# 厘清智能完成数亿元天使轮及天使+轮融资，加速建设平台级底座 > 近日，Physical AI Infra平台公司厘清智能完成天使轮及天使+轮数亿元融资。蚂蚁集团连续两轮加码，并领投天使+轮；CMC资本、国汽投资、中金资本旗下基金、上海人工智能产业系列基金、中关村科学城基金、上海未来产业基金、德石投资、澄凯基金等机构跟投，顺为资本、世纪金源、峰… - 分类：24小时快讯 - 作者：奇点编辑部 - 发布时间：2026-10-09 - 原文链接：https://www.qidianyanjiushe.com/article/article-mv0hwxq2-7ujf - 文章 ID：81 --- 近日，Physical AI Infra平台公司厘清智能完成天使轮及天使+轮数亿元融资。蚂蚁集团连续两轮加码，并领投天使+轮；CMC资本、国汽投资、中金资本旗下基金、上海人工智能产业系列基金、中关村科学城基金、上海未来产业基金、德石投资、澄凯基金等机构跟投，顺为资本、世纪金源、峰瑞资本、水木清华校友种子基金等老股东持续追加投资，启观资本担任独家财务顾问。 **模型能力外溢，连接真实世界的基础设施仍然稀缺** 过去两年，AI最直观的进步，是模型能力的边界不断向外扩展：多模态大模型开始同时理解文字、图像、声音和视频，视频生成模型从画面逼真走向运动一致与规律可信，各类Agent开始拆解任务、调用工具。 但模型拥有更多模态，并不等于它已经理解真实世界。真实世界不是由静态画面组成的：物体有重量，接触会产生力，材料会发生形变，同一动作在不同距离、角度和速度下结果可能完全不同。模型不仅要识别“眼前是什么”，还要理解“采取行动以后会发生什么”。 不同类型的基础模型，面对的是同一个底层缺口：多模态大模型和视频生成模型，需要理解空间关系、时间连续性与动作结果；物理世界模型和具身模型，需要状态、动作、接触与反馈之间的因果链条；各类Agent，则需要任务拆解、工具调用、环境反馈与成功失败的过程数据。它们都需要一种可以被机器学习、验证并持续迭代的真实世界经验。 厘清智能创始人李一鸣表示，行业下一阶段需要回答的问题，是不同类型的模型如何从真实世界获得经验，又如何用更少的数据、更低的工程投入和更短的时间，把这些经验转化为可以迁移、验证和部署的能力。当模型进入真实场景，判断标准也在变化：从参数、算力和榜单，转向从定义新任务到稳定完成它，需要多少数据、工程投入和时间。 厘清智能不以制造某一种机器人或训练某一个单一模型为业务起点，而是定位为Physical AI Infra平台公司，建设连接基础模型与真实世界的基础设施。平台覆盖数据采集治理、模型训练、物理仿真、能力评测、跨本体适配、部署系统与反馈迭代等环节，建设两组连接：连接真实世界与基础模型，让真实任务转化为可训练评测的数据；连接模型能力与终端场景，让模型真正进入生产和服务流程。 **从数据业务切入，产品是一条越来越快的学习曲线** 与语言模型可以依托互联网积累几十年的文字、图片和代码不同，Physical AI没有这样的起点：真实任务中的力度、触觉、接触和动作调整等数据，绝大多数产生于现场操作过程，并未被完整记录。厘清智能从数据业务切入，已推出T1系列数采手套和Ego数采设备，同步记录画面、深度、手部姿态、空间运动、接触与受力信息，向模型厂商和AI研发团队提供多模态采集、数据加工与标注、专项数据集建设及持续数据生产。 在业务上，厘清从模型和终端两端进入市场。 面向模型厂商，公司服务于从前沿大模型到具身智能、Agent 等方向的研发团队，覆盖多模态、视频生成、物理世界模型等不同技术路线。这些团队虽然方向不同，但共同面临训练目标各异、数据规格不统一、评测标准缺失的问题。厘清围绕模型从研发到验证的完整链路，提供从采集工具、任务设计、数据生产到加工质检、能力验证的一整套服务，让数据真正匹配模型的能力目标。 面向终端客户，公司的核心定位是提供弹性解决方案——不预设固定产品形态，而是从实际业务与现场约束出发，按任务灵活组合。终端场景的难点从来不是单点技术，而是任务、数据、模型、设备与现场环境之间的适配。厘清覆盖任务定义、数据采集、模型与设备选型、系统适配、现场部署及持续迭代，帮助客户把能力真正落到业务现场。 两端业务不是各自运行：模型厂商的新需求推动数据管线与评测体系完善，终端客户的真实任务与执行反馈，成为模型训练与系统优化的新输入。 从产业环境看，物理世界数据主要产生于工厂、实验室、仓库和各类真实工作现场。中国作为“世界工厂”，拥有密集的真实场景、完整的制造体系和丰富的工程经验，可能为下一代基础模型准备最丰富的现实经验。李一鸣现任清华大学人工智能学院助理教授、博士生导师，曾任英伟达研究科学家，博士毕业于纽约大学，长期研究空间智能、机器人学、基础模型和世界模型。 本次融资将用于物理世界数据管线、模型研发、物理仿真、能力评测、跨本体适配与部署系统，进一步完善厘清智能的 Physical AI Infra，加快技术研发与产品落地。接下来，厘清智能需要证明的是，同一套平台能否服务更多类型的基础模型和终端场景，能否把数据业务带回的真实需求与反馈，转化为下一次更低的开发、训练和交付成本。 --- 本文由奇点研究社发布，引用请注明出处：https://www.qidianyanjiushe.com/article/article-mv0hwxq2-7ujf