清华 Nature 封面团队创业，幂级智能连续完成三轮数亿元融资，打造自主进化的物理世界模型
幂级智能聚焦世界模型的更底层问题：物理智能的最终来源是什么？
AI科技评论获悉，物理人工智能（Physical AI）基础模型公司幂级智能（DenseAI）完成第三轮融资，半年内累计融资金额达数亿元人民币，投资方包括北京、深圳头部国资、知名美元资本和顶级AI生态投资基金等。
幂级智能成立于2026年，是一支从清华大学自动化系走出来的顶尖AI团队，致力于打造下一代物理世界基础模型，以世界模型与密集学习（Dense Learning）为核心，推动人工智能从理解物理世界走向自主学习与持续进化。
在世界模型成为全球AI竞争热点的当下，幂级智能选择了一条差异化的技术路线：以大规模存量的、边际成本极低的真实物理数据作为智能来源，以原创的密集学习技术突破数据的稀疏度灾难和长尾难题，实现物理智能的高效率预训练、高水平后训练，最终让智能体具备在物理世界中持续进化的能力。
01
顶尖清华科研团队，
Nature封面级原创技术
幂级智能汇聚了一支兼具国际顶尖科研能力、大模型研发实力与产业化经验的创始团队。
公司联合创始人、首席科学家封硕是清华大学自动化系副教授、博士生导师，在密集学习与物理智能领域拥有深厚的原创科研积累，先后入选MIT TR35中国区榜单、获得达摩院青橙奖，并于2026年入选国家自然科学基金青年科学基金项目A类（原国家杰出青年科学基金项目）。
另一位联合创始人、CEO石梦凯拥有清华大学自动化系本科、博士教育背景，曾联合创办自动驾驶领域创业公司并担任CTO，具有丰富的硬科技创业与产业化经验。公司汇聚了来自国家实验室、字节跳动、头部具身智能公司的核心研发人才，同时吸引了一批来自清华大学的优秀青年AI人才加入，形成了从原创理论、基础模型到具身智能系统的完整研发能力。
幂级智能核心团队于2023年在全球顶尖综合性科学期刊《Nature》正刊发表密集强化学习研究成果，并被选为当期封面论文，在人工智能学术领域比肩谷歌Deepmind。该研究还获得Nature News & Views、Nature Podcast、Nature Videos等官方栏目的专题报道，体现了其国际学术影响力。
公司团队在系列研究中提出并从理论上论证了智能学习中的“稀疏度灾难”（Curse of Rarity）：随着模型不断训练，数据的学习价值可能呈指数级衰减，高价值数据往往稀疏地分布在海量数据池中。大量低价值数据不仅难以持续提升模型能力，还可能淹没真正有价值的学习信号，严重制约模型训练的效率与效果。
针对这一根本性问题，团队创造性地提出密集学习（Dense Learning）理论与方法，通过利用模型自身的内在学习信号，自动化、智能化地识别和筛选高价值数据，并结合相应的模型架构创新，提高数据的信息密度与学习价值，实现更加高效的智能学习。
02
重新思考世界模型Scaling Law：
先让数据规模化
当越来越多公司围绕视频生成、大模型参数和机器人本体布局世界模型时，幂级智能提出了一个更底层的问题：物理智能的最终来源是什么？
在幂级智能看来，规模化的数据是智能的来源，制约物理AI规模化发展的关键瓶颈，不仅是模型架构和算力，更是可规模化的真实物理数据。把物理世界中海量的、已经记录下来的、最真实的数据，通过密集学习，高效率的压缩成智能，这就是物理智能的诞生方式。
公司认为，物理世界模型的高价值数据源需要满足三个条件：足够低的边际成本、充分的真实物理信息，以及从第一天就具备大规模扩展的能力。围绕这一判断，幂级智能重点探索以世界为中心（World-centric）的真实交互视频数据，利用人类在工业生产、日常生活等真实场景中自然产生的物理活动，构建低成本、可持续扩展的预训练数据体系，降低对特定机器人本体和昂贵动作标注的依赖。
公司希望通过真实场景形成“场景产生数据、数据训练模型、模型反过来赋能场景”的持续增长飞轮，为物理世界模型建立真正可规模化的训练基础。据悉，公司世界模型已经在某全球机器人赛事中提供底层技术支撑，并开始在真实场景中商业化交付，初步完成产品市场验证。
03
密集学习驱动自主进化，
让AI学会自己创造挑战
如果说可规模化数据解决的是世界模型如何获得广泛的物理知识，那么密集学习要解决的，就是智能体如何从有限经验中持续获得新能力。
幂级智能认为，真实物理世界中大量交互高度重复，而真正决定泛化能力的关键，往往隐藏在未知环境、复杂交互和相对长尾场景之中。基于团队长期积累的密集学习理论，公司进一步探索自主进化（Self-Evolution）训练体系，让智能体主动发现自身能力边界，动态创造更具挑战性的任务，并通过真实交互与反馈持续提升能力。
让AI不仅能够解决问题，还能够主动创造新的问题来训练自己。这一技术路线已经取得阶段性实验进展。据公司披露，在多项真机任务中，采用密集强化学习的方法，失败率呈数量级下降，验证了高价值经验选择在提高机器人训练效率方面的潜力，也为密集学习驱动的自主进化提供了实践依据。
04
打造下一代物理AI基础模型
幂级智能认为，下一代通用物理智能不应局限于某一种机器人或特定任务，而应建立在能够跨场景迁移、持续学习和自主进化的世界基础模型之上。
未来，公司将持续推进世界模型、密集学习和自主进化技术的融合创新，构建真实物理数据、基础模型预训练与智能体自主进化相互促进的技术体系。
世界模型让AI理解世界，密集学习让AI高效进化。
幂级智能正沿着这条核心技术路径，探索通用物理智能的实现。
责任编辑： 云散
