PhysicsX 完成 3 億美元 C 輪融資，以 AI 物理模擬重塑全球工業設計

Jacomo Corbo 和他的共同創辦人離開 F1 賽車工程那個追求極致效率的世界時，帶走的是賽車工程師對於「迭代速度」的執念。在 F1 賽場，一次前翼氣流模擬可能決定賽車每圈快或慢幾分之一秒，而分秒之差就是冠軍與落後者的距離。在商業製造業，同樣的模擬流程需要數天甚至數週，對企業來說意味著延遲上市的鉅額損失。

2026 年 6 月 8 日，PhysicsX 宣布完成 3 億美元 C 輪融資，由新加坡主權基金淡馬錫（Temasek）領投，新進投資人包括 M&G 和 Intrepid Growth Partners，並與輝達（Nvidia）、應用材料（Applied Materials）、Atomico、General Catalyst 及西門子（Siemens）等既有股東共同參與。本輪融資後，這家倫敦新創估值達到 24 億美元，較一年前的約 10 億美元翻倍以上，累計募資總額達約 5 億美元。

從賽道到廠房

PhysicsX 所切入的是 AI 領域中一個既專門又快速擴張的利基市場——以物理學為基礎的工業模擬。傳統的計算流體力學（CFD）與有限元素分析（FEA）模擬，是工程師用來預測熱力、應力、流體與電磁力如何作用於實體零件的核心工具，但這些工具耗用大量計算資源。光是模擬一片下一代噴射機渦輪葉片的熱行為，即使在最強大的高效能運算叢集上也要跑上數天。若要在設計空間中探索數千種方案，幾乎無法實現。

PhysicsX 的解法是訓練深度學習模型，公司稱之為「大型物理模型」（Large Physics Models，LPMs）——這些模型以熱力學、流體動力學、結構力學及耦合多物理場等大量物理系統行為數據為訓練基礎。一旦訓練完成，LPM 能在幾毫秒內完成過去需要數小時的模擬評估，讓工程師在相同時間內探索多出幾個數量級的設計方案。

「我們把過去需要數月才能完成的複雜設計與模擬流程，壓縮到幾秒內，」執行長 Jacomo Corbo 在公告中表示。影響絕不只是加速而已：某些最佳化問題只有在每次評估成本從數小時降至幾分之一秒後才變得可行。LPM 不只是加快既有流程，而是讓過去根本無法嘗試的設計探索成為常規作業。

投資人名單，形同策略聯盟

PhysicsX 的股東名單組成，其意義幾乎不亞於融資金額本身。輝達持續加碼，反映出其判斷：工業模擬將成為下一代 GPU 最具需求的運算工作負載之一，而 PhysicsX 很可能是這波需求的主要驅動者。市值逾 700 億美元的半導體設備商應用材料，則視更快的物理模擬為加速自身次世代節點製程研發的關鍵。西門子擁有龐大的工業自動化產品組合與 Simcenter 模擬平台，具備將 LPM 整合進其工程工具的絕佳條件。

淡馬錫選擇領投本輪，釋放出更深遠的訊號：主權基金開始意識到，工業基礎層 AI——相較於消費級聊天機器人不那麼光鮮亮麗，但在經濟層面可能更為關鍵——值得直接持股，而非透過上市股票間接佈局。新加坡長期以提升先進製造業競爭力為國家政策優先要務，取得最有可能定義 AI 加速工程設計之公司的股份，完全符合這一戰略方向。

四大目標產業

PhysicsX 將其市場布局聚焦於四個模擬瓶頸最嚴峻、商業回報最直接的垂直領域：

航太與國防：機身及發動機研發每個專案需要數千次高精度 CFD 運算，開發週期往往長達十年。PhysicsX 的平台在新型態設計上尤其具備價值——氫燃燒發動機、融合翼體構型、都市空中移動載具——這些領域缺乏既有的實測資料庫，必須仰賴計算模擬取代飛行經驗。

半導體製造：晶圓廠持續微調數百道電漿與化學沉積製程以優化良率。製程模擬已成為次 2 奈米節點研發的主要瓶頸之一，應用材料的策略投資暗示 PhysicsX 正在這個方向上進行共同開發。

潔淨能源：核融合反應爐設計、離岸風機結構最佳化、下一代電池組熱管理，都涉及複雜的多物理場問題。工程人才的培育速度遠跟不上這個領域的資本投入，LPM 提供了一個局部解方：讓現有工程師的生產力成倍提升，而非等待新一代人才培養完成。

汽車與賽車：公司的 F1 背景，讓它在全球最嚴苛的模擬使用者群體中擁有不言而喻的公信力。F1 車隊每賽季產出 PB 等級的氣動力學數據，並率先開發了許多 PhysicsX 正在推廣至更廣泛產業的技術。

LPM 的大賭注與潛在風險

PhysicsX 的核心賭注——通用型大型物理模型能像大型語言模型處理文本一樣，實現跨領域的泛化能力——是一個大膽的論題。這個類比並不完美。物理系統雖然遵循已知方程式，但高精度多物理場模擬所需的訓練數據量龐大且生成成本高昂。航太與半導體情境對模擬精度的要求，也遠比聊天機器人容忍偶爾出錯的程度嚴苛得多。

PhysicsX 面對的競爭對手包括 Ansys（已被 Synopsys 收購）、西門子 Simcenter 平台等既有模擬軟體巨頭，以及 Monolith AI、Neural Concept 等 AI 原生挑戰者。PhysicsX 在市場定位上的差異化，在於其通用性論點：不只是加速某一類模擬，而是打造類似 GPT 改變語言任務經濟學的統一平台。

擁有約 350 名員工、計劃向美國與新加坡擴展、並有在策略上高度契合的企業股東既能驗證技術又能導入營收，PhysicsX 已為大規模驗證這一論題備妥了資源。對於那些以節省幾公克重量或幾分之一攝氏度來衡量競爭優勢的產業而言，能夠探索數百萬種設計迭代而非僅幾十種，或許將不只改變 PhysicsX 的財務回報，更可能從根本上加速實體世界的創新步伐。