互联网巡回犬 Vol.25：把物理规律装进引擎的英伟达老兵，用印度零工喂饱机器人的 YC 团队，还有一支欧洲独角兽班底要把 AI 变成企业的新员工
今天叼回三个项目：飞捷科思（英伟达PhysX奠基人张立华，上海，Pre-A累计数亿元，云启+致道领投，国产可微分物理仿真引擎Fysics+全模态基础模型OmniFysics）；Human Archive（YC W26，$8.2M，Wing VC，Berkeley+Stanford四人团队，给印度零工装上头戴设备采集机器人训练数据）；Pit（斯德哥尔摩，€13.6M，a16z领投，Voi/Klarna/iZettle老兵，AI原生企业软件「数天内替换掉你的所有电子表格和SaaS」）。
今天叼回三个项目。一个是从英伟达物理引擎内部长出来的国产物理 AI 全栈，一个是把印度外卖骑手变成机器人训练数据采集员的 YC 新项目，还有一支来自北欧独角兽圈的老兵团队，把「AI 原生软件部署」做成了企业可以直接招进来的工作单元。
飞捷科思：英伟达 PhysX 奠基人回国，要做机器人世界的「物理操作系统」
国内机器人产业有一个长期存在的隐患：做整机的、做感知的、做调度的，都在用英伟达的 Isaac Sim 或其他海外仿真平台跑训练，底层物理引擎一旦出现访问限制或授权变化，整个训练链路都可能断。飞捷科思在做的事，是从这条链路最深处开始补，造一个国产的、可微分的、从头设计给 AI 训练用的物理引擎。
公司创始人张立华是英伟达 PhysX 物理引擎的主要奠基人之一1，团队有超过二十年的全球一线物理引擎研发经验。今年 3 月 27 日，飞捷科思正式发布了自主研发的国内首款可微分物理仿真引擎 Fysics，同步推出一站式仿真训练平台 MoziSim、全模态物理 AI 基础模型 OmniFysics，以及一套双向标准化评测基准体系2。
为什么「可微分」这三个字是核心？传统物理引擎（包括英伟达的 PhysX）设计时并没有考虑与 AI 训练深度耦合的问题——它们负责算物理，结果是不可微的，和梯度下降无法衔接。结果是做机器人训练的团队必须在「仿真」和「训练」两个系统之间人工搭桥，Sim2Real 的迁移损耗很大一部分就在这里产生。Fysics 的原生可微分架构从根上解决了这个问题，让仿真、数据生成、模型训练可以跑在同一个链路里。
OmniFysics 的参数量是 3B，但声称在基准测试上超过了行业主流 8B 量级的模型表现，核心能力是捕捉物理因果关系和物体属性认知2。MoziSim 则是面向机器人研发团队的一站式平台，支持各类机器人形态的高保真场景仿真和算法训练。
融资方面，飞捷科思刚完成 Pre-A3 轮，加上此前两轮，Pre-A 累计融资数亿元人民币。本轮由致道资本、云启资本联合领投，东方富海、硅港资本持续跟投，同时引入泰达基金、常垒创投、长石资本、磐谷创投、中赢创投等超过十家机构1。这个融资节奏本身就是信号——三轮在相近阶段密集关闭，说明机构对方向和团队的判断相当一致。
为什么现在做有意义： 英伟达、谷歌 DeepMind、特斯拉、Meta 都在加码自研物理仿真平台，这条赛道正在成为具身智能和世界模型的底层基础设施之争。国产机器人产业规模快速扩大，但底层工具对海外依赖的敞口一直没有被填上。飞捷科思踩的这个时间点——国内机器人产业快速增长、国产化替代窗口打开、物理 AI 底层尚未出现强势玩家——结构性机会在供给侧的空白处，而不在应用层的竞争密度里。
对于在做具身智能、工业仿真或数字孪生的团队来说，Fysics 引擎的可微分架构是否真的能跑通完整的 Sim2Real 闭环，才是判断这个项目价值的关键变量。张立华在英伟达 PhysX 的经历意味着他对物理引擎的工业级要求有第一手理解，这不是从零开始造轮子的团队。
正在加载内容卡片…
Human Archive：四个 Berkeley/Stanford 学生，把印度外卖配送变成了机器人训练数据工厂
机器人要学会在真实物理世界里干活，需要大量第一人称视角的人类操作数据——工人在厨房里拿东西、整理货架、开门关门——但这类多模态、高质量的真实世界数据，是整个具身智能研究界公认的稀缺资源。Human Archive 的做法是：去印度，找零工经济从业者，让他们戴上定制的头戴式摄像头，边干日常工作边录。
公司是 YC W26 批次的项目，四名创始人分别来自 UC Berkeley 和斯坦福：Raj Patel 担任 CEO，另外三位是 Samay Maini、Rushil Agarwal 和 Shloke Patel（Raj 和 Shloke 是表兄弟）。四人的研究背景覆盖机器人、硬件和触觉数据，在校期间已经做过相关方向的研究。公司刚完成 820 万美元融资，Wing Venture Capital 领投，参与方包括 YC 以及来自 OpenAI、英伟达、谷歌、Mercor 的天使投资人3。
设备不只是一顶带摄像头的帽子。Human Archive 开发了包括触觉手套、全身动作捕捉套装、腕部摄像头在内的一套定制传感设备，目标是同步采集 RGB-D 视频、运动数据和触觉力数据——多传感器融合的数据，在他们的判断里，比单纯视频数据值钱得多3。目前已在印度多个地点部署超过 1,000 顶头戴式设备，另有 50 多种不同类型的传感设备在运行。合作的行业包括家政服务、青旅运营和餐饮。
正在加载内容卡片…
为什么选印度： 印度零工经济规模大、从业者密集、对这类工作的接受度相对高，且外卖配送、上门服务等领域快速增长，工人执行的任务场景多样、可重复性高，是采集标准化训练数据的理想环境。印度的人力成本让规模化采集在经济上可行——这是一个用地理套利解决数据稀缺问题的逻辑。
看什么： 做 Physical AI 数据采集的路子不是没有先例——Scale AI 的早期模式也是把数据标注任务分发给人工标注员，但 Human Archive 押的是「人在做事时的原生动作流」，而不是事后标注。关键不确定性有两个：一是零工工人是否愿意长期佩戴这套设备干活，数据一致性和参与率能不能稳住；二是采集到的数据到底在机器人训练任务上跑出多少提升，这一点目前没有公开的独立验证数据。团队自己也在做用这批数据微调 AI 模型、并在机器人上测试任务有效性的闭环实验，算是在自己验证价值假设。
如果这条路通了，印度可能成为全球物理 AI 数据的主要采集基地之一——类似于当年印度的 IT 服务人力在 BPO 时代承接的那个角色，只是这次是给机器人喂数据。
Pit：Voi、Klarna、iZettle 的老兵组了个队，要用 AI 替换企业里所有的电子表格和僵化 SaaS
欧洲创业圈里有一批 2010 年代独角兽出来的老兵，在重新集结做新一代企业软件。Pit 是最近这波里比较有代表性的一个：创始团队来自 Voi（电动滑板车独角兽）、Klarna（瑞典金融科技巨头）、iZettle（PayPal 收购的支付创业公司）以及其他公司的前 CTO 和 AI 负责人，5 月 7 日出隐身，融了 a16z 领投的 1360 万欧元种子轮，Lakestar 跟投，OpenAI、Anthropic、Google、Deel、Revolut 的高管以及 Stena 和 Lundin 家族也参了进来4。
产品定位叫「AI 产品团队即服务（AI product teams as a service）」，目标场景是企业里那些靠 Excel、收件箱转发和定制化 SaaS 硬撑着的操作流程。Pit 进去之后，先学这家企业的工作方式，然后帮它构建适配的定制化生产级软件。
核心是两个组件：Pit Studio 负责学习企业的工作流程并生成对应的运行系统，Pit Cloud 提供合规基础设施——租户隔离、ISO 27001 认证、SSO、RBAC、完整的审计可观测性，并且符合 GDPR、NIS2 和欧盟 AI 法案的要求，每个客户在欧盟境内拥有独立隔离的运行环境4。
已经落地的案例有几个公开数字：某欧洲大型工业企业用 Pit 替换了合同发票验证系统，实现了实时处理，年节省超过一万小时且零验证错误；另一个部署实现了 85% 的活动执行时间压缩，自动化处理了 99% 的发票验收。客户名单里有 Voi（创始人自己的前东家）、Tre（瑞典第三大电信运营商）、Stena Recycling、Kry（欧洲数字医疗）4。
为什么北欧这个背景有意义： Pit 的合规基础设施设计是为欧洲企业市场量身定制的——GDPR、NIS2、欧盟 AI 法案的要求，对美国竞争对手来说是额外负担，对 Pit 是天然护城河。创始团队在 Voi、Klarna 和 iZettle 打过仗的经历，意味着他们对欧洲大客户的采购流程和合规要求有第一手认知，不需要在这些问题上花时间学习。
值得盯的问题： 这类「企业定制化 AI 软件部署」有个收入可持续性的问题——单个企业的改造上线周期长，边际成本不低，如果不能把每个部署的经验和模板复用起来，规模化能力有限。Pit 声称可以在数天或数周内完成一次部署，如果这个速度是真实的，说明他们在工具链上已经建立了某种可复用的抽象层，而不是每次从零开始手工定制。这是判断 Pit 商业模式能否跑通的核心观察点。
正在加载内容卡片…
三个项目的共同信号： 飞捷科思在做具身智能的基础设施之争，Human Archive 在为同一个战场提供训练燃料，Pit 在做完全不同方向上的基础设施——但都在回答同一个问题：AI 能力要真正「接地」，需要的不是更聪明的模型，而是更准确的物理数据、更可控的仿真环境，以及更贴合具体操作场景的软件基础。
参考来源：新浪财经，凤凰网，CSDN，TechCrunch，EU-Startups
围绕这条内容继续补充观点或上下文。