Manifold AI 流形空间
视觉空间，不是语言空间

武伟（Wu Wei）在 2022 年 CVPR 之后与特斯拉团队有过一次关键谈话。特斯拉 Dojo 团队告诉他：世界模型是 AGI 走向物理世界的新基础设施，不是工具，而是前提。三年后，他离开商汤，创立流形空间（Manifold AI）。

这三年他没有闲着。在商汤「绝影」自动驾驶事业部担任 R&D 总经理期间，他主导了「开悟」世界模型的研发，并连续两年赢得 Waymo SimAgents Challenge——全球最权威的驾驶场景仿真评测。这两件事给了他比多数创业者更实在的底气：他知道世界模型在真实场景中会在哪里失败。

Manifold AI 的团队来自两个来源：清华 FIB 实验室（中国最早系统性研究世界模型的学术团队）和武伟在商汤的工业实战班底，合计 200+ 顶会/顶刊论文，引用超 10 万次。

公司名「流形」（Manifold）来自高维几何——流形是一种局部像欧几里得空间、整体却有复杂拓扑结构的数学对象。武伟相信，物理世界的状态空间本质上就是一个高维流形，世界模型的任务，是学习这个流形的局部结构，从而在其上做预测和推理。这也是 Manifold AI 押注视觉空间推理而非语言空间推理的出发点：物理世界的规律更接近几何与像素，而不是词语。

Manifold AI 成立仅 13 个月，完成 6 轮融资，累计接近 ¥10 亿人民币——从 2025 年 5 月英诺天使基金的种子轮，到 2026 年 1 月获梅花创投、君联资本、华为哈勃、英诺基金联合注资的天使+轮，再到 2026 年初的 Pre-A（阶段累计近 10 亿），最后是 2026 年 6 月 18 日由国新基金（国家队）领投、毅峰资本（淡马锡背景）与北汽产投跟投、华兴资本担任财务顾问的新一轮。这是中国 AI 创企中极为罕见的融资速度。

核心模型 WorldScape 于 2026 年 2 月 25 日发布，主张推理不应该发生在语言空间（LLM 路线）或潜空间（扩散模型路线），而应直接发生在视觉空间——用像素与几何关系编码常识，而非词元。技术上，它用 3DGS 约束 + Flow Matching Loss + Depth 联合优化保证 3D 空间一致性，用非对称蒸馏 Self Forcing 实现单 GPU 24 FPS 实时推理，并用三级层次 Memory-aware KV Cache 处理长期记忆。同期发布的 WorldScape Policy 采用 MoT（Mixture-of-Transformers）架构，将视频、深度、动作三个模态在统一 Flow-Matching 目标下端到端联合建模，在 RoboTwin / LIBERO 等基准上多项登顶。

截至 2026 年 4 月底，Manifold AI 在 WorldScore 基准上排名全球第一，超越 NVIDIA、World Labs（李飞飞团队）、智谱 AI、阿里、腾讯、Runway 等一众竞争者。公司同时布局三条垂直模型线：AirScape（无人机世界模型，ACM MM 2025）、RoboScape（具身智能，NeurIPS 2025）、DriveScape（自动驾驶，CVPR 2025），分别覆盖空、地、车三类物理场景。Manifold AI 还自建了 WorldArena 基准并将其设为 CVPR 2026 官方竞赛，200+ 团队参赛，自身排名第一。

Manifold AI 押注的「视觉空间推理」是一个真实的技术分叉点：当前世界模型主要有语言空间推理（LLM 路线）和潜空间推理（扩散模型路线）两条路，武伟选择第三条——直接在视觉空间中推理，灵感部分来自特斯拉 FSD 从不用语言描述道路状态、而是直接在视频特征空间做决策的做法。这个判断是否成立，仍需要在真实机器人部署中被验证，而不只是在基准测试里。

融资速度是一把双刃剑。13 个月 6 轮、估值快速拉高，说明市场对世界模型赛道有极高共识，但也意味着投资人对商业化的期待时钟从创立第一天就开始走——这比大多数基础研究公司快 18 到 24 个月。WorldScore #1 是重要信号，但公司尚处成立第一年，没有经过大规模商业验证的产品，排名本身还不是护城河。

WorldArena 基准同样值得警惕：Manifold AI 既是出题方也是参赛方且自身排名第一，这是成熟的话语权战略，但基准的公信力依赖社区接受度——如果 GigaAI 或其他竞争者持续在 WorldArena 上反超，基准与品牌的可信度会一起受损。这是一个需要持续投入维护的资产，不是一次性建立就永久有效的护城河。

移动（locomotion）与操作（manipulation）的统一建模，是 WorldScape 声称的差异化能力之一——多数机器人 AI 在这两个方向上各自优化、底层假设不同、模型难以复用。如果这项统一在真实部署中得到验证，会是最难复制的技术壁垒，因为它不仅需要架构创新，还需要覆盖两类任务的大量真实数据，而后者恰恰是早期创业公司最稀缺的资源。