凯哥讲 AI | 李飞飞:读懂空间智能的十个产业拐点

01李飞飞真正押注的，不是机器人，而是“世界”

为什么一家以空间智能为使命的前沿模型公司，要在此时收购一家机器人仿真公司？答案并不是 World Labs 想造一台人形机器人。恰恰相反，李飞飞和李昀烛反复强调：他们不押注某一种硬件形态，也不绑定某一个算法模型。他们要做的是所有机器人都需要、却没有任何一家机器人公司愿意独自完整建设的公共层——可规模化生成、重建、训练和评估的数字世界。

这是一个典型的基础设施判断。淘金热里最稳定的生意，不一定是猜中哪位淘金者最后挖到金子，而是提供铲子、道路和地图。机器人行业今天最热闹的是本体、VLA、灵巧手和端到端策略，但真正卡住规模化落地的，往往是更加“脏、重、慢”的工作：如何重建客户现场，如何覆盖长尾状态，如何低成本采集动作数据，如何在不砸坏设备、不伤到人的情况下评估新 checkpoint，如何证明仿真里的 2% 提升到了现场仍然成立。

World Labs 的 Marble 擅长从稀疏输入生成几何一致的三维世界；SceniX 擅长把真实场景转成可运行物理、可部署机器人、可做训练评估的数字环境。一个解决“世界怎么快速生成”，一个解决“这个世界怎么成为机器人的训练场”。两者的结合，不是简单并购，而是把生成式世界模型与工程仿真栈接成闭环。

过去：模型中心围绕参数规模、架构和 benchmark 竞争。

现在：系统中心模型、数据、评估、仿真与硬件共同决定结果。

未来：世界中心谁拥有可扩展的世界，谁就拥有持续生成经验的能力。

所以，标题里最值得琢磨的不是“人也不全靠现实数据学习”，而是它所隐含的学习观变化。过去十年，AI 的成功很大程度上建立在一个朴素假设上：只要现实世界留下的数据足够多，模型就能从中统计出规律。但机器人面对的是开放物理世界，很多关键情况罕见、危险、昂贵，甚至从未发生。只靠采集，永远追不上状态空间的爆炸。

02从“现实主义”到“生成式经验主义”

有人会质疑：仿真终究是假的，机器人最终要在真的世界里干活，为什么不老老实实多采真实数据？这个问题听起来务实，实则把“真实”与“有效”混为一谈。

人类学习从来不只依靠已经发生的现实数据。棋手会在脑中推演没有下过的变化，工程师会在图纸上分析桥梁尚未遭遇的极端载荷，足球教练会在白板上推演对手可能采用的阵型，孩子会通过假装游戏理解角色与因果。我们不仅从事实中学习，也从假设、类比、想象和反事实中学习。

反事实学习的核心不是“幻想”，而是提出一个可检验的问题：如果光线更暗、摩擦力更小、货箱偏移三厘米、夹爪慢半拍、突然有人进入工作区，策略会怎样？现实世界很难系统制造这些情况，数字世界却可以一次改变一个变量，也可以组合改变多个变量，并记录完整真值。

凯哥把这种路线称为“生成式经验主义”：经验不再全部等待现实发生后再收集，而是由一个受物理、几何和业务约束的世界系统主动生成；生成的经验通过评估与真实回传不断校准。它既不同于纯规则仿真，也不同于无约束的视频生成。

真实世界场景与约束

→

可计算世界重建、生成、随机化

→

机器人经验训练、评估、反事实

真实反馈持续校准世界，数字世界持续扩展经验。

这里必须划清边界：合成数据不是“便宜的假数据”。低质量合成数据会放大模型偏见，制造看似海量、实则高度同质的垃圾经验。真正有价值的数字训练场，至少要满足四个条件：与真实场景在任务关键变量上对齐；能够暴露底层状态和因果关系；能够系统控制分布和长尾；仿真表现与真实表现存在可度量的相关性。

因此，仿真不需要像电影一样每一根灰尘都逼真，却必须在任务本质上真实。扫地机器人不需要知道地毯花纹的艺术史，却必须理解摩擦、障碍、轮胎打滑与传感器遮挡；装配机器人不需要复刻整个工厂的每一盏灯，却必须准确描述孔位、公差、力反馈和零件接触。

凯哥判断：未来行业不会争论“真实数据还是合成数据”，而会争论什么该真实、什么可生成、什么必须受物理约束，以及如何建立 Sim-to-Real 的证据链。

03机器人真正稀缺的不是数据，而是“可学习的经验”

语言模型为什么能迅速出现缩放效应？因为互联网已经替它完成了海量数据生产：人类写过的文章、代码、问答和讨论，本质上是文明留下的符号轨迹。机器人没有这样一座现成的“物理互联网”。一次抓取不仅需要视频，还需要机器人状态、动作、力矩、深度、接触、失败原因和任务目标。更麻烦的是，同一个动作对不同本体、夹爪、载荷和现场条件未必可复用。

所以，机器人缺的并非狭义的“数据文件”，而是覆盖任务空间、带有动作与结果、能够被训练和评估系统消费的经验单元。真实遥操作可以生产经验，但成本高、速度慢、覆盖窄；互联网视频覆盖广，却通常缺少精确动作与物理状态；纯仿真可控，却可能存在现实鸿沟。产业答案不会是三选一，而是把三者装进同一个数据飞轮。

这也是为什么“数据飞轮”不能只被理解为数据越积越多。真正的飞轮必须让每一次现场失败都改变下一轮训练分布：系统发现某类透明包装抓取失败，就在数字世界里围绕材质、反光、角度与夹持力生成一批针对性场景；新策略通过仿真回归测试后，再灰度部署；现场表现又验证仿真相关性。数据的价值不在数量，而在是否推动策略边界外扩。

用 Lean AI 的语言说，这是一条“问题—假设—实验—评估—学习”的闭环。仿真的意义不是替代现场，而是压缩闭环周期；世界模型的意义不是制造漂亮视频，而是降低实验成本；合成数据的意义不是填满存储，而是提高单位真实数据所能撬动的学习增量。

04评估，才是这场访谈中最容易被忽视的金矿

大多数媒体会把焦点放在训练数据上，但李昀烛反复强调了另一个更重要的问题：评估。机器人行业今天最大的瓶颈之一，是不知道一个新模型究竟有没有真正变好。

在大语言模型领域，一个 checkpoint 可以在数小时内跑完大量自动评测；在机器人领域，若每次 2% 的提升都要把机器人部署进仓库、餐厅或实验室，重复数百次真实任务，迭代周期可能以周甚至月计算。测试还会占用场地、人员和设备，失败可能损坏货物，极端情况下还涉及人身安全。

数字环境的价值，是把评估从“偶尔做一次现场验收”变成“每次模型更新都能运行的持续测试”。它可以保存标准场景、难例场景、极端场景和历史事故场景；可以对两个 checkpoint 做同分布对照；可以把成功率拆解到光照、物体、姿态、摩擦力等维度；还可以在真实机器人执行前设置安全门槛。

但这也提出了更高要求：仿真评估本身必须被评估。企业不能只看模拟成功率，而要长期维护一张 Sim-to-Real 相关性地图：哪些任务上仿真排名能够预测现实排名，误差多大，何时失效，模型升级或硬件变化后是否需要重新校准。

没有评估闭环的世界模型，只是一个昂贵的内容生成器；能够影响上线决策的世界模型，才是生产基础设施。——凯哥讲 AI

这意味着机器人时代的 Evals 不再只是一个数据集，而是一套“世界组合”：环境、任务、初始状态、干扰因素、物理参数、成功标准与安全边界的结构化定义。谁掌握了行业的评估世界，谁就可能掌握行业事实上的交付标准。

05为什么三维不是情怀，而是行动的语法

视频模型可以生成看起来合理的下一帧，为什么还要坚持几何一致的三维世界？因为对观看者而言，“看起来像”可能足够；对机器人而言，“可以作用”才是底线。

机器人不是一个坐在屏幕前欣赏视频的人。它要决定夹爪从哪里进入、手臂是否碰撞、物体受力后向哪里移动、遮挡之后目标是否仍然存在。同一个物体换个视角不能凭空变形，推一下不能突然消失，接触关系不能随帧漂移。这些不是视觉美学问题，而是行动的语法。

三维、时间、物理与动作条件共同构成世界模型的四根支柱。三维提供空间关系，时间提供状态连续性，物理提供因果约束，动作条件提供“如果我这样做会发生什么”的接口。缺少任何一根，模型都很难成为可靠的机器人学习环境。

当然，这并不意味着传统物理引擎将战胜学习模型。更可能的未来是混合世界：确定性强、可建模的部分由几何与物理提供骨架；复杂材质、接触、形变与人类行为由学习模型补足；生成模型负责快速构建多样场景；真实数据负责持续校准。世界模型不是单一大模型，而是一套可组合的系统。

06“模型总会换代，基础设施不会”——这句话值十亿美元

李昀烛说，具体用哪个模型其实不重要，因为模型总会换代，但基础设施不会。这句话看似谦虚，实则暴露了 World Labs 与 SceniX 的商业野心。

模型层竞争异常激烈，今天领先的 VLA、动作模型或视频模型，明天可能被新架构替代。如果一家企业把全部资产押在某个模型 API 上，获得的只是短期能力租赁。相反，现场重建管线、任务定义、评估世界、难例库、硬件适配、仿真到现实的校准记录，以及客户长期积累的运行轨迹，具有更强的粘性和复利。

这套基础设施一旦进入研发与交付流程，就会成为机器人行业的 CI/CD：模型可以插拔，本体可以替换，但每次更新都要在这里训练、回归测试、验证和发布。它的价值不只在卖算力或软件许可证，而在掌握机器人从实验室走向现场的“质量通道”。

因此，World Labs 的最佳定位不是另一家人形机器人公司，也未必是一家单纯的基础模型公司，而可能是 Physical AI 时代的“世界云”：客户上传或扫描现场，系统生成可执行环境，接入不同机器人与模型，并提供训练、评估、合成数据和部署反馈闭环。

模型资产可替换，折旧快，容易被新一代能力追平。

世界资产包含场景、任务、约束、难例与验证证据。

运营资产来自持续执行轨迹，最贴近客户真实价值。

07机器人商业化，不会从“万能”开始

访谈中另一个非常清醒的判断，是机器人落地将从结构化环境走向半结构化环境，最后才进入家庭等非结构化环境。今天资本市场热衷展示“像人一样”的通用机器人，但商业价值通常来自“把一个具体任务稳定做完”。

工厂是结构化环境，流程、工位和对象高度可控，传统自动化已深耕数十年；仓库、酒店、餐厅、实验室和电子装配属于半结构化环境，主要任务可定义，但会出现人、杂物、光照和对象变化；家庭则是高度非结构化环境，每户布局不同、物品不同、规则不同，还要求极高安全性和低成本。

人形身体是对非结构化人类世界的一种通用适配，但通用不等于经济。一个任务若能由轮式底盘、单臂或专用末端执行器更便宜地完成，企业不会为“像人”支付溢价。未来几年真正可持续的机器人公司，很可能不是演示最惊艳的公司，而是能够把任务边界定义清楚、把异常状态覆盖充分、把单位任务成本降到商业阈值以下的公司。

World Labs 选择保持本体中立，正是为了不押注某一种“身体”。这也提醒企业客户：采购机器人不能只看本体参数和 demo，要同时检查任务定义、数据闭环、评估体系、异常恢复、现场改造和持续运营能力。机器人不是一台买回来就结束的设备，而是一个持续学习的生产系统。

08人形机器人热潮里，最危险的是“未经校准的乐观”

李飞飞说，当下 AI 最难做到的，是保持恰如其分且经过校准的乐观。这句话非常适合送给今天的具身智能行业。

悲观者容易低估技术曲线：多模态模型、三维重建、生成式世界、VLA 和硬件供应链正在同时进步，许多五年前看似遥远的问题正在快速收敛。乐观者则容易忽略系统工程：机器人成功率从 90% 到 99% 不是提高九个百分点，而是失败率降低十倍；从 99% 到 99.9% 又是一个数量级。真实商业要求的不只是“多数时候能做”，而是失败可预期、可恢复、可追责。

此外，智能并不自动等于经济性。机器人的资本成本、维护、能耗、场地改造、远程接管、安全认证和数据运营都要计入单位任务成本。人脑约几十瓦功耗即可完成极强感知与控制，而现有 AI 系统加上机器人硬件远没有达到同等能效。

所以，正确的乐观不是预测“两年后机器人进入每个家庭”，而是选择几个高价值、半结构化、可度量的任务，用数字世界把训练和评估周期压缩一个数量级，再用灯塔客户证明单位经济性。李飞飞给出的两年目标也很克制：在少数重要垂直用例中，获得经验证的客户和自动化成果。这种克制，反而比宏大的 AGI 口号更值得重视。

09这场并购将重画 Physical AI 产业地图

过去，机器人产业常被分成硬件本体、核心零部件、控制系统、仿真软件和应用集成。生成式 AI 进入之后，中间会长出一个新的厚层：世界基础设施层。它向下连接传感器、CAD、物理引擎和机器人本体，向上连接世界模型、VLA、策略学习、评估与现场运营。

这个新层的竞争不会只有 World Labs。芯片与仿真平台公司拥有算力和物理引擎优势，机器人基础模型公司掌握策略与数据，云厂商拥有基础设施和企业客户，工业软件公司掌握 CAD/PLM/MES 数据，机器人本体公司拥有真实执行轨迹。真正的胜负手，是谁能把这些分散资产连接成低摩擦的 real-to-sim-to-real 闭环。

未来两三年可能出现五类重要产品：一是从视频、图像、扫描和 CAD 自动生成机器人可用环境；二是面向行业任务的场景与难例市场；三是机器人模型的云端评估与认证；四是跨本体的数据与策略迁移工具；五是把现场失败自动转化为仿真测试和训练任务的闭环平台。

同时，新壁垒也会形成。单纯拥有漂亮的生成效果不是壁垒；单纯拥有大量遥操作小时也未必是壁垒。真正难复制的是“世界—任务—动作—结果—现实验证”的完整映射，以及在特定行业不断积累的失败分类学。

10对中国机器人产业意味着什么？

中国拥有全球最完整的制造业场景、供应链和机器人硬件能力，这是发展 Physical AI 的天然优势。但优势不会自动转化为智能。若每家企业各自采数据、各自搭仿真、各自定义评估，不仅重复建设，而且难以形成缩放效应。

下一阶段需要建设的，不只是更多机器人训练基地，而是面向重点行业的“高质量世界数据集”：它不仅包含图像和视频，还应包含空间几何、对象语义、材料属性、任务规范、动作轨迹、力与接触、异常状态、安全约束和现实评估结果。数据集的最小单元要从“样本”升级为“可重放场景”。

对于电子装配、物流仓储、汽车制造、矿山、港口、能源巡检、医疗辅助等行业，可以优先选择高价值且半结构化的任务，建立行业级 benchmark 与数字训练场。公共平台的职责不是替企业训练同一个模型，而是提供共性的场景标准、评估工具、数据治理和可信流通机制。

这也将重塑“高质量数据集”的定义。过去评价数据集常看规模、完整性、准确性和标注质量；机器人时代还必须看任务覆盖、状态分布、物理一致性、动作可执行性、仿真现实相关性和对策略性能的增益。一个 10TB 的精准难例世界，可能比 1PB 的重复视频更值钱。

11企业现在应该怎么做：不是先买机器人，而是先定义世界

如果你是一家制造、物流或服务企业，这场访谈最重要的行动建议，不是立刻采购一批人形机器人，也不是先建一个宏大的“具身智能平台”。第一步应该是选择任务，并把任务世界定义清楚。

第一，选出经济上值得自动化的任务。

看频率、人工成本、危险性、招工难度、质量波动和停机影响。不要从“机器人能做什么”出发，而要从“哪个业务问题值得为可靠性付费”出发。

第二，建立任务的状态空间。

列出对象、位置、光照、材质、公差、人员干扰、设备状态和异常类型。把“正常流程”之外的边界条件系统化。机器人项目通常不是死在主流程，而是死在那些没人写进需求的例外。

第三，建立现实基线与评估协议。

当前人工成功率、节拍、成本和安全指标是多少？机器人达到什么阈值才算可上线？测试多少次才有统计意义？没有基线，所谓“智能提升”就只剩演示。

第四，构建最小可用数字世界。

先覆盖最关键的场景变量，不追求一开始就打造电影级数字孪生。用少量真实数据校准，利用随机化扩展长尾，再把仿真测试与现场灰度连接起来。

第五，建立失败回灌机制。

每次失败要能被分类、重放并转化为新测试。无法重放的失败，只是事故；能够进入下一轮评估的失败，才是组织资产。

Lean-FDE 的角色：FDE 不只是把模型接进业务，而要成为现实世界与数字世界之间的翻译者：把业务目标转成任务，把现场例外转成状态空间，把失败转成数据，把模型指标转成经营结果。

12读懂空间智能的十个产业拐点

一，空间智能不是计算机视觉的升级版。它的目标不是识别世界，而是生成、理解、推理并作用于世界。

二，世界模型的价值不在视频有多逼真。关键是几何、时间、物理与动作是否一致。

三，机器人缩放定律的燃料是经验，而不是文件数量。动作、结果、任务和状态必须共同存在。

四，仿真不是现实数据的对立面。它负责扩展、控制和反事实；现实负责锚定、校准和验证。

五，评估可能比训练更先形成稳定商业价值。因为所有模型和机器人都需要可信的上线门槛。

六，最强壁垒可能在基础设施而非模型。模型会换代，世界资产与验证证据会复利。

七，机器人会先在半结构化环境中规模化。商业化来自边界清晰，不来自形态通用。

八，Physical AI 是系统工程。硬件、模型、数据、摩擦系数、安全和运营缺一不可。

九，高质量数据集将升级为高质量世界集。数据从静态样本变成可执行、可扰动、可重放的场景。

十，企业的起点不是买机器人，而是定义任务世界。谁能把现场知识结构化，谁才能把 AI 能力转化为生产力。

语言模型把人类留下的知识变成了可调用的智能；世界模型要把人类尚未经历的可能性，变成机器可训练的经验。                 ——凯哥讲 AI

结语：AI 的下一站，是从“知道”走向“做到”

大模型让机器学会了说，空间智能要让机器学会在世界中存在。两者之间的差距，不只是增加一个动作输出头，而是从符号概率跨越到物理因果，从一次回答跨越到持续行动，从“生成得像”跨越到“执行得对”。

李飞飞与 SceniX 的这次联手，真正值得行业记住的，不是又一家明星公司进入机器人赛道，而是机器人产业的基础逻辑正在改变：现实不再是唯一训练场，仿真不再只是研发辅助工具，世界本身开始成为一种可以被生成、计算、验证和运营的基础设施。

当数字世界足够可信，机器人就可以在里面经历一百万次现实中不敢发生、来不及发生、没有条件发生的事情。然后，它带着这些“未曾发生的经验”回到现实。

人类文明的进步，从来不只靠亲自撞过每一堵墙。我们靠故事、模型、实验、推演和想象，把别人的经历和没有发生的可能变成自己的判断。现在，机器也要开始获得这种能力了。

这才是“人也不全靠现实数据学习”背后最激动人心的部分：我们不是在教机器人模仿过去，而是在为它们建造可以练习未来的世界。