精选世界杯赔率内容，足球世界杯与你一同发现更多精彩。

清华大学教授李一鸣及其团队提出的 Physical AI Infra 方案，近期完成了数亿元人民币的种子轮融资。该公司名为“厘清智能”，成立仅两个月便吸引了顺为资本、红杉中国、高瓴创投等多家知名投资机构及产业资本的青睐。

李一鸣认为，“世界模型”并非一个独立的技术组件，而是一个解决实际问题的系统中的一部分。他将“世界模型”比作“运送荔枝的马”，强调其价值在于与其他环节的协同。厘清智能致力于构建一套数据和物理双轮驱动的基础设施，旨在解决机器人在各种场景下的泛化问题。

该基础设施包含两个核心自研组件：一是能够将数据采集量级从行业平均水平的几十万小时提升至百万至千万小时的“数据管线”；二是能够实现“Real-to-Sim-Real”（真实到仿真再到真实）闭环的“物理引擎”，用于机器人进行强化学习。通过这套系统，可以训练机器人执行切割、旋拧、按压等精细操作，并将其部署到不同类型的机器人和多种应用场景，如生产制造、零售、酒店、餐饮和医疗辅助。

李一鸣指出，Physical AI 公司应定位为“World Model as Service”，提供软硬一体的解决方案，而非仅仅是本体或模型公司。他强调，国内稀缺具备软硬一体能力的 Physical AI 人才，并表示清华大学为团队提供了良好的人才平台。团队成员平均年龄为23岁，大部分是清华大学的学生。

厘清智能选择了一条“重”的全栈自研技术路线，涵盖数据采集、模型训练和物理引擎。李一鸣认为，打通所有环节才能保证信息流畅和协同优化。他规划在今年年底前发布面向 B 端场景的世界模型，并计划在2028年实现解决方案的规模化落地，最终提供跨本体、跨场景解决问题的软硬一体系统。

在技术判断上，李一鸣认为，Physical AI 的人才画像与 LLM 不同，需要软硬一体的人才。他强调，数据采集应注重规模化，人类数据比真机数据更具扩展性。同时，他认为数据采集并非万能，物理规律能够弥补数据的局限性。厘清智能设计的方案可以通过少量真实数据“校准”世界模型，从而实现高效学习。

李一鸣还对当前流行的 VLA、视频模型和 JEPA 等概念进行了区分，认为它们并非“原生世界模型”。他提出，“原生世界模型”应负责机器与世界的交互，并能实现感知、推理、决策和动作输出的全栈打通。他认为，物理世界的有效“tokenization”（表征）是训练原生世界模型的关键，并表示其团队在这一领域已取得优于 Meta DINOv3 的效果。

关于 Physical AI 的基础设施建设，李一鸣强调了物理引擎的重要性，认为其应能高效建模复杂物体状态并计算状态转移。他预测，2028年将是 Physical AI 规模化落地的关键节点，届时数据采集规模和电机密度将实现飞跃。厘清智能的目标是构建一个像 iOS 一样，能够规模化开发和部署各类物理操作任务的通用 Physical AI Infra 平台。