物理仿真从数月压缩到秒级：PhysicsX的3亿美元，与工业AI最被低估的赛道

2026年6月8日，伦敦AI工程公司PhysicsX宣布完成3亿美元Series C融资，估值24亿美元——较一年前翻倍。本轮由Temasek（新加坡国家主权基金）领投，Atomico、General Catalyst、NVIDIA参投。

这是一条很多人可能略过的新闻。

跟同期发生的OpenAI S-1、Perplexity IPO声明相比，PhysicsX的名字知名度要低得多。但这笔融资指向的问题，可能比那些更吸引眼球的新闻更为根本：当AI遇上物理学，工程师的工作将如何改变？

一、什么是”物理AI”？

PhysicsX做的事情，用最简单的语言描述是：用AI神经网络替代传统的物理仿真软件（CFD、FEA等），将工程设计中最耗时的计算压缩到秒级完成。

传统工程仿真的逻辑是：工程师设计一个零件或系统，然后用计算流体动力学（CFD）或有限元分析（FEA）等数值方法，模拟这个设计在真实物理条件下的表现——气动性能、热应力、结构强度等。

这类仿真计算极为耗时：一次汽车车身的气动仿真可能需要数天；一次飞机机翼的全参数优化可能需要数周甚至数月的计算时间，占用数千个CPU核心。

PhysicsX的方法是：用大量历史仿真数据训练神经网络，让神经网络学习”物理规律的代理模型”（Surrogate Model）。训练完成后，对同类设计的仿真，从数月压缩到几秒钟——同时保持足够高的精度（在特定工程应用中，误差<5%是常见的精度要求）。

二、这件事的意义有多大？

航空、汽车、半导体——PhysicsX的三个主要客户行业——都面临一个共同困境：设计迭代速度被仿真计算速度限制。

在传统流程里，一个工程设计团队每周可能只能做5-10次仿真迭代（因为每次都要等待数天的计算结果）。用PhysicsX的神经网络替代后，同样的计算时间内，可以做数千次迭代——用计算时间换设计空间的探索广度。

这个变化的实际效果：

  • 航空：机翼气动优化从标准的”几个候选方案做详细仿真”变为”探索整个设计参数空间”，可以找到人类工程师直觉想不到的最优构型
  • 汽车：车身风阻优化从”季度级别的迭代周期”变为”周级别”，新车型研发时间缩短
  • 半导体：芯片冷却设计可以快速探索更多散热方案，在同样功耗下实现更好的热管理

这不是”AI辅助工程师”，这是AI扩展了工程师能探索的设计边界。

三、NVIDIA为什么投这家公司？

NVIDIA参投PhysicsX，不是一个随机的财务投资决策。

NVIDIA在工业仿真领域有自己的布局：Omniverse平台提供3D仿真和数字孪生能力，Modulus是其物理AI仿真框架，专为在NVIDIA GPU上运行的物理仿真加速而设计。

但NVIDIA的策略从来都是”平台 + 生态”，而不是”平台 + 内部垂直应用”。NVIDIA希望PhysicsX这样的公司，在NVIDIA的硬件和平台上构建专业应用层，为AI加速的工程仿真建立最佳实践，同时拉动NVIDIA GPU的工业计算需求。

具体而言，物理仿真是一个GPU极为友好的工作负载——大规模矩阵计算、并行化程度高。PhysicsX的业务增长，直接对应NVIDIA工业计算GPU的销售增长。这是一个利益高度对齐的投资。

此外，NVIDIA本身也在用AI加速芯片设计验证（Cadence合作、NVIDIA EDA工具链），有自身的物理AI需求。与PhysicsX的技术合作，可能对NVIDIA内部的工程流程也有直接价值。

四、24亿美元估值，贵吗？

一年内估值翻倍，现在24亿美元——这是否合理？

参照系：

  • 另一家物理AI公司，Gaussian Energy（主要做能源系统仿真，2025年上市），市值约15亿美元
  • Ansys（传统工程仿真软件龙头，已被Synopsys收购），被收购前市值约190亿美元
  • 纯软件仿真工具的市值，大约是年收入的10-20倍

PhysicsX目前的收入还没有被完整披露，但基于其航空（多个主要飞机制造商）和汽车（多家主要车企）的客户背景，2026年的年收入估计在1-2亿美元之间。

按照这个粗略估算，24亿美元估值对应约12-24倍的年收入倍数——在AI软件公司中处于合理区间，不算极端泡沫。

但24亿美元同时也意味着：这家公司必须在未来五年内将年收入扩大到5-10亿美元级别，才能支撑公开市场的合理估值。这需要从目前的”航空+汽车+半导体”三个垂直行业，扩展到更广泛的工业客户群。

五、工业AI：被主流话语低估的赛道

PhysicsX的融资，是一个更大叙事的组成部分：工业AI正在进入加速期，但它几乎完全被主流AI媒体话语所忽略。

我们每天看到的AI新闻，主要集中在：ChatGPT的用户数、大模型的benchmark排名、AI初创公司的种子轮融资、大公司的战略重组。

但平静水面之下，一批专注于工业应用的AI公司正在悄悄完成大额融资：

  • PhysicsX（物理仿真）：3亿美元Series C
  • Samsara（工业传感器+AI）：IPO后市值超过200亿美元
  • Sight Machine（制造业AI）：持续获得大型工业客户
  • Exodigo（地下基础设施AI扫描）：近期获得大额融资

这些公司的共同特点是：高技术壁垒、慢速销售周期、但一旦渗透就有极高的客户粘性和扩张路径。

工业AI的销售周期长，是因为航空、半导体、能源等行业有极严格的技术验证流程——你不能直接告诉空客”我的AI可以代替你的CFD仿真”，你需要几年时间的试点验证，拿到内部认证，然后逐步扩大部署。

但一旦通过验证，这个合同的黏性比任何SaaS订阅都高——客户把仿真流程集成到你的平台上，迁移成本极高。

六、结语

PhysicsX的3亿美元，不是AI媒体头条里最显眼的数字。

但它代表的是一种不同的AI价值创造方式：不靠更大的模型、更多的参数、更快的推理速度——而靠深度嵌入一个传统行业最核心的技术工序，用AI把这个工序从月级别压缩到秒级别。

当设计仿真从数月变成数秒，工程师的创造力边界就扩大了数百倍。

这不是AI在讲关于未来的故事，这是AI在工厂里、在实验室里、在设计工作室里，已经发生的安静革命。

Temasek领投这笔融资，是一个有意思的信号：主权财富基金的视角往往更长远。他们在押注的，是工业AI将在未来十年成为制造业竞争力的核心决定因素——谁控制了最好的物理AI仿真能力，谁就在产品设计速度和成本上拥有结构性优势。

这是一个比ChatGPT月活用户数更难衡量，但最终可能更持久的竞争优势。