前特斯拉仿真团队创立Zeromatter,估值11亿美元主攻物理AI仿真

举报
yd_235198973 发表于 2026/11/16 07:54:58 2026/11/16
【摘要】 前特斯拉计算机仿真负责人Ian Glow创立物理AI仿真初创公司Zeromatter,累计融资1.6亿美元,最新估值达11亿美元。公司利用游戏引擎高保真渲染与数字孪生技术,主攻自动驾驶、人形机器人灵巧手操作及无人机等复杂场景下的Sim-to-Real(仿真到现实)验证,助力具身智能跨越商业化安全鸿沟。

导语:据科技商业媒体 The Information 独家披露,曾主导特斯拉计算机仿真部门的 Ian Glow 携手两位前特斯拉仿真高管创立了软件初创公司 Zeromatter。凭借在游戏引擎虚拟建模与物理世界高保真还原上的技术壁垒,该公司在 B 轮融资中斩获 1.1 亿美元,整体估值跃升至 11 亿美元。本文将深度拆解 Zeromatter 的核心技术路线及其对自动驾驶与具身智能基础设施的深远影响。

一、 独家速递与核心技术方案拆解

  • 创始团队与资本版图:

    • 核心班底:Zeromatter 成立于 2023 年,由前特斯拉计算机仿真部门负责人 Ian Glow(任 CEO)、前特斯拉仿真团队高级经理 Axel Gneiting(任首席工程师)以及 Michael Hosticka(任内容策略负责人)联合创立。三位创始人均出身于顶级电子游戏开发领域(Ian Glow 曾任职于微软 Mojang Studios 参与《我的世界》开发)。

    • 人才与融资密度:目前公司规模超 130 人,吸纳了约 40 名特斯拉前员工,以及来自通用汽车旗下 Cruise(约 10 人)、亚马逊 Zoox、波音、空客和洛克希德·马丁的工程专家。公司累计融资达 1.6 亿美元,其中去年的 B 轮融资规模为 1.1 亿美元,投后估值高达 11 亿美元。

  • 技术核心:攻坚 Sim-to-Real(仿真到现实)物理保真度:

    • 游戏引擎向工业级数字孪生的范式转移:Zeromatter 的核心逻辑是将3A级电子游戏的实时渲染与物理引擎技术引入工业级训练,用 AI 智能体或控制算法替代人类玩家,在虚拟环境中对极端危险驾驶工况、工厂工具操作等长尾场景进行数百万次并发压力测试。

    • 传感器级硬件在环校准:为缩小虚拟世界与物理现实的差距(即提升 Sim-to-Real 比率),Zeromatter 斥资自建了包含真实电动汽车、机器人、物理实验室及大规模 AI 算力集群的验证闭环。以视觉传感器仿真为例,团队在实验室中对真实摄像头进行多角度、多参数(包含镜头畸变、硬件缺陷与校准偏差)实测,随后在仿真器中 1:1 复现其光学与物理退化特征,确保算法在虚拟环境中的感知输入与真实物理硬件完全一致。

    • 人形机器人的下一阶段重心:Ian Glow 指出,当前人形机器人行业已基本攻克运动控制(Locomotion,如行走、奔跑、跳舞),真正的商业化瓶颈在于灵巧操作(Manipulation)——即机器人手部与复杂物理工具交互时的精细力学反馈,而高物理保真度的仿真环境正是生成此类高质量合成训练数据的关键。

维度 传统物理实测与路采方案 Zeromatter 工业级高保真仿真方案
数据获取方式 依赖真实车队/真机在物理世界采集长尾数据 基于数字孪生世界进行大规模合成数据生成(Synthetic Data)
测试安全性与成本 极端危险工况测试风险极高,硬件损耗与时间成本高昂 零物理损耗,支持数百万次并发边界条件(Corner Case)推演
传感器还原精度 真实物理输入,但难以覆盖特定硬件老化或极端畸变 实验室实测建模,精准复刻摄像头缺陷、校准偏差与物理动力学
核心适用瓶颈 常规行驶、基础运动控制验证 自动驾驶极端长尾场景、人形机器人灵巧手精细物理交互

二、 深层博弈与产业生态影响

  • 物理 AI(Physical AI)时代的基础设施重塑: 大语言模型在数字世界已取得突破,而下一阶段 AI 竞争的主战场正转向与物理定律强相关的具身智能、自动驾驶与低空无人机领域。由于真实物理世界的交互数据极度稀缺且采集成本高昂,高保真物理仿真引擎正在演变为类似“云原生时代操作系统”的底层基础设施,直接决定了 AI 模型向物理实体部署的迭代速度与安全边界。

  • 跨行业技术外溢与产业链分工细化: Zeromatter 的崛起印证了新能源汽车与机器人产业的技术外溢效应。随着特斯拉 Optimus 等项目引爆全球人形机器人研发热潮,以及航空航天、无人机制造商对自主化率的要求提升,主机厂与机器人企业正逐步将底层通用仿真平台外包给第三方专业软件商。Zeromatter 采用“跨行业底座”策略,将同一套高保真物理模拟引擎同时输出给自动驾驶、机器人、无人机及传感器厂商,形成了极高的商业杠杆。

  • 算力需求向实时渲染与物理求解倾斜: 与纯文本大模型的训练不同,高保真物理仿真对底层算力提出了双重要求:既需要强大的图形渲染管线(GPU 光线追踪、高帧率视口生成),又需要高精度的多体动力学与接触力学并行求解能力。这将进一步拉动云端异构计算集群与仿真专用算力节点的消耗。

三、 行业启示与开发者视角

  • 合成数据与仿真环境成为算法迭代的核心壁垒: 对于从事自动驾驶与具身智能开发的团队而言,单纯依赖真实世界数据采集已触及边际效应天花板。构建高置信度的 Sim-to-Real 评估体系,利用仿真平台批量生成包含物理反馈的合成数据,正成为突破算法长尾瓶颈的标准工程路径。

  • 复合型工程人才的稀缺性凸显: Zeromatter 的团队构成揭示了物理 AI 研发的新趋势——未来的核心基础设施团队需要深度融合计算机图形学/游戏引擎开发、传感器物理建模以及强化学习与控制算法三类跨界能力。开发者在技术选型与能力拓展时,应重点关注物理引擎(如基于 USD 通用场景描述的生态)与 AI 训练管线的深度耦合。

  • 云端仿真即服务(Simulation-as-a-Service)的广阔空间: 随着高保真仿真对算力规模和并发测试吞吐量的要求呈指数级上升,本地工作站已难以支撑大规模虚拟验证。依托云计算平台的弹性算力调度,实现大规模分布式仿真并发与自动化 CI/CD(持续集成与验证)闭环,将成为云基础设施服务具身智能与智能汽车产业的重要发力点。

【声明】本内容来自华为云开发者社区博主,不代表华为云及华为云开发者社区的观点和立场。转载时必须标注文章的来源(华为云社区)、文章链接、文章作者等基本信息,否则作者和本社区有权追究责任。如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱: cloudbbs@huaweicloud.com
  • 点赞
  • 收藏
  • 关注作者

评论(0)

0/1000
抱歉,系统识别当前为高风险访问,暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称,即可参与社区互动!

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。