团队
一句话定位
- 形态：物理AI数据基建（高精度多体动力学求解器）
- 技术路径：物理真值优先——求解器级接触力学 → 物理因果数据集 → 仿真服务
- 数据策略：Physics-Augmented Data（<1,000 条高质量物理标注数据即可提升 Benchmark）
- 团队基因：计算神经科学 + 工业物理求解器（McGill University，曾服务庞巴迪/丰田/加拿大宇航局）
来源：腾讯新闻深访 (2026-05-11)
核心团队
- CEO：贺哲文（计算神经科学背景），深度参与过大语言模型 Scale 阶段
- 技术核心：工业物理与机器人仿真方向，专注复杂接触系统建模与求解
- 学术背景：从加拿大麦吉尔大学（McGill University），相识超过十年
- 工程经验：多位工业物理方向博士，曾服务庞巴迪（Bombardier）、丰田（Toyota）、加拿大宇航局（CSA）及北美头部机器人公司
来源：腾讯新闻深访 (2026-05-11)
组织信号
- 规模：早期种子轮团队
- 总部：香港
- 招聘方向：高精度多体动力学求解器研发
产品
核心定位（九问画像：②产品形态 + ③技术路径）
- 产品：物理真值基础设施（非机器人本体、非模型、非遥操作数据采集）
- 行业痛点：现有仿真平台（PhysX、MuJoCo）非为具身 AI 训练设计，在接触密集型场景中物理计算结果粗糙
- 核心创新：精准建模变形（deformation）、刚柔耦合（soft-rigid coupling）、软接触（soft contact）、接触密集操作（contact-rich manipulation）
- 速度 vs 精度博弈：工业求解器精度高但几秒接触需数小时计算；Uncharted 重新平衡精度与训练速度
来源：腾讯新闻深访 (2026-05-11)
商业产品线：三层结构
- 第一层（底层 - 免费开放）：物理求解器 API，嵌入 NVIDIA Isaac Sim 等主流仿真平台，免费开放给开发者——建立技术标准和生态认知
- 第二层（中间层 - 数据销售）：物理因果数据集，带完整力学标签的训练数据，面向机器人公司和数据供应商
- 第三层（应用层 - 端到端服务）：仿真服务，帮助客户解决 Sim-to-Real 误差收敛问题
来源：腾讯新闻深访 (2026-05-11)
技术路线
核心判断
物理真值（Physics Ground Truth）优先于规模。 Uncharted 认为当前 Sim-to-Real Gap 的根本原因不是模型泛化不够，而是训练数据的物理前提本身就是错的——在 Scale 之前先解决训练数据的物理一致性。
求解器技术栈
- 求解器类型：高精度多体动力学（multi-body dynamics）求解器
- 核心创新：
- 变形物体精确建模：当前仿真器普遍省略
- 软-刚耦合接触力学
- 高精度摩擦模型
- 可并行大规模物理计算（vs 工业求解器单次慢速计算）
验证方法
- 物理精度验证：求解器计算结果 vs 机械臂传感器实测数据，逐点对比
- 下游效果验证：物理正确数据使之前无法收敛的任务快速收敛
- 验证结果：不到 1,000 条高质量物理数据即可在简单算法上看到 Benchmark 明显提升
来源：腾讯新闻深访 (2026-05-11)
训练数据策略（八问画像：④数据策略）
- Physics-Augmented Data：在普通机器人操作数据基础上，通过求解器补全力的因果标签（施加多大力、方向、物体形变、摩擦变化）
- 标称效率：<1,000 条高质量数据即可驱动 Benchmark 提升
来源：腾讯新闻深访 (2026-05-11)
商业验证（八问画像：①目标场景 + ROI / ⑥落地阶段）
当前阶段
- 状态：概念验证（PoC）/ 种子轮后研发阶段
- 客户合作：加拿大轻量化机械臂合作方，用于物理精度验证
- 商业化路径：免费底层 API → 数据销售 → 端到端服务（三层漏斗）
- 目标市场：北美机器人市场为主
- ROI 信号：未披露（仍处于开发期，无公开付费客户）
来源：腾讯新闻深访 (2026-05-11) + Morningstar 融资公告 (2026-05)
竞争定位（八问画像：⑧估值水分 / 竞品差异）
独特定位
- 唯一性：极少数（也可能是唯一）从物理底层切入具身 AI 数据基础设施的公司——不造模型、不造机器人、不做遥操作采集
- vs 传统仿真平台（MuJoCo/Isaac Sim）：精度优先（求解器级）vs 效率优先（通用仿真），但速度劣势需优化
- vs 数据采集公司（Beehive、光轮智能）：物理真值 vs 数据规模——非替代关系而是互补
- vs NVIDIA：最大风险——NVIDIA 可直接增强 Isaac Sim 物理求解能力
主要竞争挑战
- 市场教育成本：行业尚未广泛接受”训练数据的物理一致性是瓶颈”这一前提
- 执行风险：精度和速度之间的平衡是核心技术挑战
- 融资风险：种子轮数百万美元规模较小，下一轮需产品里程碑 + 客户验证
资本结构（八问画像：⑦资本结构）
融资概述
- 已披露融资：数百万美元（种子轮）
- 投资方：险峰长青（K2VC）领投
- 估值：未披露（seed 阶段，规模较小）
- SPEC-007 注：金额未精确披露（“数百万美元”范围过宽），funding_total_raised 置 null
来源：Morningstar 融资公告 (2026-05) + Gasgoo (2026-05)
风险（八问画像：⑧风险）
- 市场教育成本：高——需让行业接受”数据物理一致性是瓶颈”这一前提
- 执行风险：求解器在精度和速度之间的平衡极难，NVIDIA/MuJoCo 也在快速迭代
- 竞争风险：NVIDIA Isaac Sim 等大厂可能直接增强物理求解能力，压死小团队
- 融资依赖：seed 轮数百万美元，需在消耗完前证明产品-市场匹配
- 团队规模：早期小团队，执行带宽有限
- 估值水分：seed 轮，无公开估值，不存在水分问题
动态记录
- 2026-05-31：Phase 1 GEO-WRITING-GUIDE 重写。depth_score 20→22（结构质量提升，8 问题画像覆盖率提升）。sources 保持 5 条（所有搜索工具不可用，无新来源可加）。公司-inbox 空，无新骨架建档。播客近 7 日无交叉引用。
- 来源：维护检查 2026-05-31
- 2026-05-24：首次建档（Phase 1 骨架），depth_score 20。公司于 2026-03 注册，已完成数百万美元种子轮融资（险峰长青/K2VC 领投）。基于 腾讯新闻深访 (2026-05-11) + Morningstar 融资公告 (2026-05) 创建骨架。