Das Nature-Cover-Team der Tsinghua-Universität gründet ein Startup, Miji Intelligence hat nacheinander drei Finanzierungsrunden mit einem Gesamtvolumen von mehreren Hundert Millionen Yuan abgeschlossen ｜ Xinglian Portfolio-News

 DenseAI konzentriert sich auf die tieferliegenden Probleme von Weltmodellen: Was ist die ultimative Quelle der physischen Intelligenz?

DenseAI, ein Unternehmen für Grundmodelle der physischen künstlichen Intelligenz (Physical AI), hat seine dritte Finanzierungsrunde abgeschlossen. Innerhalb eines halben Jahres belief sich die gesamte Finanzierung auf mehrere hundert Millionen Yuan. Zu den Investoren gehören führende staatseigene Kapitalgesellschaften aus Peking und Shenzhen, bekannte US-Dollar-Kapitalgeber und Top-Investmentfonds für das KI-Ökosystem.

DenseAI wurde 2026 gegründet und ist ein Spitzen-KI-Team, das aus dem Fachbereich Automatisierung der Tsinghua-Universität hervorgegangen ist. Es widmet sich der Entwicklung des nächsten Grundmodells für die physische Welt, konzentriert sich auf Weltmodelle und Dense Learning und treibt die künstliche Intelligenz dazu voran, vom Verständnis der physischen Welt zu selbstständigem Lernen und kontinuierlicher Evolution überzugehen.

In einer Zeit, in der Weltmodelle zu einem globalen Wettbewerbsschwerpunkt im KI-Bereich werden, hat DenseAI einen differenzierten technischen Weg gewählt: Es nutzt die große Menge vorhandener echter physischer Daten mit extrem niedrigen Grenzkosten als Quelle der Intelligenz, durchbricht mit der originellen Dense-Learning-Technologie das Problem der Seltenheitskatastrophe und das Long-Tail-Problem der Daten, realisiert hocheffizientes Vortraining und hochwertiges Nachtraining der physischen Intelligenz und gibt Agenten schließlich die Fähigkeit, sich in der physischen Welt kontinuierlich weiterzuentwickeln.

01

Spitzenreiches Forschungsteam der Tsinghua-Universität, originelle Technologie auf Nature-Titelblatt-Niveau

DenseAI hat ein Gründungsteam zusammengebracht, das sowohl über internationale Spitzenforschungskompetenz, Entwicklungsstärke für große Modelle als auch über Erfahrung in der Industrialisierung verfügt.

Feng Shuo, Mitbegründer und Chefwissenschaftler des Unternehmens, ist außerordentlicher Professor und Doktorvater am Fachbereich Automatisierung der Tsinghua-Universität. Er verfügt über tiefe originelle Forschungsakkumulation auf dem Gebiet des Dense Learning und der physischen Intelligenz. Er wurde nacheinander in die chinesische Liste von MIT TR35 aufgenommen, erhielt den Green Orange Award der Damo Academy und wurde 2026 in das Kategorie-A-Programm des Wissenschaftsfonds für junge Wissenschaftler der Nationalen Naturwissenschaftsstiftung (ehemals Nationales Programm für herausragende junge Wissenschaftler) aufgenommen.

Ein anderer Mitbegründer und CEO, Shi Mengkai, hat einen Bachelor- und Doktorabschluss am Fachbereich Automatisierung der Tsinghua-Universität. Er war Mitbegründer eines Startups im Bereich autonomes Fahren und fungierte als CTO, er verfügt über reiche Erfahrung in der Gründung und Industrialisierung von Hard-Technology-Unternehmen. Das Unternehmen hat Kernentwickler aus nationalen Labors, ByteDance und führenden embodied-intelligence-Unternehmen zusammengebracht und gleichzeitig eine Reihe hervorragender junger KI-Talente von der Tsinghua-Universität angezogen, um eine vollständige Entwicklungsfähigkeit von originellen Theorien über Grundmodelle bis hin zu embodied-intelligence-Systemen zu bilden.

Das Kernteam von DenseAI veröffentlichte 2023 die Forschungsergebnisse zum dichten verstärkten Lernen in der weltweit führenden umfassenden wissenschaftlichen Zeitschrift *Nature* und wurde als Titelarbeit der aktuellen Ausgabe ausgewählt, was im akademischen Bereich der künstlichen Intelligenz mit Google DeepMind mithalten kann. Diese Forschung wurde auch in offiziellen Spalten wie Nature News & Views, Nature Podcast und Nature Videos thematisch berichtet, was ihre internationale akademische Einflussnahme widerspiegelt.

Das Team des Unternehmens hat in einer Reihe von Studien die "Seltenheitskatastrophe" (Curse of Rarity) im intelligenten Lernen vorgeschlagen und theoretisch begründet: Mit dem fortlaufenden Training des Modells kann der Lernwert der Daten exponentiell abnehmen, und hochwertige Daten sind oft spärlich in massiven Datenpools verteilt. Eine große Menge an Daten mit niedrigem Wert kann nicht nur die Fähigkeit des Modells kaum kontinuierlich verbessern, sondern auch die wirklich wertvollen Lernsignale überdecken, was die Effizienz und Wirkung des Modelltrainings stark einschränkt.

Um dieses grundlegende Problem zu lösen, hat das Team auf kreative Weise die Theorie und Methode des Dense Learning vorgeschlagen. Durch die Nutzung der intrinsischen Lernsignale des Modells selbst werden hochwertige Daten automatisch und intelligent erkannt und ausgewählt. In Kombination mit entsprechenden Innovationen der Modellarchitektur wird die Informationsdichte und der Lernwert der Daten erhöht, um ein effizienteres intelligentes Lernen zu realisieren.

02

Das Scaling Law von Weltmodellen neu überdenken: Zuerst die Daten skalieren

Wenn immer mehr Unternehmen Weltmodelle rund um Videogenerierung, Parameter großer Modelle und Roboterprototypen aufbauen, stellt DenseAI eine tieferliegende Frage: Was ist die ultimative Quelle der physischen Intelligenz?

Nach Ansicht von DenseAI sind skalierbare Daten die Quelle der Intelligenz. Der entscheidende Engpass, der die skalierbare Entwicklung der physischen KI einschränkt, ist nicht nur die Modellarchitektur und die Rechenleistung, sondern vor allem skalierbare echte physische Daten. Die massiven, bereits aufgezeichneten und wahrheitsgetreuesten Daten in der physischen Welt werden durch Dense Learning effizient zu Intelligenz komprimiert – das ist die Entstehungsweise der physischen Intelligenz.

Das Unternehmen ist der Ansicht, dass hochwertige Datenquellen für physische Weltmodelle drei Bedingungen erfüllen müssen: ausreichend niedrige Grenzkosten, ausreichend echte physische Informationen und die Fähigkeit, von Anfang an in großem Maßstab zu expandieren. Im Rahmen dieser Einschätzung erforscht DenseAI schwerpunktmäßig weltzentrische (World-centric) echte interaktive Videodaten und nutzt die physischen Aktivitäten, die Menschen in echten Szenen wie industrieller Produktion und täglichem Leben natürlich erzeugen, um ein kostengünstiges und nachhaltig erweiterbares Vortrainingsdatensystem aufzubauen, das die Abhängigkeit von bestimmten Roboterprototypen und teurer Aktionsmarkierung verringert.

Das Unternehmen hofft, durch echte Szenen einen kontinuierlichen Wachstumszyklus zu bilden: "Szenen erzeugen Daten, Daten trainieren Modelle, Modelle stärken umgekehrt die Szenen", um eine wirklich skalierbare Trainingsgrundlage für physische Weltmodelle zu schaffen. Es wurde bekannt, dass das Weltmodell des Unternehmens bereits die zugrundeliegende Technologieunterstützung bei einem globalen Roboterwettbewerb bereitstellt und in echten Szenen kommerziell ausgeliefert wird, womit die anfängliche Marktvalidierung des Produkts abgeschlossen wurde.

03

 Dense Learning treibt die selbstständige Evolution an, lässt die KI lernen, selbst Herausforderungen zu schaffen

Wenn skalierbare Daten das Problem lösen, wie Weltmodelle umfassende physische Kenntnisse erlangen, dann löst Dense Learning das Problem, wie Agenten aus begrenzten Erfahrungen kontinuierlich neue Fähigkeiten erwerben.

Nach Ansicht von DenseAI sind zahlreiche Interaktionen in der echten physischen Welt hochgradig wiederholend, während der Schlüssel, der die Generalisierungsfähigkeit bestimmt, oft in unbekannten Umgebungen, komplexen Interaktionen und relativ langen Tail-Szenen verborgen liegt. Auf der Grundlage der langjährig angesammelten Dense-Learning-Theorie erforscht das Unternehmen weiter das Trainingssystem der selbstständigen Evolution (Self-Evolution), damit Agenten aktiv ihre eigenen Fähigkeitsgrenzen entdecken, dynamisch herausforderndere Aufgaben schaffen und durch echte Interaktion und Feedback ihre Fähigkeiten kontinuierlich verbessern.

Die KI soll nicht nur Probleme lösen, sondern auch aktiv neue Probleme schaffen, um sich selbst zu trainieren. Diese technische Route hat bereits phasenweise experimentelle Fortschritte erzielt. Nach Angaben des Unternehmens ist bei mehreren Aufgaben mit echten Geräten die Ausfallrate durch die Methode des dichten verstärkten Lernens um Größenordnungen gesunken, was das Potenzial der Auswahl hochwertiger Erfahrungen zur Verbesserung der Effizienz des Robotertrainings bestätigt und eine praktische Grundlage für die durch Dense Learning angetriebene selbstständige Evolution liefert.

04

Entwicklung des nächsten Grundmodells für physische KI

Nach Ansicht von DenseAI sollte die nächste Generation der allgemeinen physischen Intelligenz nicht auf einen bestimmten Roboter oder eine bestimmte Aufgabe beschränkt sein, sondern auf einem Weltgrundmodell aufbauen, das szenenübergreifend übertragbar ist, kontinuierlich lernen und sich selbstständig weiterentwickeln kann.

In Zukunft wird das Unternehmen die integrative Innovation von Weltmodellen, Dense Learning und Technologien zur selbstständigen Evolution kontinuierlich vorantreiben und ein technisches System aufbauen, in dem echte physische Daten, Vortraining von Grundmodellen und selbstständige Evolution von Agenten sich gegenseitig fördern.

Weltmodelle lassen die KI die Welt verstehen, Dense Learning lässt die KI effizient evolvieren.

DenseAI verfolgt diesen zentralen technischen Weg, um die Realisierung der allgemeinen physischen Intelligenz zu erforschen.