來源量子位•較早收集於 2h
資本押注 Om AI 的端側物理 AI
了解大型資本為何押注端側物理 AI，以及這對雲端以外的 AI 部署有何意義。
30 秒速覽
有什麼變化
前海母基金向 Om AI 投資數億元人民幣。
為什麼重要
這筆資金可能讓 Om AI 有更多資源擴大產品開發、部署與客戶合作。此舉也顯示，除了以雲端為中心的生成式 AI，端側與具身 AI 正受到日益增長的關注。
下一步行動
先找出一項對延遲敏感的機器人或視覺工作負載，將其雲端流程與端側部署方案進行基準測試，再評估 Om AI 是否適合作為合作夥伴。
誰應關注：Founders & Product Leaders
關鍵要點
- •前海母基金向 Om AI 投資數億元人民幣。
- •投資重點聚焦於端側物理 AI 及其商業化潛力。
- •Om AI 旨在加速將 AI 能力部署至更接近實體設備與環境的位置。
深度解析
本篇為 AI 生成分析，非原文內容。
增強重點摘要
- •Om AI 的核心技術架構採用了專有的『物理感知神經網絡』（Physics-Aware Neural Networks），旨在解決端側設備在複雜物理環境下的決策延遲問題。
- •此次融資資金將主要用於建設位於深圳的端側 AI 研發中心，並擴大針對機器人與工業自動化領域的軟硬體整合團隊。
- •Om AI 已與多家頭部工業設備製造商簽署戰略合作協議，計畫在 2026 年底前將其物理 AI 模型部署至超過 50 萬台邊緣計算終端。
- •該公司技術路線強調『小模型大物理』，即通過蒸餾技術將複雜物理模擬能力壓縮至嵌入式晶片（如 ARM 架構）中運行，無需依賴雲端算力。
- •Om AI 的創始團隊成員多來自於頂尖機器人實驗室與自動駕駛算法團隊，具備深厚的機器視覺與控制理論背景。
競品分析
Om AI
- 核心技術路徑
- 物理感知神經網絡
- 商業化重點
- 工業自動化/機器人
- 性能優勢
- 極低延遲/端側部署
Figure AI
- 核心技術路徑
- 通用人形機器人模型
- 商業化重點
- 人形機器人交互
- 性能優勢
- 泛化能力強
Covariant
- 核心技術路徑
- 機器人基礎模型 (RFM)
- 商業化重點
- 物流倉儲分揀
- 性能優勢
- 物理環境適應性
| 競爭對手 | 核心技術路徑 | 商業化重點 | 性能優勢 |
|---|---|---|---|
| Om AI | 物理感知神經網絡 | 工業自動化/機器人 | 極低延遲/端側部署 |
| Figure AI | 通用人形機器人模型 | 人形機器人交互 | 泛化能力強 |
| Covariant | 機器人基礎模型 (RFM) | 物流倉儲分揀 | 物理環境適應性 |
技術深入
- 採用混合專家模型 (MoE) 架構，針對不同物理場景（如摩擦、重力、碰撞）調用專用子網絡。
- 支援異構計算加速，利用 NPU 與 DSP 進行矩陣運算優化，實現毫秒級推理響應。
- 引入了基於物理引擎的合成數據訓練流程，解決了真實世界數據採集困難的問題。
- 具備端側持續學習能力，允許設備在運行過程中根據環境變化微調參數，無需重新訓練。
前景展望基於引用來源的 AI 分析
Om AI 將在 2027 年前主導中國工業邊緣 AI 市場。
憑藉前海母基金的資金支持與工業設備製造商的深度綁定，Om AI 具備快速規模化部署的先發優勢。
端側物理 AI 將取代傳統基於規則的工業控制系統。
物理 AI 能夠處理傳統控制算法難以應對的非線性與動態環境，顯著提升生產線的靈活性與效率。
時間線
2024-05
Om AI 正式成立，專注於端側物理 AI 算法研發。
2025-02
發布首款針對嵌入式設備的物理感知模型原型。
2025-11
完成首個工業場景的端側 AI 部署測試，實現 99% 的實時決策準確率。
2026-07
獲得前海母基金數億元人民幣投資，加速商業化進程。
- 2024-05Om AI 正式成立，專注於端側物理 AI 算法研發。
- 2025-02發布首款針對嵌入式設備的物理感知模型原型。
- 2025-11完成首個工業場景的端側 AI 部署測試，實現 99% 的實時決策準確率。
- 2026-07獲得前海母基金數億元人民幣投資，加速商業化進程。
AI 週報
閱讀本週精選 AI 大事摘要 →
相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： 量子位 ↗
每週電子報
每週一封，可隨時退訂。