Prana Labs千万融资：多模态AI如何突破物理沙盒盲区

type

status

date

slug

summary

category

icon

password

网址

Z Potentials获悉，近日，总部位于硅谷与新加坡的Prana Labs正式完成近千万美金种子轮融资，由元生资本、XVC、Creekstone、三七互娱联合投资，澜松资本担任独家财务顾问。

与赛道中大多数致力于生成内容的公司不同，Prana Labs 从创立之初就将自己定义为一家多模态基础模型公司（Multimodal AI Foundation Model Company）。它的目标并非生成更逼真的视频，也不是搭建静态的3D场景，而是规模化构建可交互、可验证、具备真实物理约束的多模态环境，作为训练下一代通用智能的基础设施。

在Prana Labs看来，真正的多模态模型，不仅需要"看懂"世界，更需要能够进入世界、与环境持续交互，并从真实反馈中学习物理规律。

01 Code的成功与盲区：为什么AI的下一站必须是“物理沙盒”？

过去半年，"世界模型"成为AI领域最炙手可热的方向之一。超过33家公司相继入局，累计融资规模突破260亿元人民币，视频生成、3D重建、空间智能等概念层出不穷，行业试图共同定义AI的下一阶段形态。但当行业热衷于生成更逼真的像素或更精细的3D网格时，一个更深层次、更根本的问题被集体忽视了：AI至今缺乏一个可以“动手”学习物理规律的环境。

为什么是环境？因为Code已经证明了路径，也暴露了盲区

过去两年，大模型在编程领域的跃迁最令人瞩目。从OpenAI的GPT系列到Anthropic的Claude，代码能力的爆发式提升让无数人惊叹。但这一突破的本质，不仅在于模型架构的规模化（scale up），更关键、更底层的因素是环境。

代码世界天然是一个完美的沙盒系统。模型写出的每一行程序，都能在编译器或解释器中运行并获得即时、明确的反馈，对错立判，毫无模糊地带。正是这种毫秒级的“行动—反馈—修正”自闭环，让大模型在编程场景中率先建立起了推理能力与因果理解。模型在后果中学习，在试错中迭代。可以说，代码的沙盒属性，才是编程能力一骑绝尘的真正秘密。

然而，正是 Code 的成功，反衬出当前 AI 发展中一个被严重低估的结构性盲区：因为有完美的反馈沙盒，全行业最顶尖的人才、算力和数据，几乎自动且不可逆地涌向了编程任务；而需要物理理解的多模态智能，却因缺乏这样的环境而备受冷落。

这就导致了一个巨大的不对称。互联网提供了海量可“看”的数据（图片和视频），但模型无法在其中“动手”。看过一万次杯子落地的视频，模型依然无法推理：换一个倾斜角度、换一种材质，杯子会以怎样的轨迹碎裂。观察，永远无法替代行动后的因果反馈。

这个缺口，恰好是多模态通用智能真正的瓶颈所在。大语言模型已经在代码沙盒中学会了推理，但它们对物理世界几乎一无所知。而多模态模型虽然能看懂像素，却无法理解像素背后的重力、碰撞、材质与因果。这是LLM重兵投入之外的最大空白地带，也是多模态通用智能必须跨越的一道坎。

Prana Labs要填补的，正是从“观察”到“行动”之间缺失的环境基座——让多模态模型拥有属于它们的“编译器”。让AI不再只是观看世界的观众，而成为能够在世界中动手、犯错、学习、理解的操作者。

02 游戏，被低估的"世界模拟器"，人类30年模拟世界的“暗线”

构建这样一套世界系统所需要的技术，究竟从何而来？

答案或许藏在一个看似与AI基础模型相距甚远，却对“逼近现实”投入最深、技术积累最厚的产业——游戏。

之所以说秘诀在游戏，是因为从80年代的像素点阵到今天的虚幻引擎5，从简单的2D碰撞到复杂的刚体动力学、流体模拟、光线追踪，游戏行业对沉浸感与真实感的极致追求，本质上是一场持续了三十年的世界模拟实验。这条演进路线不是巧合，而是人类对“创造另一个现实”这一终极愿望的必然投射。

几何建模决定世界如何被构造，物理引擎规定物体如何运动与碰撞，实时渲染负责呈现环境的变化，交互系统则让玩家的每一次操作都能得到即时反馈，过去数十年，游戏行业已经在这条路径上投入了数千亿美金和全球最顶尖的工程人才，这些原本服务于游戏体验的技术被不断组合、迭代，逐渐形成了一套能够构建复杂、动态且可交互数字环境的完整工程体系。

这些技术演进的终点天然指向一个方向：完全逼真、可交互、有因果反馈的数字世界。如今，这套体系的价值，正在AI时代被重新认识。

下一代多模态智能需要的，不只是可供观看的视频或静态三维场景，而是一个能够让智能体进入其中，持续行动、反复试错并获得因果反馈的训练环境。从这一角度看，游戏产业三十年来积累的物理仿真、实时渲染、3D资产生产和交互机制，恰好构成了建造这类环境最成熟的技术底座。

Prana Labs所做的，正是将这条长期隐藏在游戏产业中的技术路径，接入AI基础模型的演进之中。

它并非一家游戏公司，但游戏产业三十年沉淀下来的世界模拟能力——从物理引擎到实时渲染，从3D资产管线到交互系统——是其抵达目标最短的路径、最厚的积累、最难复制的壁垒。站在巨人的肩膀上，才能以最高的效率建造AI需要的训练场。

03 一套系统：构建“环境→数据→模型”的飞轮

Prana Labs打造的世界生成系统，其核心产出不是一段视频、一张图片或一个静态3D场景，而是无限量、全可控、带完整物理标注的可交互3D世界。输入一句话或一张图，输出的不是像素，而是一个可以走进去、动起来、有真实后果的数字空间。

这套系统具备三个核心特征，也是其与赛道中其他公司最本质的区别：

第一，规模化。同一条指令“生成一间厨房”，系统可以输出上千种合理且各不相同的世界——布局不同、材质不同、光照不同、物体摆放不同。规模化不是锦上添花，而是训练模型的硬性前提。没有规模，就没有泛化。

第二，全可控。空间复杂度、物体属性（质量、弹性、摩擦系数）、视觉风格、动力学参数——世界的每一层维度都显式可调。底层仿真支持刚软复合材料的全场景耦合，工业级接触建模，物理参数与真实世界对齐。这意味着Prana Labs可以按需生成特定难度、特定场景、特定物理规则的环境，为模型训练提供精确的课程设计。

第三，可验证。这些世界天生物理合理。重力存在，碰撞真实，因果关系成立。任何智能体在其中按下按钮、推动物体、执行操作，都会得到真实的物理后果与自动的反馈信号。对就是对，错就是错——正如代码世界的编译器一样。

正是这套系统，构成了Prana Labs通往多模态基础模型的、不可复制的核心飞轮：

一方面，交互环境能够持续生成包含视频、3D几何、物理状态、动作轨迹以及因果反馈在内的高质量多模态数据；另一方面，这些环境本身又成为模型训练和验证的平台，推动模型不断提升对物理世界的理解能力。而更强的模型，又能够进一步生成更复杂、更真实、更可交互的数字世界，持续反哺数据生产与模型迭代，形成"世界生成数据，数据训练模型，模型再创造世界"的闭环。

这也是Prana Labs与传统数据路线最大的不同。当整个行业困于真实世界交互数据高昂的采集成本、天然缺失失败样本（现实中失败案例往往无法被记录）时，Prana Labs的世界可以源源不断、边际成本趋近零地供给带完整因果链的训练数据，失败轨迹免费且无限量供应。

对下一代多模态基础模型而言，这意味着训练范式的改变，也是真正走向物理智能的关键一步。模型学习的不再只是公开视频中的视觉模式，而是一个能够持续行动、获得反馈、理解因果关系的物理世界。当行业仍主要依赖公开视频和互联网数据时，Prana Labs已经拥有了一座能够持续产出高质量交互数据的"世界工厂"。这也是其构建下一代多模态基础模型最难复制的竞争壁垒。

04 团队：最懂模拟技术与大模型的综合团队

Prana Labs创始团队是一支兼具前沿学术视野与大规模工程落地能力的全建制队伍。

核心成员来自Anuttacon（米哈游创始人蔡浩宇创立的AI公司）、米哈游、字节跳动Seed、Google DeepMind及国内头部大模型公司，毕业于NUS、ETH Zurich、Cornell、北京大学、法国国家信息与自动化研究所等顶尖高校。这支团队既有从零搭建实时物理仿真管线的图形学功底，也有支持数十万亿token量级大模型训练的数据工程经验，横跨了大模型训练、底层图形学引擎、物理仿真、机器人系统四个领域，具备业内极为稀缺的全栈成建制能力。

团队同时拥有三位常驻硅谷的顶尖学术顾问，分别覆盖世界模型训练、VLM与多模态、LLM预训练与后训练，均来自全球顶级大模型团队，为公司的技术路线设计、模型训练落地、湾区团队搭建提供深度支撑。

这种独特的技术基因，也塑造了Prana Labs对“世界模型”的不同理解：世界模型不是更大的视频生成模型，也不是更精细的3D重建工具。像素不等于物理，视觉逼真也不等于真正理解。参数规模可以提升生成能力，却无法替代环境交互与真实反馈；物理因果需要模型在行动、试错与结果中学习。

因此，Prana Labs聚焦多模态通用智能方向。当行业竞逐参数规模、视频时长和生成分辨率时，它选择构建让模型能够“亲自动手”理解世界的环境系统。在其技术体系中，环境与模型相互驱动：可交互、可验证的世界持续产出独有数据，数据训练多模态模型，更强的模型再反过来生成更复杂、更高质量的世界。

对于这家成立不久的创业公司而言，这轮融资不仅意味着更多资源投入研发，也意味着资本开始押注另一种世界模型的发展路径——竞争的重点，不再只是生成一个世界，而是让AI能够真正生活、学习并理解这个世界。

文章相关信息：

Prana Labs是一家多模态通用智能公司，致力于构建物理精确、可交互的规模化世界生成系统，并基于此训练下一代多模态基础模型。团队具备从大模型训练、底层图形学引擎到机器人系统的全栈成建制能力，总部位于硅谷与新加坡。

文章来自于微信公众号 “Z Potentials”，作者 “Z Potentials”