9月23日，息壤开物（深圳息壤开物科技有限公司）宣布连续完成种子轮及天使轮融资，合计金额数亿元，公司披露估值达到5亿美元（约合人民币35亿元）。本轮由敦鸿资产领投，华控基金、三花控股、银杏谷资本等参与。
上述融资金额、估值及投资方信息均来自公司披露，目前尚无投资方公告或交易文件可供独立验证。对于估值采用投前还是投后口径，以及交易是否已完成交割，公司均未披露。
相比融资规模，这笔交易更值得看的是息壤开物选择的技术方向。公司将研发重点放在原生物理基础模型LPM（Large Physics Model）上，试图通过构建面向物理世界的基础模型，探索具身智能技术的规模化应用路径。
息壤开物成立于2026年7月。创始人兼CEO李寅曾任华为云盘古大模型CTO，联合创始人兼首席科学家张含望现任南洋理工大学AI领域校长讲席教授、华为多模态首席科学家，曾获新加坡总统科技奖青年科学家奖。
目前，多数具身智能方案以视觉语言模型（VLM）为起点，在此基础上叠加动作模块，再针对具体机器人与应用场景进行训练。这种方式能够较快进入实际应用，但随着机器人类型、物料和工位发生变化，数据采集与模型训练成本往往需要重新投入。
息壤开物则尝试从预训练阶段入手，直接构建面向物理世界的基础模型。公司称LPM计划将世界状态、动作、环境变化和长期决策纳入统一框架，并通过真实机器人轨迹、人类示教及失败案例，持续积累物理交互数据。
目前，有关模型架构、训练规模和数据量的信息主要来自公司介绍，尚无公开论文或技术报告可供复核。
现阶段，能够独立复核的外部成绩来自9月16日举行的WorldArena 2.0全球总决赛。本次比赛中，息壤开物在视频质量赛道获得轨迹精度全球第一、物理合规性全球前三的成绩。
不过，榜单成绩对应的是特定数据和任务，尚不足以证明模型能够在不同机器人及工业现场实现稳定运行。
从商业化角度看，LPM这条技术路线能否成立，关键在于它能否改变具身智能公司的成本结构。
在传统定制化方案下，每增加一个客户，企业往往需要重新采集数据、训练模型，交付成本可能随着客户数量增加而近似线性增长。这类业务的收入和成本结构更接近项目制AI服务公司。
基础模型公司的商业逻辑有所不同。虽然前期模型训练与数据采集需要大量投入，但随着底层模型逐步成熟，新增场景有望复用已有能力，降低数据采集、模型训练及交付的边际成本。相应地，收入结构也可能逐步向模型调用、订阅和授权倾斜，减少对人力交付的依赖。
按照这一逻辑，5亿美元估值所对应的预期，是息壤开物未来能够形成可复用的物理智能底座，并建立具有规模效应的商业模式。
这一预期能否兑现，可以从三个指标观察。
首先是边际交付成本。随着第二、第三个客户或应用场景的接入，企业需要重新采集的数据量、模型重训时长能否明显下降，将直接反映底层模型的复用程度。这也是判断其基础模型能力能否转化为商业优势的重要依据。
其次是收入结构。随着业务发展，模型调用、订阅或授权收入占比能否持续上升，项目制交付收入占比能否逐步下降，将影响市场对其商业模式及估值逻辑的判断。目前，公司尚未披露收入和客户情况，这一指标短期内仍难以验证。
第三是毛利率随客户规模变化的趋势。如果每新增一个订单，都需要重复投入真实物理交互数据的采集成本，并持续计入营业成本，毛利率的改善空间可能受到限制。随着客户规模扩大，毛利率能否逐步提升，将进一步反映底层模型的复用效率及规模效应。
此外，息壤开物还提出向自动驾驶、气象预测、科学计算等领域延伸的规划。不过，现有公开证据尚不足以证明同一个LPM底座已经具备在上述领域有效迁移的能力。公司目前也尚未披露首批客户、订单及具体部署形态。
对息壤开物而言，接下来需要观察的是，真实物理交互数据能否持续回流，带来可量化的能力提升；换机器人、物料、工位后，能否少采数据甚至零样本迁移；首批客户是POC还是生产部署，能否从一个客户复制到多个场景。
物理基础模型是一条重数据、重算力的路线，如果每获得一个新客户都要重新采集数据、重新训练，它最终仍是一家高定制化AI服务公司。
