蚂蚁两轮押注不造机器人的清华教授，厘清智能拿数亿融资卖“数据铲子”

近日，Physical AI Infra平台公司厘清智能完成天使轮及天使+轮数亿元融资。蚂蚁集团连续两轮加码并领投天使+轮，CMC资本、国汽投资、中金资本旗下基金、上海人工智能产业系列基金、中关村科学城基金等跟投。这家成立仅一年、由清华大学人工智能学院助理教授李一鸣创办的公司，不造机器人、不训单一模型，专攻连接基础模型与真实世界的基础设施。

希鸥网观察到，过去十二个月，多模态大模型和视频生成模型在画面逼真度上狂飙突进，但一个尴尬事实从未解决：模型能识别“眼前是杯子”，却不知道“推动它需要多大的力”。真实世界的力度、触觉、接触和形变数据，从未被系统性记录成可训练资产。厘清智能的T1数采手套和Ego数采设备，恰好卡在这个缺口上——同步记录画面、深度、手部姿态、受力信息，为模型厂商提供数据采集、加工、标注的整条管线。

这门生意的底层逻辑，是把“数据”从模型的附属品变成独立交付物。语言模型依托互联网几十年的文本积累，Physical AI却没有这样的起点。工厂装配线上的扭矩数据、实验室里的抓取力度、仓库分拣时的接触反馈，绝大多数产生于现场操作瞬间，未被记录就已消散。厘清智能从数据业务切入，向模型厂商和AI研发团队卖的不是硬件，是“让模型学会理解物理因果”的原材料。

从商业模式看，厘清智能走的是“两端连接”的平台路径。一端是模型厂商，覆盖多模态、视频生成、物理世界模型等不同技术路线，帮它们解决训练目标各异、数据规格不统一、评测标准缺失的共性问题。另一端是终端客户，提供弹性解决方案，按任务组合数据、模型、设备与现场适配。两端并非各自运行：模型厂商的新需求推动数据管线迭代，终端客户的执行反馈又成为模型优化的新输入。

供应链维度上，中国作为“世界工厂”的角色被重新定价。密集的真实工作场景、完整的制造体系、丰富的工程经验，意味着物理世界数据的主要产地在中国。李一鸣的履历——纽约大学博士、英伟达研究科学家、清华博导——让他同时具备学术前沿判断和产业落地经验。本次融资将砸向物理世界数据管线、物理仿真、跨本体适配与部署系统，目标是把数据业务带回的真实需求，转化为下一轮更低的开发与交付成本。

希鸥网认为，厘清智能的融资节奏折射出一级市场对“AI基础设施”的重新分层。蚂蚁集团连续两轮加码，看中的不是某个机器人本体的出货量，而是跨本体、跨模型的能力适配层。当模型进入真实场景，判断标准正从参数、算力和榜单，转向从定义新任务到稳定完成它需要多少数据、工程投入和时间。谁掌握这条“学习曲线”的加速度，谁就握住了下一阶段的话语权。

对创业者而言，厘清智能的路径揭示了平台型公司的组织难题。李一鸣需要同时管理两类截然不同的团队：一类懂数据采集硬件与现场部署，一类懂模型训练与评测体系。这要求管理者对每个人的价值观、能力和技能做完整评估，知道谁能做好什么、不能做好什么。不了解员工就如同暗夜飞行，得不到想要的结果时，怪不了任何人。融资后的扩张期，招募、培训、监督的颗粒度直接决定平台能否把两端需求真正对齐。

深入探究自身业务机器，才能知道能从它那里期待什么。厘清智能要回答的核心问题是：同一套平台能否服务更多类型的基础模型和终端场景。这意味着必须频繁问责数据管线与终端反馈之间的传导效率，防止“角色错位”——某个岗位因临时需要而未经深思熟虑地变更，导致错误的人承担错误的职责。创业者应确保每个关键节点上的人对完成使命负总体责任，知道该做什么，并有纪律确保完成。

最重要的人才是那些对平台整体成败负责的人。厘清智能两端业务之间的飞轮效应，依赖于一线执行者能否把现场约束如实转化为数据规格，也依赖于模型团队能否把训练目标翻译成采集任务。允许下属的下属越级汇报，是提升责任心的有效手段，但前提是管理者自己不能离实际情况太远。只想着授权给别人、不了解重要而缺乏管理的事务，对平台型公司是危险信号。厘清智能接下来要证明的，正是这套组织能力能否跟上融资后的扩张速度。

金鸥品牌榜·2026年度创新案例库开放申报了。免费提报，独立评估，入榜品牌将获得电子版《入榜证明》及年度专题公示，优秀案例可获得深度专访+全平台分发。 如需修改或发布文章，请加微信号：sheisceo