经历横跨了基模训练与产业交付两个世界。 基模侧，她曾带400人团队，依托百万小时视频数据集，在万卡算力集群上耗时2个月训出了一个8B视频大模型。 产业侧，她负责国内多地具身智能创新中心的落地，还交付了包括智驾、矿山、金融、医疗、气象在内的30个行业的200多家客户，每年带来数亿营收。 △ 李寅 在大模型的训练最前沿和落地最末端，所需能力相差不小，但都很复杂。 一方面，在模型训练阶段，基础模型并不是一个单纯的算法问题。 随着训练规模扩大，数据管线、算力调度和集群稳定性都会成为工程约束，任何一个环节的差错都可能影响整个训练周期，带来高昂的算力空转消耗。 但模型一旦走进产业，评判标准马上就变了， 工作是否稳定、成本能否控制、能力能否快速复制…… 这使得李寅既需要关注模型训练能力，也需要处理成本、稳定性和交付效率。 但也就是这两方面的历史经验，构成了她判断Physical AI路线的背景。 因为从过往的产业落地经验来看，机器人每进入一个新场景都需要重新采集数据并定制模型，具身智能很难实现规模化落地。 为此，息壤必须推进能力复用的问题，在基础模型层去建立可共享的物理能力。 相较于李寅的工程化与产业落地能力，即将出任息壤联合创始人和首席科学家的张含望则更多在理论侧深耕。 张含望教授，前华为多模态首席科学家，南洋理工大学计算与数据科学学院教授、人工智能校长讲席教授。 △ 张含望教授 他长期研究因果机器学习、多模态理解和模型泛化，累计发表论文228篇，被全球引用超4.2万、H-index达81，是“causality（因果性）”这个方向上的华人学者NO.1。 还曾入选IEEE评选的“全球AI领域十大最值得关注的学者”，获得过新加坡总统科技奖青年科学家奖。 他的研究经历与Physical AI所面对的问题存在直接关联。 因为在物理世界中，仅依靠大模型训练中的“统计相关性”并不足以支撑稳定行动。 一个物体在视频中发生移动，可能来自机器人动作，也可能来自重力、碰撞或外部干扰。 模型只有学会理解 动作与结果之间的因果关系 ，才能做出更可靠的判断。 泛化问题同样如此。 如果模型只记住训练数据中的物体外观和机器人姿态，那么更换材质、光照或本体之后，原有能力就可能失效。 Physical AI需要更稳定的表征系统，使模型成功识