一、公司定位：面向工业工程的“物理 AI / Physics AI”公司
PhysicsX 是一家总部位于英国伦敦的工业 AI 公司，核心定位不是通用大模型，也不是传统 CAE 仿真软件，而是把 物理仿真、深度学习、工程数据和工程应用整合成一个“AI-native engineering platform”，用于加速复杂产品和工业系统的设计、制造与运行。其官网对自身的描述是：把 physics AI 直接嵌入工程工作流，让工程师从“想象一个设计”到“验证并制造出来”的距离大幅缩短。(PhysicsX)
通俗讲，PhysicsX 想解决的是：在航空航天、半导体、汽车、能源、材料等行业，传统高保真仿真往往要花数小时、数天甚至更久，工程师只能探索少量设计方案；PhysicsX 通过 AI 模型学习仿真数据和真实试验/运行数据，让某些物理行为预测从“小时/天级仿真”变成“秒级推理”，从而可以一次性探索成千上万种设计变体。(PhysicsX)
二、基本信息
PhysicsX 的英国公司登记实体为 PHYSICSX LIMITED，Companies House 显示其注册成立时间为 2019 年 8 月 1 日，业务性质包括工程相关科学与技术咨询、自然科学与工程研发等。(公司注册查询) 其官网和新闻稿显示，公司总部在英国，办公室包括伦敦和纽约，并正在扩展湾区与新加坡布局；官网列出的伦敦地址为 Victoria House, 1 Leonard Circus, London, EC2A 4DQ，纽约地址为 54 W 21st St., New York。(PhysicsX)
创始团队背景很强，带有明显的 Formula 1、AI 咨询和高端工程仿真基因。PhysicsX 由 Robin Tuluie 和 Jacomo Corbo 共同创办：Robin Tuluie 曾在 Renault/Alpine F1、Mercedes F1、Bentley 等机构从事研发和车辆技术工作；Jacomo Corbo 曾是 QuantumBlack 的联合创始人与首席科学家，也曾在 Renault/Alpine F1 任首席赛事策略师。(PhysicsX)
三、它到底做什么：用 AI 重构工程仿真与产品开发
PhysicsX 的核心不是简单“替代仿真软件”，而是把传统工程流程从串行模式改为更接近并行、可学习、可迭代的模式。传统流程通常是：设计 → 建模 → 网格/边界条件 → 高保真 CFD/FEA/多物理场仿真 → 分析结果 → 再迭代。这个流程的问题是慢、贵、依赖专家，并且不同学科之间数据割裂。PhysicsX 的说法是，现代工程系统越来越多是热、流体、结构、电磁、化学等多物理场耦合系统，单点工具或孤立模型不足以支撑系统级优化。(PhysicsX)
它的做法可以概括为：
- 用传统仿真、实验数据、运行数据训练 Deep Physics Models，DPMs；
- 让模型在新设计、新工况、新参数组合下快速预测物理行为；
- 用不确定性量化和主动学习判断哪些区域还需要补充仿真或实验；
- 把模型封装进工程师可用的应用、API 或企业工作流中；
- 在设计、制造和运行阶段持续复用数据和模型资产。(PhysicsX)
换句话说，PhysicsX 的价值主张是：不是让工程师不做仿真，而是把高保真仿真变成训练数据和校验基准，让 AI 推理承担大量快速探索、优化和实时决策工作。
四、平台结构：Simulation Workbench + AI Workbench + Engineering Applications
PhysicsX 官网把平台称为 AI-Native Engineering Platform。它大致由三个核心层组成。
第一层是 Simulation Workbench，用于统一管理仿真、实验和运行数据，支持 2D/3D 分析、数据转换、标注、数据 lineage，也就是工程数据的来源、版本和处理链路追踪。它的作用是把原本散落在 CAE 工具、HPC、实验系统和运行系统中的数据整理成可训练、可复用、可追踪的数据资产。(PhysicsX)
第二层是 AI Workbench，用于开发、训练、微调和部署 Deep Physics Models。PhysicsX 表示其平台支持多种模型架构、优化工具、不确定性量化和基准测试，并可结合第三方模型架构，例如 NVIDIA PhysicsNeMo，以及 PhysicsX 自己的 Opora 建模框架。(PhysicsX)
第三层是 Engineering Applications，也就是面向工程师和技术人员的应用层。它可以把底层 physics AI 能力变成设计空间探索、what-if 分析、过程控制、优化决策、虚拟传感器、预测性监测等具体应用。官网特别强调这类应用可以是无代码/低代码界面，也可以通过 API 或边缘部署集成到已有工程系统中。(PhysicsX)
五、重点行业与应用场景
PhysicsX 的重点行业包括 航空航天与国防、半导体、材料、汽车、能源与可再生能源、数据中心与工业机械等。官网列出的行业页面显示，其航空航天方向包括发动机、气动、可观测性、制造、质量吞吐和预测性维护；半导体方向包括晶圆制造、光刻、沉积、刻蚀以及真空泵等设备；汽车方向包括碰撞安全、外部气动、热管理和 giga-casting 等制造工艺；能源方向则覆盖发电、储能、输配电、低碳技术、电解槽和碳捕集等。(PhysicsX)
一个很典型的案例是 PhysicsX 与 Siemens Smart Infrastructure、NVIDIA 的合作，用 physics AI 加速 AI 数据中心供电基础设施中的母线槽/母排系统热性能建模。传统上，一个 busway segment 在动态 GPU 负载下的热仿真可能超过 24 小时，而 PhysicsX 与 Siemens 构建的 AI 加速模型可以在交互式工程应用中提供即时热预测，用于更大规模的设计空间探索和未来的数据中心级预测性监测。(PhysicsX)
另一个公开案例来自 Microsoft：PhysicsX 曾将方法用于 Microsoft Surface 设备热行为改进，使工程师能测试更多冷却风扇设计变体；Microsoft 文章还提到其在半导体制造设备原型开发、铜矿/金属提取效率优化等场景中的应用。(Microsoft UK Stories)
六、技术关键词：Deep Physics Models、Large Physics Models、Large Geometry Models
PhysicsX 经常使用几个关键词。
Deep Physics Models，DPMs：可以理解为针对某类工程系统或某类物理问题训练出的深度学习物理代理模型。它们不是纯数据拟合模型，而是依赖仿真、实验、运行数据以及物理约束来学习复杂物理行为。PhysicsX 官网称其 DPMs 可结合仿真和真实数据，并支持不确定性量化与主动学习。(PhysicsX)
Large Physics Models，LPMs：PhysicsX 把它描述为可跨组件、物理域和系统尺度泛化的大型物理模型。2026 年，PhysicsX 与 NVIDIA 宣布合作推进 physics AI 架构开放标准，其中就明确提到 LPMs 的时代需要共享架构约定、可互操作工具和可扩展流水线。(PhysicsX)
Large Geometry Models：Microsoft 对 PhysicsX 的介绍中提到，PhysicsX 正在使用大型物理模型和大型几何模型来生成、评估和细化设计，在极短时间内完成基于真实物理的设计推理。(Microsoft UK Stories)
七、融资与估值：从 2023 年出隐身到 2026 年约 24 亿美元估值
PhysicsX 的融资进展很快。2023 年 11 月，公司“走出隐身模式”，宣布 3200 万美元 Series A，由 General Catalyst 领投，投资方还包括 Standard Investments、NGP、Radius Capital 以及 KKR 联合创始人 Henry Kravis 等。(NGP)
2025 年 6 月，公司宣布 1.35 亿美元 Series B，由 Atomico 领投，Temasek、Siemens、Applied Materials、July Fund 等参与；当时公司表示这笔资金将用于全球扩张，并推动其企业软件平台在航空航天与国防、汽车、半导体、材料和能源行业的采用。(PhysicsX)
2025 年 11 月，PhysicsX 又宣布 Series B 扩展，来自 NVIDIA 风投部门 NVentures 的新投资使 Series B 总额超过 1.55 亿美元，公司估值接近 10 亿美元。(PhysicsX)
最新进展是 2026 年 6 月 8 日，PhysicsX 官方宣布完成 3 亿美元 Series C，估值约 24 亿美元，由 Temasek 领投，M&G Investments、Intrepid Growth Partners 以及 Applied Materials、Atomico、General Catalyst、NVIDIA、Siemens 等既有投资方参与。公司称本轮融资将用于全球增长、平台能力扩展以及更大的预训练 physics AI 模型研发。(PhysicsX)
八、为什么它受到关注
PhysicsX 受到关注，主要因为它踩中了几个趋势的交汇点。
第一，工业企业正在面临更短研发周期、更复杂产品和更高性能要求，传统 CAE/HPC 仿真成为瓶颈。PhysicsX 的核心叙事是把部分大型数值仿真迁移到 AI 推理，使设计空间探索从少量候选方案变成大规模并行探索。(PhysicsX)
第二，AI 数据中心、半导体、航空航天、国防、能源转型等领域都需要极高价值的工程优化。Financial Times 的报道也指出，PhysicsX 的最新融资与 AI 基础设施和数据中心热潮下的工业需求增长有关，并提到公司正在关注燃气轮机、离心压缩机、冷却单元、变压器等高价值工业细分领域。(金融时报)
第三，它的团队背景兼具 F1 高端工程、AI 产品化和企业级交付经验。F1 的工程文化本身就强调高压、短周期、极致优化和多物理场设计，这与 PhysicsX 想服务的工业客户场景高度相关。(PhysicsX)
第四，它不是单一工具，而是试图做一个平台。官网强调其平台包括数据统一、模型目录、仿真编排、AI Workbench、工程应用、企业部署和 CAE 集成，并支持 ANSYS、CATIA、Siemens NX、OpenFOAM、Siemens STAR-CCM+ 等工程工具连接。(PhysicsX)
九、商业模式与客户关系
从公开资料看，PhysicsX 更像是 企业级工业 AI 平台 + 深度交付团队 的组合，而不是简单按座席卖软件。它有平台化组件，但也强调 forward-deployed engineers / delivery engineers 会嵌入客户项目，和客户团队一起识别高价值场景、建立数据管线、训练模型、验证结果并落地到工程流程。(PhysicsX)
这意味着它的早期商业化很可能集中在大型工业集团、先进制造企业和高价值工程部门，而不是中小企业的标准化 SaaS。原因很简单：要训练可靠的 physics AI 模型，通常需要企业已有的仿真数据、试验数据、运行数据、工程知识和验证体系；这些资源主要掌握在大型工业企业手中。
十、与传统 CAE / 仿真软件公司的关系
PhysicsX 并不是简单要取代 ANSYS、Siemens STAR-CCM+、CATIA、OpenFOAM 等工具。它更像是在这些工具之上建立 AI 层和工程工作流层：传统仿真仍然用于生成高质量数据、校验边界、处理高风险工况；PhysicsX 的 AI 模型则用于快速预测、设计空间探索、优化和工程应用部署。其平台官网明确提到支持与行业标准 CAE/CAD 工具集成，包括 ANSYS、CATIA、Siemens NX、OpenFOAM、Siemens STAR-CCM+ 等。(PhysicsX)
因此，更准确的理解是：PhysicsX 试图把 CAE 从“专家使用的离线验证工具”扩展为“可被更多工程师使用的实时设计与运营智能基础设施”。
十一、潜在风险与挑战
PhysicsX 的方向很有吸引力，但也有明显挑战。
首先，physics AI 的准确性高度依赖数据质量、覆盖范围和验证流程。PhysicsX 自己也说明，模型输出和传统仿真一样是近似结果，可靠性取决于具体应用和训练数据质量；其解决办法包括不确定性量化、主动学习和用真实数据补充数值方法不足。(PhysicsX)
其次，工业客户的 IP、安全和部署要求很高。PhysicsX 表示客户数据只用于训练该客户环境下的模型，不会用于其他客户模型训练；平台支持 AWS、Azure、混合云、本地部署和 air-gapped 环境，并提到 SOC 2 与 ISO 27001 认证。(PhysicsX)
再次，行业落地需要与客户现有 CAD/CAE/PLM/MES/SCADA/数据湖/HPC 体系深度集成，这类项目周期、组织阻力和验证成本都不会低。PhysicsX 强调 delivery 团队和 forward-deployed 模式，本质上也是在承认单靠软件产品很难直接完成复杂工业场景落地。(PhysicsX)
十二、对工业设备监测和工程 AI 的启发
如果结合工业设备状态监测、预测性维护、边缘 AI 这类方向来看，PhysicsX 的价值不只是“仿真加速”，更重要的是它把 设计、制造、运行数据闭环作为一个整体来做。对设备监测项目尤其有启发：不要只把 AI 模型看成一个离线分类器，而应把仿真、实验、现场运行、故障事件、维护记录、模型不确定性和持续再训练一起纳入系统架构。
对于工业设备状态监测这类项目，PhysicsX 的思路可以转化为：用物理机理和传感器数据共同约束模型；把仿真/台架试验作为模型训练和异常边界探索的数据来源；在现场运行中用不确定性判断模型是否“没见过这种工况”；再把这些高不确定性样本回流到训练体系中。这个思路比单纯追求一个高准确率分类模型更接近工业 AI 的长期可用形态。
一句话概括：PhysicsX 是一家把高端工程仿真、物理建模和 AI 推理平台化的工业 AI 公司，目标是在航空航天、半导体、汽车、能源、材料和数据中心等高价值行业，把原本慢而贵的工程仿真与设计优化变成可大规模、秒级、可集成到工程流程中的智能能力。