按 Cmd/Ctrl + P 导出 PDF:纸张方向选「横向」、边距选「无」,并勾选「背景图形 / Background graphics」,否则底色会变成白色。

返回演示
Abstract physical world represented by spatial particles and trajectories
投资人 BP · 2026

PhysenseAI

物理世界理解模型

将碎片化的物理观察,转化为机器可理解的现实。

物理智能,始于理解
02The Next Model Frontier

AI 已经理解数字信息。现在,它需要理解物理世界。

语言
“门外有一只猫。”
LLM
图像 / 视频
像素 · 帧
视觉模型
物理世界
信号 · 时间 · 变化
?
新类别揭示PHYSENSEAI

这不是又一种感知设备,而是一个新的模型层。

03Observation ≠ Understanding

被观察,不等于被理解。

碎片化观察
?

究竟发生了什么?

观察事件状态意义
机器可理解事件

当 AI 只收到碎片信号,软件和机器就只能基于不完整的现实做决定。

04Why Now

四条曲线,正在汇入同一个缺口。

01 · 更丰富的感知

物理信号变得更丰富、连续

02 · 边缘计算

持续推理可以在本地完成

03 · AI 学习

时序与多模态学习能力成熟

04 · PHYSICAL AI

AI 正从屏幕走进真实世界

理解
缺失的一层

世界已经可以被规模化观察;缺失的是理解层。

05Perceptual Map

一个尚未被占据的模型位置

信号检测 → 物理理解任务专用 → 可泛化
传感器厂商
IoT 平台
视觉 AI
机器人感知
PHYSENSEAI
类别位置

从检测一个信号,到形成可复用的现实理解。

这定义了一个模型类别,而不是一张竞品清单。

PhysenseAI 不优化单一任务;它学习可被多种任务复用的物理表示。

06The Physense Model

从异构观察,到统一的物理表示。

Signals converging into a unified physical representation
运动
压力
振动
音频
视觉
环境
统一 · 结构化 · 可学习
物理
表示
事件
状态
上下文
动态
预测

不是 IoT 流水线,也不是软件栈;核心资产是可学习、可复用的物理表示。

07Semantics → Representation Learning

我们正在进行 AI 模型研发的第一阶段。

TODAY

可解释的物理事件推理

01真实物理观察
02事件本体
03结构化监督信号
04已验证物理语义
NEXT

学习型物理表示

01监督信号 + 真实世界序列
02学习事件 / 状态表示
03跨环境泛化
04预测

规则不是终点;它们是获取物理语义与结构化监督信号的起点。

08What PhysenseAI Learns

理解,不是标签;它是一层不断生长的能力。

01
事件
发生了什么?
02
状态
正在发生什么?
03
上下文
这意味着什么?
04
动态
它如何变化?
05
预测
接下来会发生什么?

同一个学习型表示,可以被软件、智能空间与 Physical AI 重复调用。

09证据与验证

严格区分:已证明、下一步、研究命题。

已验证01
技术验证
  • 真实设备接入
  • 多源时间对齐
  • 事件重建
  • 连续推理 / 端侧运行
初始连续真实设备验证数据集:41 小时
下一步02
真实环境验证
  • 更长连续序列
  • 跨环境稳定性
  • 有真实标注时进行误差分析
研究命题03
学习型泛化
  • 学习型表示
  • 超越可解释基线
  • 跨环境泛化

技术验证已经开始;商业验证仍处于早期市场探索阶段。

10The Research Thesis

把不可见的现实,变成一个可学习的循环。

A circular physical world learning loop
01 · 表示
我们能否表示物理现实?
02 · 重建
能否从不完整观察中重建?
03 · 泛化
学习能否超越规则?
物理世界
观察 · 表示 · 重建 · 学习 · 泛化

每个研究问题都必须对应验证、交付物与新能力。

11One Representation · Many Environments

从一个真实入口,走向多个环境。

一种物理表示
多个环境复用
养老 / 康养机构
首个验证与商业化入口
BEACHHEAD · 首个付费市场
智能空间
需要实时上下文的建筑与场所
工业环境
复杂过程、设备与人员协同
Physical AI
需要理解环境再行动的机器

先在养老 / 康养环境完成验证与商业闭环,再让同一种物理理解跨环境复用。

12市场机会

从养老机构床位,推导首个可服务的软件市场。

先聚焦中国养老 / 康养机构运营方;其他环境是后续扩展,不重复计入。

TAM
人民币 61 亿元 / 年
507.7 万张养老机构床位
× 每床每年人民币 1,200 元
SAM
人民币 40 亿元 / 年
护理型床位占 65.7%
约 333.6 万张护理型床位
SOM · 第 5 年
人民币 2,000 万 ARR
SAM 床位的 0.5%
约 1.67 万张付费床位

来源:民政部、全国老龄办《2024 年度国家老龄事业发展公报》:注册养老机构 4.0 万个、床位 507.7 万张,护理型床位占 65.7%。

创始人假设:每床年软件价值人民币 1,200 元;五年 SOM 为护理型床位的 0.5%。不含部署 / 接入费。

这是首个切入口的自下而上假设,不是公司终局市场或收入预测;定价与渗透率将由付费试点校准。

13为何形成壁垒

每一次真实世界暴露,都让模型更难被复制。

Compounding physical world learning loop
复利核心
每一次真实世界暴露
都让 PhysenseAI
变得更强
更多真实环境
更多物理序列
更好的物理表示
更广的泛化能力

壁垒不是静态数据量,而是部署—学习—验证持续增强的系统。

14商业化与首个切入口

先解决养老机构的明确购买触发点,再扩展模型价值。

首个付费市场
养老 / 康养机构运营方

购买触发点:持续理解房间事件与状态,降低照护盲区,支持主动查房与异常处置。

首批买方
养老机构运营方 · 院长 / 运营负责人
渠道
机构直销 · 养老运营合作方 · 系统集成商
部署 / 接入
接入养老机构的房间与现有感知设备
年度订阅
按房间或机构持续理解事件、状态与上下文
API / SDK
验证后向第三方软件与更多环境开放
当前阶段早期客户访谈 · 付费试点假设待验证

客户为持续、可解释的房间状态理解付费,而不是为更多传感器付费。

15团队与融资

用 18 个月,组建核心团队并证明可学习的物理世界理解模型。

Yang Li · 创始人

信息处理科学硕士;17 年科技行业经验,多次推动产品从 0 到 1。具备 AI 原生产品、智能体与 SaaS 经验,负责将研发转化为国际化产品与商业路径。

Henglin Shi · 科学顾问

瑞典林雪平大学计算机视觉与学习系统部门助理教授;奥卢大学博士、KTH 博士后。研究聚焦人类行为理解与多模态信号处理。

下一关键招聘
CTO / Head of AI

全职负责模型研发、物理表示学习、训练与验证体系,并组建核心 AI 工程团队。

本轮融资
人民币 1,000 万
天使轮 / 种子轮
0–6 个月
技术负责人到岗 · 物理表示基线
6–12 个月
真实世界重建 · 数据与误差分析
12–18 个月
在真实序列上验证学习型泛化
资金用途
40% 模型与表示 · 35% 真实环境验证 · 25% 团队与运营
验证目标
物理表示 · 真实世界重建 · 学习型泛化
最终解锁
可学习的物理世界理解模型

我们明确知道团队缺口,并将用本轮融资补齐全职模型研发负责人。

Abstract physical space formed by particles and trajectories
PhysenseAI · 物理世界理解模型

让 AI 理解物理世界正在发生什么。

PhysenseAI13611909946contact@physense.world