牛押寨草民投资组合研报
如果你常看拓斯达官方信息，定能看到飞捷科思这4个字，但你不了解飞捷科思是什么公司。飞捷科思，是一级市场初创公司，没有上市，与拓斯达是深度产业战略合作伙伴。
全称：飞捷科思智能科技（上海）有限公司。成立时间：2024年8月19日，是一家非常新的硬科技创业公司 。法定代表人张立华 。
创始人与核心团队，最大亮点。
创始人张立华：清华本硕博，复旦大学长聘特聘教授、复旦智能机器人研究院副院长 。早年在美国Ageia公司主持开发了英伟达大名鼎鼎的PhysX物理引擎，PhysX被英伟达收购后，他主导把引擎移植到GPU上，是全球物理仿真领域的元老级人物，业内常称他“PhysX之父”。2024年出来创业，目标做国产自主可控的新一代可微分物理引擎，不再走老PhysX的老路，专门适配机器人、工业数字孪生、具身智能。
核心合伙人：CTO杨鼎康：复旦博士、港中文博士后，华为天才少年，字节跳动前大模型视觉团队首席研究员。CEO于伟：产业落地负责人，擅长制造业场景对接。
团队定位：不做通用大模型，专门做大模型看不懂的物理世界——重力、摩擦、形变、碰撞、柔性物料。
核心产品：
1. Fysics：底层可微分物理仿真引擎（最核心资产），传统仿真引擎只做“看起来像”；可微分引擎可以算出误差梯度，支持AI反向训练，是物理世界模型的地基，也是英伟达Cosmos的对标底层。
2. MoziSim：一站式机器人仿真训练平台
3. Fysiverse：物理世界模型（WAIC大会上和拓斯达联合发布工业版Fysiverse） 。
通用版：一张照片就能重建带真实物理属性的三维场景。
工业定制版：面向工厂产线、工件、柔性物料，就是拓斯达用来训练小拓人形、机械臂的版本。
英伟达Cosmos：偏向生成视觉画面
飞捷科思Fysiverse：优先保证物理规则真实，更适合工业落地，解决“仿真很好，真机翻车”（Sim‑to‑Real鸿沟）。
杨鼎康，是飞捷科思二号核心人物，创始人张立华教授的嫡系学生，Fysics可微分物理引擎、Fysiverse物理世界模型的技术总负责人，国内具身智能、物理AI领域的顶尖青年科学家。
学历与学术履历：
1. 复旦大学博士
博士导师就是张立华教授（原英伟达PhysX引擎核心开发者），师门一脉就是做物理仿真、机器人、具身智能，读博期间已经深耕多模态感知、自动驾驶、物理模拟方向。在校期间是复旦大学优秀学生标兵（全校顶尖荣誉），以第一作者发表9篇国际顶级期刊会议论文，手握多项发明专利，还参与过国家重大科创项目 。
2. 香港中文大学MMLab博士后，MMLab（多媒体实验室）是全球计算机视觉、多模态AI顶尖实验室，产出过很多大模型、视觉算法开源成果。杨鼎康在这里继续研究视觉+物理仿真结合，也就是怎样让AI从图像里看懂物体重量、硬度、摩擦等真实物理属性，这正是Fysiverse的关键技术路线。
3. 入选华为天才少年计划
华为天才少年是华为最高等级校招，瞄准全球顶尖博士，年薪可达百万级。杨鼎康拿到了华为天才少年offer，同时集齐了国内多家头部大厂顶尖人才计划邀约，但没有入职华为，选择先做学术、后创业，这点很多报道会简略，要区分：入选拿到offer ≠ 在华为长期任职。
4. 行业学术荣誉，2026年入选中国人工智能学会“清源学者”，这个奖项专门表彰AI领域有突出创新潜力的青年领军人才。
杨鼎康产业经历：
字节跳动：视觉‑语言基础模型团队首席研究员
在字节做多模态大模型，就是让AI看懂图片、视频，理解世界。这段大厂经历，让他既懂学术界的物理仿真，又懂工业界大模型的工程化、大规模落地，能把学术原型做成可商用的软件产品，这是很多高校学者欠缺的能力。
飞捷科思（现在）：联合创始人与CTO，2024年跟随导师张立华创办飞捷科思，全盘负责所有底层技术研发：
1. Fysics：国产新一代可微分物理引擎（对标英伟达PhysX）的架构设计；
2. Fysiverse物理世界模型：可以由图像重建带真实物理参数的虚拟工厂，用来训练工业人形机器人、机械臂，解决仿真到真机迁移（Sim‑to‑Real）难题；
3. MoziSim机器人仿真训练平台，面向制造业、具身智能机器人客户。
他的核心判断：现在很多“世界模型”只是生成好看的画面，是视觉幻觉；下一代真正有用的世界模型，必须优先保证物理因果真实，能算重力、形变、摩擦，才能训练能在工厂干活的工业机器人，这正是飞捷科思和英伟达Cosmos路线最大的差异点。
杨鼎康和张立华的师徒强势组合：
张立华，老一辈物理引擎奠基人，懂物理引擎底层、GPU加速，知道二十年前英伟达PhysX怎么做出来，也知道老引擎有什么先天缺陷；
杨鼎康，新一代AI大模型+可微分仿真专家，懂深度学习、多模态、AI训练需要什么，知道怎么把传统物理引擎改造成适配具身智能的可微分版本（传统引擎不可微分，没法用来AI反向训练）。
可微分，是关键分水岭：普通仿真：能模拟物体掉下来，但是不能自动调整参数去拟合真实世界；可微分物理引擎：AI可以自动迭代，不断缩小虚拟世界和真实工厂的误差，才能做物理世界模型。这套组合，就是飞捷科思资本热度极高的重要原因。
杨鼎康是国内少数同时精通传统物理仿真 + 现代AI大模型的青年顶尖人才，放弃大厂高薪，和导师一起做国产可微分物理引擎，目标就是打破海外垄断，给工业人形机器人提供能打通虚实鸿沟的底层软件底座。
可微分物理引擎，简单说：不光要算出物体怎么动，还要算出“如果某个物理参数变一点，运动结果会变多少”，拿到梯度，供AI做反向训练。
普通物理引擎（老PhysX、Bullet、ODE）只求仿真画面看着像，不需要梯度，两者难度差了好几个量级。
可微分物理引擎，难在哪里？它难，主要卡在五大关卡：
1. 绝大多数物理求解器，天生不可微分（数学根源）。
普通物理引擎用的是离散碰撞检测、脉冲法、迭代约束求解：
两个东西撞在一起，给一个瞬时冲量推开，是阶跃、非连续的计算。
好比台阶：你站在台阶上，挪动一点点位置，有可能直接跳到下一级，输出突变。函数不连续 → 导数不存在，拿不到梯度。
AI训练（梯度下降）必须：输入微小改动 → 输出平滑改动 → 算出往哪个方向调参数能缩小误差。
传统引擎一碰到碰撞、摩擦、接触，计算就断了梯度链。
想微分，就要换掉几十年成熟的老求解算法，改用可微约束求解、软接触、平滑近似，不能粗暴弹开物体。
不是改几行代码，是重写整套物理求解内核。
2. 刚‑柔耦合的微分地狱。
工厂里不全是铁块：有线缆、橡胶垫片、包装袋、布料、油污打滑、会变形的工件。
刚体（铁块）：相对还好一点；
柔性体（变形、弯折、挤压）：每一个网格点都有位移、应力。
一个柔性物体几万个网格，每个都要求导，计算量爆炸。更麻烦的是刚体碰柔性体：机械爪抓塑料袋、机械手压橡胶件。既要算刚体运动，又算形变，还要传递梯度，很多方案只能二选一：
要么刚体可微、柔性不可微；要么柔性可微、速度慢到没法GPU跑。
飞捷科思Fysics的一个卖点，就是刚柔耦合统一可微分。
3. 摩擦、接触是最大的魔鬼，现实里摩擦力不是简单一个常数：会随压力、滑动速度、表面粗糙度、有没有灰尘、温度变，还会出现粘滑效应（一会儿卡住、一会儿滑开）。
传统仿真随便给个摩擦系数凑效果就行。可微分仿真不能随便凑：粘滑本身就是非光滑、突变行为，求梯度很容易梯度爆炸或者梯度消失。
很多学术论文只在理想光滑无摩擦世界演示，一上真实工业场景直接失效。
工业机器人最需要的恰恰就是抓、推、蹭、摩擦，这也是英伟达Isaac以前长期薄弱的地方。
4. 速度：既要可微，又要能大规模GPU并行。学术上，可微分物理的论文不少，但大多是CPU小场景，几秒钟算一帧。具身AI训练要成千上万台虚拟机器人同时跑几天几夜，每一帧都求梯度。
难点：很多可微算法，为了数学上能求导，放弃了传统引擎高度优化的GPU加速路径。
出现一个两难：走老PhysX路线：很快，但不可微；走纯数学可微路线：能求导，但是慢100–1000倍，没法用来做大模型训练。
真正可用的工程方案，要重新设计GPU架构、定制CUDA内核，把微分计算也并行化。
这需要既懂物理数值算法，又懂GPU底层，懂高性能计算，人才非常稀缺。
张立华早年就是做PhysX GPU移植的，杨鼎康有大模型大规模工程经验，这个组合就是冲这个痛点来的。
5. 仿真–现实对齐（Sim‑to‑Real）：梯度不能是“假梯度”，就算你造出一个能输出梯度的引擎，还有一个大坑：梯度是虚拟世界的梯度，不一定对应真实世界。
举个例子：虚拟里摩擦系数调大0.1，抓取成功率涨20%；放到真实工厂，摩擦系数真实变化0.1，成功率根本不涨。伪梯度，AI学了一套虚拟世界的规律，迁移不到真机。
要让梯度有用：引擎里所有物理模型（碰撞模型、摩擦模型、形变模型）不能只追求视觉逼真，要追求参数的物理真实性。
要拿真实工厂数据反过来校准仿真参数，叫系统辨识。
这不是纯算法，还要和制造业场景深度磨合，也是拓斯达这类工业伙伴价值所在。
6. 稳定性陷阱：可微分更容易崩解，普通物理引擎，物体飞出去、穿模、爆炸，大不了重开一帧。可微分引擎如果一帧数值发散、物体穿模，梯度直接NaN（无效值），整个AI训练链条直接崩溃。
为了保住梯度链路完整，要加一整套数值稳定器、正则化、接触平滑，每一层都要小心翼翼，牺牲一部分仿真自由度。调平衡极其耗费工程时间。
总之，普通物理引擎只需要算运动结果，可微分物理引擎，要在保证数值稳定、GPU高速运行的前提下，给每一次碰撞、摩擦、形变，都保留一条能反向传导的数学通路，还要保证算出的梯度能映射真实工厂。数学难、算法难、GPU工程难、工业校准更难，所以全球能做成熟产品的团队寥寥无几。
也正因为门槛极高，飞捷科思这种团队才会被资本看重，同时被拓斯达这类工业机器人企业看中作为底座合作伙伴。
可微分物理，被看作工业人形机器人能否大规模落地的一道坎。
飞捷科思是一家由前英伟达PhysX核心开发者创办、资本热度很高的国产物理AI底层软件初创公司，不造机器人，造让机器人看懂真实物理世界的仿真底座；拓斯达是它最重要的工业场景落地合作伙伴，双方合作的Fysiverse工业版，瞄准工业机器人最大痛点：虚实迁移鸿沟。
拓斯达搭肩飞捷科思和来勒光电这两个盟友，加快向世界机器人第一梯队迈进：
拓斯达一边战略绑定飞捷科思补齐具身智能的软件底座，一边参股来勒光电拿下超高精度运动控制能力，两条关键战线布局，是非常有想象力的产业组合。
飞捷科思：解决机器人“大脑懂不懂物理世界”
不是买一套现成仿真软件，是牵手国内稀缺的可微分物理引擎团队。
传统机器人：靠工程师到现场手把手示教；工况一变，就得重新调试。
Fysiverse工业版的目标：在虚拟世界复刻真实工厂的摩擦、形变、公差、柔性物料，让机器人在仿真环境里自主训练，把仿真训练的策略迁移到真机，大幅降低人形、柔性作业机器人落地成本 。
知识产权归飞捷科思，拓斯达是最重要的工业场景合伙人，把自己几十年工厂数据、产线经验输进去打磨工业版本，抢先拿到国产物理世界模型的落地优先权。这瞄准的是下一代工业机器人、工业具身智能的底层卡脖子环节。
来勒光电：补齐机器人“手脚能不能做到极致精密”。拓斯达出资1.47亿持股49%，有剩余股权优先收购权，原股东还要增持拓斯达股票，不是财务投资，是深度产业绑定 。
来勒做光模块自动耦合设备，要做到微米、亚微米级六轴联动，对运动控制、伺服、视觉定位要求极高，是工业里精度天花板级别的装备。
双向协同：
1. 技术反哺：来勒的超高精度运动控制算法、精密机构设计，可以移植、启发拓斯达高端工业机器人、小拓人形的关节运动控制；
2. 市场扩容：拓斯达的自动化集成能力，可以和来勒耦合设备打包，给光模块、算力硬件工厂提供一整套交钥匙产线，切入AI算力产业链上游；
3. 工艺升级：拓斯达可以借此跳出普通搬运、码垛，向高端精密制造自动化升级，拉高产品附加值。
两个盟友，刚好一软一硬：
飞捷科思＝物理AI、仿真训练底座（软件、智能）。
来勒光电＝超高精度运动控制、精密装备（硬件、精度）。
传统工业机器人大厂很多只在本体、伺服、减速器内卷；拓斯达的思路是向外链接顶尖专精企业，试图跳出老赛道的同质化竞争，走硬件本体+精密运动+物理世界AI的差异化路线，瞄准未来新型工业化、具身智能机器人的赛道。
拓斯达搭肩飞捷科思、来勒光电，相当于同时押注下一代机器人的两大制高点：物理智能AI底座 + 超精密运动能力，走出一条国内少见的生态协同路线，中长期成长逻辑非常清晰。
世界机器人第一梯队（发那科、ABB、安川），是几十年积累的全栈零部件、全球装机量、百万级设备运行数据库、海量工艺包、全球服务网络。
拓斯达现在是天时地利人和，向着第一梯队的方向布局冲刺，成功已是天定！
本文作者可以追加内容哦 !
