世界模型的物理地基：Uncharted Dynamics 获数百万美元融资-手机云川网

具身智能底层基础设施公司 Uncharted Dynamics 已完成数百万美元种子轮融资，由险峰长青领投。资金将用于高精度多体动力学求解器的研发及北美市场拓展。

整个行业在 Scaling，但没人问数据是否「成立」

过去两年，AI 行业活在一个信念里：更多数据、更大模型、更强能力。这套逻辑在语言模型里已经被反复验证。

但当机器人要走进物理世界，这个逻辑撞上了一个几乎无人正视的前提——

数据必须在物理上是「成立的」，Scale 才有意义。否则，你不过是在以更大的规模，放大一个更系统性的错误。

视觉数据可以采集，轨迹数据可以记录。但真正决定机器人能不能完成任务的，是接触发生那一瞬间的物理过程：力、摩擦、形变。这些关键变量，要么缺失，要么被长期简化处理。

这就是问题真正的根源——不是现实世界太复杂，而是我们用来描述现实的那套物理模型本身就不准确。

不从模型入手，而是先把物理算对

Uncharted Dynamics 没有去卷更大的模型，而是把问题往下推了一层：先把物理算对，再谈 Scale。

他们构建了一套以高精度多体动力学求解器为核心的底层引擎，专门计算那些在现有仿真系统中被简化甚至直接忽略掉的物理过程。

今天主流的开源或商业求解器，在简单刚体场景中尚可工作，但一旦进入更接近真实世界的复杂交互——例如刚柔耦合、柔性接触或形变计算——往往迅速失真甚至失效。这解释了为什么模型在仿真中表现优秀，却无法稳定迁移到现实——不是泛化能力的问题，是训练数据的物理前提就是错的。

Uncharted Dynamics 不是在提供更多数据，而是在重新定义：什么样的数据才值得被 Scale。

被 Scale 的东西，必须先是对的。物理真值，是具身智能 Scale 的地基，不是细节。

「智能」与「物理」的交汇点

这条路不性感，但壁垒极深。高精度物理建模需要的，是理论积累与底层工程经验的双重支撑——这也是为什么这件事需要这样一支团队。

CEO · 智能侧｜贺哲文

计算神经科学背景，曾深度参与大语言模型的 Scale 阶段。她的判断：模型能力的上限，往往不由模型决定，而由数据的结构与真实性决定。

核心团队 · 物理侧｜工业物理博士团队

基于北美的博士团队，长期从事多体动力学与复杂系统建模的研究，曾服务于国际顶级车企、头部航天机构及北美头部机器人公司，从第一行代码开始构建高精度动力学仿真底层。

两端的组合让他们更早看到一个断层：从「信息智能」到「物理智能」，不存在一条可以直接延伸的路径。这条路必须从物理出发，重新铺设。

具身智能真正的起点

如果说上一阶段 AI 解决的是「如何理解信息」，下一阶段的问题更直接：

如何在一个可以被正确学习的物理世界里行动。

行业的下一站越来越指向世界模型——让机器人不只是模仿动作，而是在脑子里建立起对物理世界的理解和预测。但世界模型要真正「立得住」，前提是它内部的物理本身就是对的。否则模型的「想象」越精细，离真实世界反而越远。

让机器人真正走进工厂和家庭，具身行业需要的不只是更大的模型，而是一套可以信赖的物理地基。这层基础设施，将重新定义具身智能数据的生产方式——从「尽可能多地生成数据」，转向「生成物理上成立的数据」。

Uncharted Dynamics 做的，正是这件事。

关于 Uncharted Dynamics

具身智能底层基础设施公司，专注高精度多体动力学求解器研发，致力于为具身智能提供物理层面的「真值地基」。