然而，审视当前的产业现状，概念泛化带来的定义模糊正成为一大隐忧。无论是视频生成、VLA架构还是自动驾驶赛道，各方均在争夺这一话语权。这种“千人千面”的定义现状，恰恰暴露了行业底层共识的缺失。
在这一混沌背景下，一群数学背景深厚的从业者试图从底层逻辑出发，重塑世界模型的定义。清雁科技，这家由清华大学与北京雁栖湖应用数学研究院共同孵化成立四年的企业，近期完成了由君联资本领投，宁波亿时、苏州苏创投跟投的超亿元A轮融资。
我们深入对话了该公司的核心决策层：清雁科技董事长、北京雁栖湖应用数学研究院研究员孙明明，董事、清华大学教授汤珂，CEO张英伟以及CTO王凡。
重塑物理世界的数学基座
清雁科技的技术源头，刻录在“清雁”二字之中——取自“清华”与“雁栖湖”的双重基因。
在成立之初的长周期内，团队保持着低调，重心集中于数据基础设施的研发及数学与AI融合的底层探索。随着数据价值链的上移，他们敏锐地捕捉到一个关键趋势：数据基础设施的核心用户正从机构向模型迁移，为模型服务成为必然，而世界模型则是这一演进的终极形态。
这一判断在学术界得到了印证。依托北京雁栖湖应用数学研究院的深厚积淀，团队与一线数学研究员保持着高频互动，从而锁定了微分几何与数学物理作为切入世界模型的独特路径。
当前具身智能面临的数据稀缺与跨本体难题，为这一技术路径提供了现实的落地场景。在清雁团队看来，单纯堆砌数据无法解决致命的“长尾场景”，问题的根源在于缺乏一套对物理世界进行结构化表达与验证的底层方法论，而这正是数学工具可以大展身手的地方。
展望2026年，具身智能与世界模型的爆发，将把一个宏大的命题推向台前：如何让机器真正理解并推演物理世界的演化规律。
对于清雁而言，这一时机的战略意义在于，AI向物理世界的渗透必须具备三大要素：理解物理世界的模型能力、真实世界的高效采集治理、以及两者间的高速迭代闭环。而这恰好与团队长期布局的两条主线高度契合。
这不仅需要微分几何等数学工具将“理解物理”转化为可建模、可计算的工程问题，更需要真实世界的数据供给体系作为支撑，二者缺一不可，必须相互牵引。
清雁科技构建的核心壁垒，正是这种难以复制的双重基因：数学底座与数据飞轮。
区别于业界普遍的工程驱动模式，清雁致力于利用底层数学原理变革物理AI的范式。其核心逻辑在于“从基础数学出发，实现物理AI 0到1的算法突破”。
具体落地层面，团队构建了“几何物理表征与验证体系”，利用几何物理方法描述物体，并验证其属性与运动交互是否符合物理法则。
据孙明明介绍，几何物理层能够将物体从像素和点的离散形态，转化为连续、可微、可计算的物理状态。在这个状态空间内，对象的身份、几何结构、位姿、运动、材料及接触关系统一被量化表达。
他进一步阐释了背后的数学逻辑：几何学本质上研究的是“不变量”。无论视角或光照如何变化，物体的几何属性恒定不变。利用这一特性，模型的学习目标便从“记忆海量变化”降维为“抓取恒定结构”，从而大幅压缩学习空间并降低数据需求。
同样关键的是可验证性。当世界被建模为几何物理状态后，模型的预测结果即可接受规则检查与仿真验证，为误差诊断提供精准入口，并结合真实反馈对可辨识的物理参数进行校准。
这一体系已在实际场景中得到验证。在今年8月的世界机器人大会上，清雁展示的阶段性demo披露了一组关键数据：在同等精度下，其自研物理引擎的计算效率达到了主流引擎Newton的5.2倍，柔性体形变的计算效率更是提升了一个量级。
数据闭环与商业落地
再来看数据维度的布局。
业内的共识在于，物理AI与语言模型的最大痛点在于数据匮乏。大语言模型坐拥互联网海量免费语料，而物理AI的数据获取则依赖于昂贵的采集，具身智能公司对此体会尤深。
面对这一稀缺性难题，清雁给出的解决方案是自建数据采集场。今年，两处位于北京的自建采集场将落地，并围绕其打造自研采集设备、数据管线、自动标注治理及质检评测体系，专注于采集涵盖时序、纵深、触觉等多模态的4D乃至5D数据。
自建模式带来的效率提升是显著的。CEO张英伟指出，由于模型训练中大量应用了自研创新采集设备，自建训练场能够显著提升整体运营效率。
对于一类极为特殊的数据——如撞车等发生概率极低但后果严重的长尾事件，清雁采取了主动设计的策略。“机器人进入人类社会，这类长尾数据必须通过‘设计着采’来获取。”
为此，清雁搭建了一套“模数共振闭环”，即“模型牵引数据、数据反哺模型”。汤珂将其描述为：一旦算法取得突破，立即针对新算法进行数据采集、训练、评测与反馈。无论最终突破是否发生在清雁，这套高效闭环都是其保持行业竞争力的基石。
该采集与数据平台的底座，建立在数据空间和数据沙箱之上，完全契合国家对数据合规与可信交付的严苛要求，这构成了初创公司短期内难以逾越的制度性护城河。
基于此，清雁构建了三条清晰的业务曲线：第一是数据基础设施，输出数据空间与资产管理平台；第二是数据采集场，对外输出采集设备与平台，并承接存量数采中心改造；第三是模型层，涵盖世界模型、行动模型以及基于几何物理引擎的合成数据。
这种深厚的积淀加速了清雁的商业化进程。在秦皇岛政府牵头、多家具身智能公司进驻的具身智能数据训练场中，清雁作为独立的第三方，承担了最底层的数据基础设施角色。
多厂商机器人的数据需独立管理、传输与核算资产价值，这一角色只能由不触碰应用层的中立第三方承担。类似需求正在市场端自然涌现，“很多已建成的数采中心因运营难题，正与我们接洽平台改造事宜。”张英伟透露。
不过，清雁的商业化野心并不止步于具身智能。孙明明指出，具身智能的困境实则是AGI体系在环境感知与决策能力上缺口的外显。一旦补齐CV领域基模能力的短板，数字世界、随身AI设备及AI for science领域都将涌现全新的产品形态。
值得注意的是，行业对技术路线的认知正在分化。CTO王凡做了一个类比：人类思考时会聚焦相关物体而忽略环境，而当前许多世界模型却试图事无巨细地复现全场景。他认为，世界模型的技术路线远未收敛，架构层面的新突破正在逼近行业共识。
范式探索：中国式Neo Lab
尽管商业化已初见成效，但清雁团队最引人关注的特质仍是其Neo Lab的组织基因。
硅谷的Neo Lab模式——从早期的OpenAI到Ilya Sutskever的SSI、Jeff Dean的Discovery Loop——通常依靠愿景与精英团队获取巨额融资。
相比之下，国内市场对此持更为谨慎的态度。清雁依托高校与研究院孵化，聚焦技术前沿，却致力于解决具体而务实的产业难题，这被视为高校科研能力产业化的一种账算方式。
领投方君联资本将清雁视为中国“范式开拓型AI Lab”的代表。这种模式在聚焦前沿技术的同时，更注重科研成果的实质性转化与落地。
对于Neo Lab的成立要件，孙明明提出了两点判断。
首先，必须直面一个前沿的公共难题。具身智能领域数据极度稀缺，若要达到大模型效果，万亿级的数据需求显然不切实际。大语言模型的范式无法直接复刻，寻找新的成功范式正是成立的初衷。
其次，必须构建一种新的组织范式。大公司、研究院或高校的现有体制难以适应，Neo Lab承载了AI时代扁平化管理、开放式问题探索及自下而上创新的新型组织逻辑。
汤珂将其视为创业范式的代际更替：“上一代是懂产品的产品经理创业，这一代则是懂技术的专家创业。知识正成为稀缺的产品与壁垒，而源头在研究院与高校。”
他观察到，投资人正愈发关注基础学科的底层突破。在数据难获、任务复杂的约束下，从更底层的数学层面寻找答案已成为业界共识。
这一趋势的佐证是，过去两年众多数学家加入大模型公司并取得成功。市场当前正等待技术范式上0到1的突破。
在投资人眼中，这一标签极具稀缺性。如同大语言模型一样，世界模型领域终将诞生具备中国特色的范式与企业。
此外，清雁在基础研究期间即实现了商业化收入，这使其相比海外仅靠愿景融资的研究机构更具生存韧性。
谈及竞争变量，王凡坦言：“最大的担忧是在技术路线收敛前，未能取得足够的突破。”他解释称，当前行业处于百花齐放阶段，一旦路径收敛，竞争将沦为无聊的资源比拼，这对尚未取得断崖式领先的公司极为不利。
孙明明则将视角拉长至时间维度：“这个问题的终局，必将是几家类似Neo Lab的公司共同探索的结果。正如大模型由多家公司共同定义，OpenAI探索出了大模型与思维链，Anthropic贡献了Agent与编码范式。我们希望成为其中一员。”
这些愿景能否兑现尚需时间验证。按照计划，清雁将于明年发布面向公众的模型，届时几何物理引擎在真实任务中的表现，将给出第一个可见的答案。