在AI创业浪潮持续涌动的2026年，一家名为日冕开物的具身智能公司悄然浮出水面。由前蔚来、华为智驾核心成员联手创立的这家公司，仅用三个月便完成两轮合计数亿元人民币的种子轮融资，投资方包括鼎峰科创、远图未来、百度风投等知名机构。其核心产品——物理世界模型LaMPA，试图回答一个根本性问题：如何让机器人真正理解并适应复杂多变的物理世界。这不仅是技术突破，更代表了AI创业从“感知智能”向“认知与行动智能”跃迁的新方向。
从智驾到具身：一支清华系“梦之队”的AI创业路径
日冕开物的创始团队堪称豪华。创始人肖中阳博士曾主导智驾行业首个复杂交互场景的世界模型交付，该模型已搭载超过70万辆蔚来汽车；基座模型负责人钟元鑫博士是“华为天才少年”，主导了华为新一代智驾世界模型基模的量产落地；后训练与交付负责人王云龙博士曾在智元机器人推动行业首批进厂打工项目；市场负责人戴亚奇博士曾任武岳峰科创合伙人。四位核心成员均出身清华自动驾驶背景，这种技术基因决定了他们选择的AI创业方向——不是追逐大模型热潮，而是深耕物理世界的底层认知。
这种背景也解释了为什么日冕开物能在资本寒冬中快速获得数亿元融资。对于专业投资机构而言，当下AI创业比拼的不再是概念，而是团队能否在关键技术上形成壁垒。智驾领域的世界模型研发经验，使团队在构建机器人通用智能时具备了独特的“手感”。正如一位投资人所说：“他们懂什么是真正的泛化，不是刷榜，而是70万辆车上跑出来的工程能力。”这种经验迁移让日冕开物从成立第一天就避免了许多AI创业公司常见的“实验室炫技”陷阱，直指工业场景的痛点和刚需。
值得一提的是，日冕开物的融资节奏极快——2026年3月成立，数月内完成两轮。这背后反映了资本对“具身世界模型”这一赛道的渴求。在AI工具导航类产品的热潮退去后，硬科技与垂直场景的结合成为新的掘金点。而日冕开物团队过往在科技公司中积累的交付经验，恰好满足了资本对“可落地、可复制”的商业预期。
世界模型LaMPA：让机器人像人类一样理解物理世界
为什么机器人进入复杂场景总是“水土不服”？答案在于大多数机器人只学会了模仿，而没有真正理解物理世界的运行规律。日冕开物自主研发的世界模型LaMPA，正是要打破这一困局。LaMPA参考了图灵奖得主Yann LeCun的JEPA理论——让模型学习物理世界更抽象、更本质的表征，而非停留在像素级别的生成。但日冕开物团队并不满足于理论框架，而是从“一个原生世界模型应该如何构建”出发，探索出适合机器人落地的具体路径。
LaMPA的核心创新之一在于基础模型架构的重新设计。团队采用了块扩散（Block Diffusion）结构，兼顾推理效率与数据利用效率。这种架构类似于大型语言模型的Token化过程——大语言模型把自然语言转换为统一的Token，而LaMPA则要为物理世界建立一套“语言”。这种思路让机器人不再仅仅依赖视觉像素或传感器数值，而是能够像人类一样，在脑海中构建一个关于物体位置、自身状态和任务经验的抽象模型。
从技术角度看，LaMPA的突破在于它把“预测未来”和“生成动作”整合到了一个统一的框架中。它不仅预测环境变化，还能据此生成机器人的控制指令。这与AI图片生成的过程有异曲同工之妙——AI图片生成是从随机噪声逐步还原出目标图像，而LaMPA是从当前物理状态逐步推演出最优动作序列。这种“预测-行动”闭环，正是机器人具备泛化能力的关键。
三重表征体系：构建机器人的“物理语言”
LaMPA的另一个核心创新是一套面向物理世界的三重表征体系。机器人需要理解的信息被划分为三类：环境表征（Environment）、本体表征（Ego）和经验表征（Experience）。环境表征描述周围物体的位置、关系和空间结构；本体表征描述机器人自身关节位置、受力等信息；经验表征则沉淀了长期任务中形成的先验知识，比如物体哪些位置可以抓取、不同任务的操作顺序。
这三类信息共同构成机器人理解物理世界的隐空间（Latent Space），基础模型则学习三者之间的因果关系，从而预测未来状态并生成控制动作。这种设计巧妙地解决了机器人感知中的“维度爆炸”问题——如果直接处理像素级信息，模型将陷入海量无关细节；而三重表征将物理世界抽象为高维语义空间，使模型能够聚焦于真正影响任务完成的关键因素。
例如，在服务器装配场景中，环境表征可以帮助机器人识别螺丝孔位的位置和朝向；本体表征反馈当前机械臂的关节角度和扭矩；经验表征则提示“拧螺丝时应先对准再旋转，扭矩超过5N·m需停止”。这种分层抽象方式，使得模型在面对新场景时能够快速迁移。正如抠图技术可以从复杂背景中分离出主体，LaMPA的三重表征体系也能从混乱的物理环境中提取出任务相关的核心信息。
强化学习新范式：世界奖励模型加速工业部署
基础模型之外，强化学习是机器人完成场景交付的关键环节。传统方案依赖人工打分，当光照、工位布局或环境噪声变化时，往往需要重新采集数据、重新进行后训练，导致部署周期长达数周甚至数月。日冕开物针对这一问题，引入了一套可泛化的世界奖励模型（World Reward Model）。
世界奖励模型来自基座世界模型的蒸馏和后训练——基座模型演化出一个专门负责“评价”的模型，像一位“评论家”为强化学习提供稳定、一致的反馈。模型能够自动判断动作质量，判断什么是成功、什么是失败，从而大幅压缩针对新场景的后训练周期。这一创新对于AI创业公司而言意义重大：工业客户需要的不是一次性的自动化设备，而是一套能够快速复制、持续运行的解决方案。世界奖励模型使部署周期从数周缩短到数天，甚至更短。
实际上，这一思路与AI工具箱中常见的自动化评估工具有着相似的哲学——用AI评估AI，形成自我进化的闭环。日冕开物的技术团队表示，他们希望交付的不只是模型，而是一整套标准化产品，包括模型、硬件、训练系统，以及他们提出的Workflow Agent。这套体系让机器人能够与工厂现有设备、人员和生产节拍协同工作，真正成为“硅基工人”。
落地服务器制造：AI创业公司的To B破局之道
日冕开物已经与远图未来达成战略合作，将进入服务器制造这一高精度工业装配场景。从服务器制造的全流程开始，逐步延伸到前道和后道各项工序，实现全场景的跨产线规模部署。选择服务器装配作为切入点，体现了团队对商业现实的深刻理解——这是对精度、稳定性和灵活性要求极高的场景，恰恰最能凸显世界模型的价值。
在工业场景中，科技公司通常面临“落不了地”的困境：实验室的95%准确率在实际产线上可能变成30%。而日冕开物团队从创业第一天就重视产品化和工程化。他们提供的不是单一算法，而是包括数据采集、模型训练、现场部署和运行反馈在内的完整闭环。远图未来不仅作为客户，更作为联合开发者，双方共同打磨行业级解决方案。这种深度绑定模式，使日冕开物得以快速积累真实场景数据，形成数据壁垒。
值得注意的是，日冕开物采用了“自采+众包+模型增强”的三位一体数据策略。自建伴随式数据采集系统沉淀具备场景壁垒的全模态精细操作数据；通过数据众包平台获取高质量、多场景原始数据；利用世界模型驱动的数据增强（LCM）提升数据利用效率。这套数据生态的构建，让AI创业公司在面对大厂时拥有了差异化的竞争武器。就像背景去除工具需要大量标注数据训练，日冕开物通过数据众包平台以更低成本获取更丰富的分布，从而让模型泛化能力远超同行。
数据生态与开源战略：走向通用智能的必经之路
日冕开物近期发布了全球首个来自多个场景的双手全掌触觉专业操作数据集PalmDex。开源这一数据集并非简单的“秀肌肉”，而是深思熟虑的战略布局。创始人肖中阳表示，世界模型的发展最终不会依赖某一家公司的数据，而是依赖整个行业的数据生态。相比数据量，他们更关注数据分布——真正有价值的是覆盖工业、家庭、商业等不同场景、不同任务的数据，共同构成丰富的数据分布。
开源PalmDex的背后，是一套“数据价值发现和定价能力”的野心。作为一家模型公司，日冕开物清楚模型当前最需要哪些数据、哪些已经充足、哪些仍然稀缺。对于高价值数据，他们愿意给予更合理的激励，让更多社会资源参与数据采集。这种市场化数据供给机制，如果能够跑通，将彻底改变AI创业公司在数据上的被动局面。
从长远来看，日冕开物希望围绕模型、数据、交付和商业模式四个层面持续提升Scaling能力，使整套方案能够快速复制至更多工业场景及行业。这不仅是技术公司的商业愿景，更是AI创业走向成熟的标志——当底层模型开始像AI画图工具一样易用、可复制，具身智能的普及才能真正实现。而日冕开物正在做的，就是为这个未来铺平道路。