候选项目库

技术路线为以原生4D World Token为核心的4D世界模型(4D=3D空间+时间):在统一模型中整合空间、时间、物理与交互学习,将杨氏模量、密度、动量、受力等物理量编码进表征,支持动态世界重建、生成、仿真与智能体训练,区别于"3D场景+时间轴"的3.5D方案,使模型可解释、可纠错并支撑强化学习落地。全栈能力覆盖:实时神经渲染SlimmeRF(3DV 2024 Best Paper)、全球首个开源高拟真自动驾驶仿真器MARS、全球首个开源高自由度双灵巧手VLA模型Dexora(ICRA 2026 Best Paper Finalist)、单图生成8K 3D模型的TRELLIS.2(CVPR 2026 Best Student Paper);与长城汽车联合的TideGS可在单张24GB GPU上支持超10亿Gaussian Primitives,训练规模较行业提升约一个数量级。应用覆盖具身智能(Gravity 4D仓储世界模型,验证多SKU抓取、料箱搬运与移动机器人协同)、自动驾驶(OmniNWM多模态长时序世界预测)、游戏影视与医疗手术机器人仿真训练。

隐式世界模型突破物理AI理解瓶颈。技术方向:物理AI隐式概念世界模型。区别于依赖大语言模型(LLM)外挂或显式像素级仿真的主流路线,公司首创基于潜变量状态转移的隐式物理建模方法,在数学潜空间中学习物体、状态、运动及交互关系,无需渲染逼真画面即可进行物理推演,算力需求有望降低一至两个数量级,并可在隐式表征空间中组合推演训练中未完整出现的对象、场景和任务。融资后重点研发方向包括构建千万级物理交互轨迹的多模态数据集、打通“仿真推演—现实反馈”数据闭环、扩建超算集群优化隐式模型训练效率,并攻克长时序规划与多对象物理交互瓶颈。应用场景面向自动驾驶、通用机器人、工业自动化、智能硬件与仿真数据生成等物理智能领域。

NEU1012se 系列类脑大模型推理芯片:SNN 事件驱动数据流、局部同步全局异步稀激激活与分布式细粒度存储,计算复杂度压缩至传统方案一半以下;非结构化稀疏计算芯片已完成流片验证,类脑模型推理能效 0.62pJ/SOP;算法-硬件协同设计架构 DuoQ 使计算效率提高 8.8 倍、能效提高 23.45 倍;类脑脉冲大模型「瞬息 1.0」支持 760 亿参数,推理速度提升 100 倍、能效提升 43.48 倍;已适配 GLM、千问、DeepSeek 及瞬悉类脑大模型,并在算力中心完成原型验证。

技术路线:忽略氢键、静电与范德华力对结合的直接贡献,以疏水作用与低熵水合层为核心预测蛋白质折叠与相互作用,实现不依赖同源建模与AI的蛋白质二级结构预测。AI药物分子设计,针对任意靶点预测蛋白复合物结构与结合亲和力、修正靶向设计缺陷。量化案例:为百英生物提供的20个抗体变异方案实现亲和力提高5倍;为中科新进提供的多肽药物亲和力显著高于原候选药物、成本降低40%;通过深圳塔吉瑞测试,准确预测PROTAC分子与靶标蛋白二元及三元复合物稳定构象、两端KD值及连接链最优长度。产品覆盖单抗、多肽、小分子药物的靶向作用优化与耐药性改良设计,并可针对体内代谢副产物毒性进行改善设计。

IntelliFold定位"可控的基础模型":对蛋白质、核酸、小分子、离子、修饰残基等多种生物分子间的相互作用进行高精度三维结构预测;通过轻量级可训练适配器实现别构预测、给定口袋结合预测等特化能力,并可预测结合亲和力(Affinity)以增强虚拟筛选效率。第三方技术测试显示:蛋白质单体、蛋白质-蛋白质界面、蛋白质-DNA/RNA界面预测与AF3表现相当,RNA单体预测超越AF3,抗体-抗原界面与蛋白-配体预测成功率略低于AF3。迭代版本IntelliFold-2通过架构优化与策略引导采样,在抗体-抗原、蛋白-配体等治疗相关任务上进一步提升,并以Flash/Pro等开源多版本开放。

技术方向:神经认知世界模型(Neural-Cognitive World Model)。摒弃单一"状态预测器"路线,借鉴人脑机制构建四大模块——神经记忆系统(长期经验积累)、世界知识系统(对象、关系与事件规律)、神经推演系统(未来状态预测与行动规划)与神经校准机制(真实交互中持续修正认知),构成"记忆—知识—推演—校准"认知闭环及仿生人脑"快慢规划—长短记忆—强化重规划"架构。在World Arena 2.0(IROS 2026)评测中,Track 1(世界模型即数据引擎)位列前三、Track 2(世界模型即仿真器)稳居第二,验证了小样本学习、训练效率与真实环境泛化优势。

技术方向为具身世界模型基础设施,围绕物理AI落地构建四层架构:一是机器人数据获取与治理,通过第一视角人类视频、机器人交互数据、三维重建与手—物关系建模,将真实环境中的物体、空间、动作和接触关系转化为Robot-ready训练数据;二是3D物理资产生成与场景重建,基于照片/视频将真实环境重建为可训练、可交互、可编辑的三维任务环境,引入碰撞、摩擦、形变等物理属性与接触关系,一段真实经验可扩展为大量可控训练场景;三是统一世界动作模型与机器人策略训练,同一模型既生成机器人动作也预测执行后的视觉、状态与接触变化;四是生成式强化学习与世界模型驱动的具身递归自我改进(RSI)闭环。在灵巧手操作等接触密集任务验证中,引入触觉—视觉世界模型后任务成功率提升30%以上。应用于人形机器人、灵巧手操作、仿真训练全链路等具身智能场景。

Jsmart Mesh数据栅格+Jsmart OS软件定义生产:工业大数据汇聚与生产软件定义,弹药舱段无人自动对接装配系统填补国内空白;对标Palantir“平台+数据+装备”模式。