「机器人行业从来不缺令人惊艳的演示，缺的是能在真实世界长期可靠工作的系统。」8 月 22 日经济参考报、新浪财经同日传开清雁科技 CTO 王凡的这句话，配合他官宣完成数亿元 A 轮融资的消息。清雁科技（北京）有限公司由清华大学与北京雁栖湖应用数学研究院联合孵化，本轮由君联资本领投，苏创投、宁波继联基金跟投，资金主要投向物理 AI 基础设施与基础模型研发。
这轮融资如果只看金额并不惊人——数亿元、单一领投方——但放在 8 月 19 日宇树科创板首日 460.34% 收盘、2026 上半年中国具身智能赛道融资 935 亿元（同比增 5 倍，事件数增 137%）的大背景下显得格外刺眼。原因不是「金额大」，而是「技术路线不同」。当绝大多数具身智能公司把自己的招股书或融资 PPT 写满「VLA 模型 + 大模型 + 数据飞轮」时，清雁科技交出的是「几何物理驱动的物理 AI 框架」——一套基于微分几何的通用物体表征，搭配可验证学习与持续学习两条范式，硬是把物理 AI 从「数据 + 参数堆规模」的默认路线拉开了一个身位。
王凡在 2026 世界机器人大会上的演讲，核心是把「Demo 到规模化部署」这道坎拆成三道独立的门槛——泛化性、可靠性、持续学习。三者各自指向物理 AI 架构必须回答的三个根本问题：如何理解世界（泛化）、如何验证判断（可靠）、如何持续进化（学习）。这个三分法在王凡口中被一以贯之地挂到三个框架部件上：几何物理表征回应泛化性，可验证学习回应可靠性，持续学习回应持续进化。
这道框架的关键在「几何物理」四个字。现有的大多数 VLA（Vision-Language-Action）模型走的是「数据驱动 + 参数规模」路线——给它看一千万段人类操作视频，它就能学会「看到杯子就伸手去拿」。问题在于，机器人一旦换物体、换环境、换任务，表现就会明显下滑。宇树创始人王兴兴在 WRC 现场也承认：「机器人在固定场景下可以通过训练把成功率做得很高，但一旦更换物品或环境，表现就会明显下降。」这本质上是因为现有模型只学到了「看起来像」，没有学到「物理上是怎么动的」。几何物理表征的思路是：把 3D/4D 物理世界的高效建模建立在微分几何不变信息（旋转、平移、缩放）与物理约束（动力学、守恒律、接触）之上，让表征内嵌「物体怎么动不可能违背」的硬约束。这一招的好处是模型不再需要从零学「苹果掉到地上」，因为底层几何已经告诉你「苹果一定往下掉」。
但比几何表征更狠的是「可验证学习」这条范式。王凡在 WRC 现场演示了一个对比：在同等精度下，清雁自研的物理引擎在动态距离与碰撞计算上的效率达到当前主流物理引擎 Newton 的 5.2 倍；柔性体形变计算在同等精度下高出一个量级。这个数字代表的是，「世界模型预测未来，可验证检验预测」这条闭环从工程上做实了。物理 AI 不可靠的根源之一，是模型对预测正确性没有自动验证——只能等部署后真机反馈才知道预测对不对。可验证学习让模型在训练阶段就能完成「自检」，这直接把可靠性从「事后统计」拉到「事中校准」。这是清雁路线与「堆参数」路线的最大分歧——后者把可靠性押在「数据多了总会准」，前者把可靠性押在「模型结构内置检验机制」。
最后一条「持续学习」是更不容易讲清楚的工程问题。机器人部署后遇到新环境、新工位、新物件，模型怎么在不丢失旧技能的情况下越做越熟练？清雁把它拆成三个能力：学会如何学习（meta-learning）、长时记忆（跨会话保持状态）、自主发现和沉淀知识（让模型自己提炼出新规则）。这套打法如果跑通，意味着机器人不再需要「回厂更新」——它在工厂里跑了 6 个月之后，自己就学会了隔壁工位的技能。这与传统机器人「出厂定型 + 定期 OTA」的逻辑相差十万八千里。
放在资本坐标系里看，清雁走的是「世界模型基础设施 + 物理引擎 + 几何表征」这条资本循环相对慢、但护城河相对深的路线。和资本圈 8 月集中爆发的「大脑-世界模型-数据」三层闭环投资（中科第五纪超 10 亿、眸深智能 5 亿 Pre-A、清雁数亿 A、觅蜂数亿 Pre-A、流澜数智数亿）形成清晰并列——他们都在赌「让机器人变聪明的那些东西」。但清雁的差异化在于：这家公司不单卖大脑，也不只做数据，而是从「几何不变量 + 物理引擎 + 验证机制」三个底层环节开始重建物理 AI。这一打法与把世界模型当作软件模块来卖的同行相比，路径明显更偏基础设施。
王凡指出下一步将沿三个层次推进：基础设施与模型层（物理 AI 基础设施、模型、数据体系）、验证层（可验证学习范式 + 高效物理引擎）、演化层（持续学习深化）。这种「先把地基打实、再做上层应用」的节奏，与具身智能赛道当下「模型能力 + 演示惊艳度」的竞争主轴似乎节奏不合——但如果真按王凡说的推进，2-3 年内物理 AI 可部署性问题会被这一波基础设施公司系统性解决一次。
这件事最难的是「产业耐心」。中国具身赛道目前的资本价格是按「出货量 + 演示票房」估值的——这意味着清雁这种「先把地基打实」的路线估值压力相对大。但从 935 亿半年融资的规模来看，市场其实还有空间容纳这种反共识路线：耐心的钱会流向长坡厚雪的公司，急躁的钱留给出货王者。这两者并不互斥——它们最后会在同一家公司的不同业务部门里会合。
总之，8 月 22 日清雁科技官宣不只是又一笔融资，而是具身赛道出现一次路线分叉：「数据 + 参数」与「几何 + 验证 + 持续学习」开始平行跑。短期看不出胜负，但从工程哲学看，后者的天花板更高、护城河更深、节奏也慢得多。把它放进「2026 H2 物理 AI 路线之争」的视野里，这才是值得长期跟踪的那一条线。