一次“模型三连发”的背后，杭州正悄悄长出一张物理AI的网

文 | 童蔚

你有没有发现，这一年多来，AI越来越“开窍”了。它不光能看懂你发的表情包，还能听明白语音里的潜台词，甚至开始透过电脑屏幕和摄像头，打量周围的世界。

可一旦从数字世界进入物理世界，问题就来了。天上的无人机在飞，产线上的机器人在移动，商超便利店里的摄像头一直在记录……现实世界不会按暂停键，AI来不及说“你等一下，我先算算”。

对这些设备来说，AI需要的不是偶尔“聪明”，而是持续在场。比如持续接收视频流，并更新对环境的理解，然后在任何需要介入的时刻，做出几乎同步的响应。

这就是物理AI要解决的第一个问题：让AI在动态世界里不掉线。

这两天，一款来自杭州的多模态模型提供了解题的新思路。

从感知、定位到行动的能力链

6月27日至29日，联汇科技VLX端侧流式多模态模型系列连续三天面向全球发布。它包含三款模型，VLX-Flow、VLX-Seek和VLX-Go，分别对应实时感知、精准定位与行动执行，构成一条完整的能力链。

VLX = Vision-Language-eXecution，也就是“视觉-语言-执行”一体化多模态模型。

VLX-Flow，它负责持续感知。人在走，车在跑，视角在切换，没有什么是静止等待分析的。传统的视频理解，通常是等视频录制完毕后再整体分析。VLX-Flow改变了这一模式，视频像流水一样不断进入，模型边接收边更新理解，实时记忆“刚才发生了什么”。

VLX-Flow 处理连续输入的视频片段，并维护视觉缓存与语义记忆以支持低延迟交互。

传统方法每隔一段抽一帧分析，好比看连环画，中间的动作连贯性容易丢失。VLX-Flow将视频切分为连续的小片段，按顺序处理，保证了动作的连续性。你随时提问，它都能随时作答。处理一路视频最快仅需0.06秒，还能同时处理好几路。

第二个VLX-Seek，负责精准定位。要让机器人“把桌上那个红杯子拿过来”，它需要在画面中精确锁定杯子的位置。VLX-Seek采用一种“区域匹配”的方式替代传统的坐标预测，定位效率更高。

最后是VLX-Go，负责行动执行。理解与定位后，还需要转化为实际行动，比如前进、转向、避障、跟随等。

这三个模型共享同一基座，在同一条视频流上协同工作，形成“感知→定位→行动”的完整闭环。这也与6月初CVPR 2026（IEEE国际计算机视觉与模式识别会议）上的趋势不谋而合。在会上，实时感知和精准定位成为热门关键词。

（了解三个模型的更多技术详情：

https://github.com/om-ai-lab/VLX-Flow，https://github.com/om-ai-lab/VLX-Seek，https://github.com/om-ai-lab/VLX-Go）

无人机和手机上也能跑

VLX最值得关注的地方，在于它的整套设计思路。

行业的主流做法是：先训练一个巨大的云端模型，再通过压缩、蒸馏等方式移植到端侧。你可以理解为，先建一栋摩天大楼，再拆解搬运到别处重建。

VLX走的则是另一条路，从出生之日起，就按照端侧的算力边界来设计整个系统。这相当于直接在目标位置建造一栋合适的房子。

结果就是“小而准”在实际场景中，可能比“大而全”更有效。

它不依赖网络连接，数据无须上传云端，隐私安全更有保障，响应速度也更快。此外，当视频流持续输入时，历史信息不断累积，传统模型会越来越慢。VLX-Flow通过双层记忆机制，解决了这个问题。一层保留近期画面细节，另一层维护长程的语义上下文，使响应延迟始终保持稳定，不会因为看得久了就变迟钝。

手机算力有限，还要同时跑App，留给AI的空间本就不多；无人机、机器人、摄像头更是如此，一丢丢延迟都可能影响任务成败。在有限算力下持续理解环境、完成行动闭环，这是它们共同的刚需，也是VLX的着力点。

那么具体到实际场景，VLX能做什么？

工业流水线上，质检机器人可以一边盯着产品流动，一边实时找出瑕疵品；工程现场，无人机飞过就能同步识别安全隐患，不用等降落后再回传分析；安防场景里，系统不再“被动等查询”，人员突然闯入、物体遗留、异常动作发生等，它都能主动触发提醒。

多模态领域的老玩家

支撑VLX落地的，是一支在多模态赛道深耕多年的团队。

联汇科技位于滨江区互联网产业园，公司CEO兼首席科学家赵天成毕业于卡耐基梅隆大学（CMU）语言技术研究所，核心团队来自CMU、清华、浙大等高校。

赵天成（资料图，摄影 陈中秋）

这家公司切入多模态领域的时间点，比大多数人意识到的都要早：2021年，推出国内最早的视觉语言大模型之一；2022年，取得工信部大模型检测的001号证书；2023年“百模大战”全面打响时，抢先发布自研OmModel多模态大模型的V3版本，以及国内首批大模型驱动的智能体应用。

去年，他们将DeepSeek-R1的强化学习推理范式引入机器视觉领域，开源项目VLM-R1上线仅一周便在GitHub上获得2.7k Star，成绩堪称亮眼。

杭州的物理AI版图正在成形

当物理AI和世界模型已经成为全球科技巨头公认的下一座金矿，在视觉硬件、大模型、先进制造等领域有长期产业积累的杭州正在编织一张大网。

除了联汇科技，这里还站着一批各具特色的玩家，各自从不同角度切入这场变革：

群核科技：旗下酷家乐平台积累超4.8亿个3D模型，以此为基础搭建具身智能虚拟训练场，让机器人在模拟环境中提前学会在物理世界干活。已与智元机器人、银河通用等企业达成合作。如果说大多数公司是在具体场景中应用物理AI，群核科技的定位则更偏底层，它想成为物理AI时代的“基础设施提供者”。

空间理解模型SpatialLM运行原理

凌迪科技：以自研柔性仿真引擎为核心，能让数字布料在虚拟世界中的垂坠感、褶皱、光泽无限接近真实世界。这恰好是物理AI最需要、也最难攻克的一环——形变体物理仿真。目前已服务全球超3000家时尚企业，并成为英伟达Newton物理引擎平台全球唯一形变体模拟引擎合作伙伴。

机器人抓取柔性面料的仿真训练

影身智能：公司自研原生4D世界模型，从数据源头直接构建“三维空间+时间维度”的建模能力。聚焦“双柔性”制造场景，涂胶和压底机器人已在“中国鞋都”晋江制鞋产线上实现1:1替代人工，不改产线、不停工。目前已获近亿元融资，在手柔性智造订单超2亿元。

制鞋产线上的压底机器人

智澄AI：创始人兼CEO胡鲁辉2024年4月首次提出“物理智能”概念，专注物理智能世界模型与通用机器人研发。去年至今已完成三轮融资，累计签约订单近15亿元，覆盖智能制造、安防巡检、生化检测等场景。

智澄AI的人形机器人TR5 PRO

肇观智能：前AMD核心团队创立，专攻端侧视觉感知芯片VPU。如果说大模型是物理AI的“大脑”，他们做的就是“视网膜”，把光信号转化为空间感知，在端侧完成实时的三维感知和环境识别。产品已覆盖200多个下游场景，近期将总部迁至杭州。

风语筑具身智能：6月刚刚入驻滨江的国家人工智能应用中试基地（具身智能）。基于近20年积累的三维空间资产，构建“真实场景采集-数字场景构建-仿真训练验证”的物理AI训练体系。

恩和生物科技：物理AI驱动的生物制造公司，3月发布全球首个面向生物制造领域的物理人工智能平台SAION AI。它就像一个能思考、会动手，还能自我进化的“AI科学家”，能将研发目标拆解为可执行方案，并直接驱动实验设备运行。已与新和成、伊利、珀莱雅等企业深度合作……

“中国第二好”的投资人投了DeepSeek

不玩虚的，国产“世界模型”已能让机器人进厂打工

考察完“AI六小虎”，杭州投了智谱

点喜欢