本周AI项目推荐：肆爱、歌渡、心片……物理世界，正在长出“读写”接口

作者｜黄小艺
邮箱｜ huangxiaoyi@pingwest.com

6 月 7 日下午，奇绩创坛办了 2026 春季路演日，56 个项目轮流上台，主题覆盖具身智能、物理智能、智能体、数据、AI 基础设施、FDE 与 AI 咨询。

我们把 56 个项目从头看到尾，发现最打动我们的几个集中在两个角落：一边是for 具身场景的物理世界数据项目；另一边是用 AI 去设计和制造硬件的项目。

这看起来是两件事，其实是同一件事的两个边。

回想一下数字世界是怎么被 AI 吃掉的：机器先学会了读——爬虫把整个互联网爬成可训练的文本；然后学会了写——大模型开始生成代码和内容。读和写凑齐，软件世界才转起了那个“写完即运行、报错即修改”的闭环，vibe coding。

但物理世界长期两样都没有。

机器人“怎么摸杯子、怎么逛商场、捏鸡蛋用多大力”，这些数据太稀缺了——物理世界不可读；一块芯片从想法到流片要几个月，一台硬件从设计到打样要几周——物理世界写起来极慢。

这一届的创业者们，正在同时给物理世界装上这两个接口。做具身数据的，在解决“读”——把现实世界采集成 AI 能学的数据；用 AI 生成硬件、芯片的，在解决“写”——把意图变成能造出来的实体。

这一期我们就按这条线，介绍下我们最感兴趣的八个项目。

谁在教 AI 读懂物理世界？

本届路演有 19 个具身与物理智能项目，10个数据项目，两份名单高度重叠。原因很简单：大模型吃的互联网文本是人类免费写好的现成饲料，而机器人要学的就是物理交互数据。

这一侧我们最感兴趣的三个，分别采的是三类物理信号：空间、接触、全身动作。

肆爱科技

产品概述

肆爱科技做室内真实世界数据的规模化生产：自研 AI 数采硬件，挂在外卖骑手身上，让骑手在日常配送中顺手采集第一人称视角的室内多模态数据——RGB、深度、语义分割、运动轨迹，已积累近 100TB Ego Video 仿真与真实数据，覆盖北京、上海多个核心商圈的高精地图。

客户是具身机器人厂商、AR 眼镜厂商和大模型公司。

团队背景

创始人张哲宁，师承 2019 年计算机图形学图灵奖得主，前北美 Tesla 工程师、Amazon Go Robotics Applied Scientist。

技术团队来自 Tesla、Amazon Go、海康威视、豪恩汽电，覆盖多模态 SLAM、深度学习、嵌入式软硬件。

为什么值得关注

这是数据赛道里的一个热门方向，相较于遥操和视频数据，第一人称视角画面的数据，对具身而言性价比最高。

有人花钱搭采集样板间，而肆爱科技的“样板间”是所有核心商圈，而且每天有人替它跑。他们的数据飞轮是，数据训练导航算法，算法反哺骑手配送效率，效率吸引更多骑手加入网络，进而采更多数据，看着一股美团味儿。

歌渡科技

产品概述

歌渡为机器人提供的是“接触智能”数据，通过自研指套式采集方案，结合可穿戴视觉触觉采集、全身位姿捕捉和 VSLAM 定位，不搭建数采样板间，在正常工作过程中直接采集视觉、触觉、全身位姿等多模态数据，交付高质量训练数据和精确物理标注的仿真资产。

团队背景

创始人白纯歌，清华 AI 方向硕士，2023 年拒绝 CMU Robotics Institute 全奖博士 offer，成为智元机器人第一个应届生、xlab 感知定位负责人，两篇一作论文引用 470+。

技术合伙人臧煜，北邮计算机本硕，负责 Agent 大脑交互全链路，应用于智元灵犀事业线。

为什么值得关注

歌渡切的是具身数据里最稀缺的一层：触觉。视觉数据可以从海量视频里挖，但接触力数据无处可挖——而机器人真正难的，恰恰是 contact-rich（富接触）的精细操作。

肆爱采的是“人去过哪”，歌渡采的是“手怎么摸”——一个是空间，一个是接触，正好是物理世界可读化的两根轴。

影控机器人

产品概述

影控做人形机器人全身操作驾驶舱：把任意大尺度操作空间压缩到 1.2 平米，支持上肢加下肢总计超 53 个自由度的全身动作输入，适配真实复杂地形作业，同时采集覆盖感知、决策、执行全流程的多模态全身协同数据。对外输出成套驾驶舱软硬件，提供“遥操即服务（TaaS）”与数据资产。

团队背景

创始人王子峣，东南大学控制科学与工程博士，日本理化研究所访问学者，授权专利 12 项；

联合创始人丁佳琛，同专业硕士，负责控制与定位算法。团队自称是业内唯一具备大尺度空间全身协同操控与数据采集能力的团队。

为什么值得关注

前面三家采的多是“局部”数据，影控采的是“全身协同”——人在复杂地形里同时动用上肢下肢 53 个自由度的真实数据，这类数据极稀缺，因为它需要一个能采集它的硬件入口。把驾驶舱做成入口、再把流过它的数据沉淀成资产，是个典型的“硬件换数据”打法。

总之，这批公司面对的，是一个需求热切、但本身还不成熟的买方市场。具身现在普遍卡在高质量物理数据上，靠机器人本体自己采又太贵，所以大厂排着队要买这些数据——需求是实打实的，不是问题。真正的问号不在数据公司这边，而在买方：靠这类数据，具身到底能不能跑通、能不能撑起一个“Scale AI”级别的故事，是用数据的人要回答的问题。

谁在教 AI 写出物理世界？

第二个扎堆的地方，是用 AI 去生成硬件和芯片：心片、枢宇、芯辰启源做芯片设计，点漾做 PCB，STACK ANYWAY 做“文字生成硬件”。

它们本质上都在干同一件事：把 Claude Code 在代码里跑通的那个秒级闭环，复制到原子世界。代码的反馈以秒计，芯片的反馈以月计、硬件以周计，如何把这个闭环压短，让 vibe coding 变成 vibe building。

我们挑的四个，正好排成一架从芯片到整机的梯子：芯片 → 板子 → 设备。

心片科技

产品概述

心片用 AI 设计数字 IP、提供芯片设计服务：以 Scala 自研 eDSL，用 MLIR 做硬件编译器框架，以经过量产验证的大算力 RISC-V Vector 处理器 IP 为基座，通过 Chip Agent 全自动完成芯片设计，再用自研 FPGA 平台做仿真评估和后端设计。

团队背景

核心成员来自 SiFive：刘玖阳是 Chisel（一种芯片设计语言）主要开发者、RocketChip 维护者，其设计平台支撑过 SiFive 的 IP 和Xiangshan 处理器等知名项目等；另一位 ex-SiFive 成员量产过 28nm、14nm 高性能计算芯片；团队里还有 Arch Linux 主研发。

为什么值得关注

心片想做的是芯片设计这套底层工具。

而芯片要能被 AI 生成，前提是它得先能像代码一样被“写”和“编译”；而把硬件变成可组合代码的那门语言（Chisel）和那套编译器框架（MLIR/CIRCT），恰恰是这个团队在开源社区里亲手维护多年的东西。

团队自身经历参与过设计语言、硬件编译器、量产验证过的矢量 IP、FPGA 仿真平台，这也是“AI 生成芯片”这条路上最关键的几层底座。

枢宇科技

产品概述

枢宇做模拟芯片的 Agentic EDA：自研多智能体框架，重构模拟与光电子芯片的设计范式，核心产品 Orvix Pilot 实现从 Spec 到验证报告的全链路 Agent 闭环，数据不出客户内网，已在高速 ADC、射频收发机、无线光通信模块等场景完成端到端验证。

团队背景

创始人兼 CEO 汪嘉成，清华电子信息博士，兼具 EDA、模拟芯片设计与 LLM 智能体系统的复合背景；

CTO 陈睿是清华电子信息硕士、实战派工业智能体专家；

首席科学家宋健是清华大学教授、IEEE Fellow，长期推动光载信息产业。

为什么值得关注

数字芯片能拆成 0/1、交给工具自动综合，模拟芯片却处理连续的真实信号，器件之间互相牵连、对噪声和工艺波动极其敏感。枢宇的 Orvix Pilot 已经多个高难度场景上跑通了端到端验证。

创始人汪嘉成同时具备 EDA、模拟芯片设计与 LLM 智能体三重背景，这种复合背景在国内极稀缺，再加上首席科学家宋健是清华教授、IEEE Fellow 的光通信底子，团队正从模拟芯片一路往无线光通信的全链路打。

VibeChip（芯辰启源）

产品概述

VibeChip 做的是模拟射频芯片的“下一代设计平台”：为模拟射频芯片设计公司提供 AI 模型、Agent 和原生设计平台来辅助设计。

团队背景

团队由一位清华大学教授领头（首席科学家，发表百余篇 SCI，深耕 IC 自动化设计十余年），核心成员是 AIIC 交叉领域的硕博生，加上北大法学、金融背景的硕士。

CEO 梁进帆是清华 IC 博士、连续创业者，博士方向正是 AI 驱动芯片设计，有多次流片经验；

CTO 饶立明，清华 IC 硕士，有芯片设计公司大型项目落地经验；算法负责人何超然来自北工大计算机。

为什么值得关注

模拟射频赛道同时跑出枢宇和 VibeChip 两支清华系团队。相较于枢宇，VibeChip 更强调“平台”和“数据”——通过真实任务，沉淀出可标注、可训练的芯片数据，再用模型和 Agent 喂回设计流程。

点漾科技

产品概述

点漾在构建 AI 硬件生成平台，目标是让硬件像软件一样即时迭代。路径分三步：先让 AI 学会 PCB 制造，再实现桌面级制造，最后由制造反推设计，构建完整的 AI 硬件生成平台。团队致力于推动硬件制造从传统工业模式走向 AI 驱动的智能化生成，让硬件开发实现高频闭环迭代。

团队背景

创始人孔德超，前百度高级架构师，参与过 100+ AI 项目交付；联合创始人许振华、黄旭新均为前百度高级研发工程师。最特别的一条：包括 CPO 在内的核心成员，全部在 PCB 工厂驻场了 1.5 年。

为什么值得关注

这三步走是一个“制造优先”的逆向工程策略：先让 AI 成为“老师傅”懂工艺，再把工厂能力小型化，最后用制造的现实约束，来生成可落地的设计。最特别的一条是，包括 CEO、CTO、CPO ，全部在 PCB 工厂驻场了 1.5 年。第一步（让 AI 学会 PCB 制造）更接近对成熟流程的优化，但PCB 本身是利润极薄的行业；第二、三步——桌面级制造，以及“由制造反推设计”，中间仍有一段不小的跨越。

STACK ANYWAY 观点跃迁

产品概述

STACK ANYWAY 自称全球首个 Text-to-Device（文字生成设备）平台，相当于“硬件版 Claude Code”：Maker 只需用自然语言输入想法，就能转化为完备的电子硬件设计，并全流程加速落地为可运行的硬件原型。官方称已支持总计数千万预算的硬件项目原型研发，技术社区粉丝破万。

团队背景

CEO 徐世哲，帝国理工 + 英国皇家艺术学院，IF/DIA/IDEA 全球设计奖大满贯的资深硬件 Maker，前头部硬件大厂 AI 创新业务负责人；

Rico Li ，华盛顿大学计算机硕博，曾独立操盘 14nm 芯片落地、成果发表在 ISCA 等顶会。

李卓霖，软件应用负责人，美国华盛顿大学、上海纽约大学 Interactive Media Arts & Math 硕士，ml5.js 机器学习框架核心开发者；

陈炳州，美国 U-Iowa SCAD 硕士，曾任职华为、达美航空。年营收超 3000万的硬件嵌入式校长。

为什么值得关注

它是“写物理世界”这个概念最字面的表达——把代码世界里“输入需求、生成可运行产物”的体验，原样搬到硬件上。

点漾从制造端往上走，用户是硬件公司和产线；STACK ANYWAY 从需求端往下走，解决的是“普通人能不能把一个想法变成设计”，用户是创客（Maker）。

小结：