在具身智能领域，每天都有关于模型性能、算力需求和数据规模扩张的讨论。随着大语言模型的成功路径被反复验证，“Scale everything”的理念逐渐渗透到机器人行业，从遥操作设备到数据采集工厂，从开源数据集到仿真平台，整个行业似乎都在朝着一个看似明确的方向前进。然而，数据量的增加并未带来预期中的性能飞跃，模型在仿真环境中的稳定表现，一到真实世界就大打折扣，这促使行业开始反思：问题究竟出在哪里？
一家名为Uncharted Dynamics的水下公司给出了不同的答案。他们认为，模型无法稳定迁移到现实世界，问题可能不在于现实世界的复杂性，而在于训练机器人所使用的物理模型本身存在缺陷。换句话说，数据在物理层面的真实性才是制约模型性能的关键因素。在接触密集、刚柔耦合等复杂场景中，如果数据中的物理规律本身是错误的，模型学到的将是一套在真实世界中无法立足的“直觉”。
Uncharted Dynamics的团队构成独特，是其创新理念的基础。CEO贺哲文拥有计算神经科学背景，深度参与过大语言模型的扩展阶段，对数据质量如何决定模型能力上限和泛化可能性有着深刻理解。核心团队则来自工业物理与机器人仿真方向，长期从事复杂接触系统的建模与求解研究，具备深厚的物理建模经验。这样的组合在具身智能行业相对罕见，因为工业软件领域已有成熟的高利润业务，很少有人愿意跳出舒适区，投身于仍在成长中的机器人行业。
贺哲文在走访北美客户时发现，主流的开源或商业求解器在简单刚体场景中尚能应对，但在复杂交互场景中，如刚柔耦合、柔性接触或形变计算，往往迅速失真甚至失效。这解释了为什么模型在仿真中表现良好，却难以稳定迁移到现实世界。为了解决这一问题，Uncharted Dynamics决定开发高精度多体动力学求解器，以提供物理上真实的数据。
贺哲文解释说，物理求解器的作用类似于电脑中的图形引擎，它负责将物理定律转化为机器人可以学习的物理过程。每一次接触发生时，力如何传递、摩擦如何变化、物体如何形变，都由求解器精确计算。没有求解器，仿真中的“物理”将是一堆近似和省略，模型学到的也只是表面的视觉-动作映射。而使用求解器生成的数据，模型学到的则是物理因果关系，这才是模型在真实世界中稳定运行的基础。
然而，工业软件领域的高精度多体动力学求解器并不适合直接用于模型训练，因为它们只保证精度，不保证速度。模型训练需要的是实时、可并行、大规模的物理计算。Uncharted Dynamics的技术工作就是在高精度和训练速度之间找到平衡，既能保证物理正确性，又能达到训练所需的速度。
为了验证求解器的有效性，Uncharted Dynamics与加拿大的一家轻量化机械臂合作方进行了对比实验。他们将求解器在标准接触场景下计算出的力、力矩、形变结果与机械臂上传感器实测的数据进行逐点对比，误差稳定控制在工程可接受的范围内。同时，他们还发现，使用求解器生成的数据训练模型，在一些过去算法完全无法收敛的接触密集任务上，能够快速收敛并稳定提升基准测试成绩。
Uncharted Dynamics的商业化路径分为三层：最底层是物理求解器本身，作为技术内核，前期将封装成API嵌入主流平台，免费开放给开发者；中间层是物理因果数据集，基于求解器生成带完整力学标签的训练数据，面向机器人公司和数据供应商；应用层是端到端的仿真服务，帮助客户解决仿真到现实的误差收敛问题。北美市场对物理一致性的迫切需求，以及团队在北美的人脉和客户关系，使得拓展北美市场成为本轮融资的重点。
贺哲文认为，中国团队目前主要精力还放在让机器人动起来上，物理一致性问题尚未成为最紧迫的挑战。但随着国内团队开始转向家务、柔性装配、复杂操作等场景，物理问题将成为绕不过去的一关。他强调，物理一致性是数据质量的前提，只有在这个前提下，讨论数据的分布、数量和场景覆盖才有意义。Uncharted Dynamics希望填补具身智能领域长期缺失的这一层基础设施。
贺哲文的计算神经科学背景使他关注智能系统底层信号的表征和处理方式。他亲身经历了大语言模型从堆量到重质的转变，认识到数据质量对模型能力的决定性作用。在具身智能领域，物理一致性就是数据质量的底线。他选择做具身智能的底层物理引擎，是因为他认为这是AI真正进入物理世界的入口，市场规模大、紧迫性高，且可以被解决的问题密度大。
Uncharted Dynamics的团队是“智能”与“物理”的交汇点。计算神经科学、工业物理与多体动力学、机器人仿真与强化学习的交叉互补，使得团队既能理解数据如何塑造智能，又能建模真实世界。这样的组合在具身智能行业相对稀缺，但正是解决物理一致性问题的关键。贺哲文希望，未来每一台通用机器人的“大脑”里，都能有一个他们开发的物理引擎，就像今天每一台电脑里都有一个图形引擎一样。
