厘清智能获数亿融资：构建Physical AI底座，加速大模型落地

type

status

date

slug

summary

大模型能力外溢：真实世界呼唤“物理基础设施”

过去两年，LLM（大型语言模型）取得了令人瞩目的成就。无论是openai推出的chatGPT，还是表现优异的claude，它们在处理文本、代码甚至音视频等数字信息时已经游刃有余。然而，数字世界的成功并不能直接平移到物理世界。

在数字世界中，我们可以通过几句精准的Prompt（提示词）来引导模型生成一篇高质量的文章或一段精美的视频。但在真实的制造车间或服务场景中，物体有重量，接触会产生反作用力，同样的抓取动作在不同角度下会产生截然不同的结果。多模态大模型需要一种过去并不存在的基础资源：可以被机器学习、验证并持续迭代的真实世界物理经验。

厘清智能创始人、清华大学人工智能学院助理教授李一鸣敏锐地捕捉到了这一痛点。他指出，基础模型走向产业的规模标准正在发生改变。如果每进入一个新场景都需要重新采集数据、重新训练模型并配备庞大的工程团队，大模型在物理世界的应用就永远无法形成软件时代的规模效应。

厘清智能的破局：打造Physical AI Infra闭环

为了填补这一底层缺口，厘清智能没有选择“单点切入”的轻资产模式，而是迎难而上，构建了一套完整的Physical AI Infra平台。

首先是数据采集。语言模型之所以能爆发现象级能力，是因为互联网上早已积累了海量的文本数据。但物理世界的数据（如力度、触觉、空间运动轨迹）往往随着任务的完成而消失。为此，厘清智能推出了T1系列数采手套和Ego数采设备，能够同步记录真实任务中的多模态信息，将工人的“手感”和“经验”转化为机器可学习的结构化数据。

其次是形成学习闭环。厘清智能提供的不仅仅是一批数据集，而是一条“越来越快的学习曲线”。从前沿的物理模型研发、物理仿真验证，到能力评测、跨本体设备适配，再到最终的系统部署。这套闭环让模型厂商和终端客户能够共享一套基础设施。上一个项目积累的数据、失败记录和适配经验，可以直接赋能下一个项目，大幅降低了开发和交付成本，这也为未来的AI变现开辟了更具规模化的商业模式。

从世界工厂到“世界训练场”：中国AI的新机遇

在探讨AI发展版图时，我们经常提到算力和算法。英语世界凭借几十年的互联网积累，为大语言模型提供了最丰富的数字养料。但在Physical AI时代，数据的地理分布发生了根本性的改变。

物理世界的数据不主要存在于互联网的网页或论坛中，而是藏在工厂的流水线、实验室的操作台以及无数真实产业场景的细节里。中国作为全球唯一拥有联合国产业分类中全部工业门类的国家，过去四十年积累了极其丰富的制造经验和复杂的作业场景。

正如李一鸣所言，中国不仅是全球的制造基地，更极有可能成为下一代物理智能最重要的“世界训练场”。密集的产业场景为系统提供了持续验证的机会，海量的高质量物理世界数据将成为推动中国人工智能在具身智能领域弯道超车的核心驱动力。

结语：重塑AI与现实的连接

厘清智能此次获得数亿元融资，不仅是资本市场对Physical AI Infra赛道的高度认可，更是整个AI行业从“数字原生”向“物理原生”迈进的重要信号。当模型能力不再局限于屏幕内的对话和生成，而是真正融入生产制造和日常服务时，AGI的曙光才算真正照进现实。

在未来，连接基础模型与真实世界的基础设施将成为智能时代的“新基建”。如果您希望持续追踪大模型落地、具身智能发展以及最新的AI日报和行业深度解析，欢迎持续关注AINEWS，我们将为您带来最前沿、最有价值的AI行业洞察与资讯。