当李飞飞的世界模型卡在产线前，影身智能用4D世界模型在车间交卷

来源：@首席数智官

“下一波AI浪潮将是在物理世界中运行的AI。”

在年初黄仁勋宣告物理AI时刻来临后，一场关于“机器如何理解现实”的军备竞赛全面打响。

9月28日，AMD以约82亿美元天价收购李飞飞创办的空间智能明星公司World Labs，刷新了全球对于3D世界生成技术的价值认知。

然而，天价估值背后，整个行业都在面临同一堵隐形高墙：能生成空间，不代表能精准作业。

一边是硅谷巨头斥资百亿探索空间生成，另一边，以“影身智能”为代表的国内硬核创新力量，正选择扎进真实的柔性制造流水线，用前沿的4D世界模型直击物理数据的深水区。

物理AI的瓶颈到底卡在何处？从李飞飞的实验室造世界，到影身智能的车间实战，真正的破局钥匙又在谁的手里？

01 物理世界不能全靠“猜”

在探讨这些问题之前，我们要先搞清楚World Labs是家什么公司。

World Labs成立于2024年，总部在旧金山，创始人是李飞飞，团队约70人，累计融资超过12亿美元。公司的核心业务就是研究“空间智能”，让AI理解3D世界、生成3D世界、最终在3D世界里推理做事。

今年9月，World Labs发布了旗舰版空间世界模型Atlas。这是一个原生处理文本、图像、视频和三维数据的统一模型：比如给它一张照片，它能生成这个场景在任意新视角下的画面；给它一些地面照片，它能重建出整个场景。

之所以能够实现这样的能力，是因为World Labs给Atlas设计了一套新的基础架构，而非LLM 和视频模型共同使用的标准架构。

Atlas是一个从零预训练的多模态自回归扩散Transformer。它最关键的设计叫“空间上下文”。

空间上下文可以理解成大语言模型的上下文窗口，但有个根本区别：

序列里的每一个元素，都被锚定在三维空间的一个确定位置上，带着真实的相机位姿。图像不是一张扁平的像素图，而是从某个确定视角对某个空间的一次观测。

这非常重要。因为仅依靠大语言模型和视频模型，并不足以还原真实世界的全貌。

而World Labs的做法是直接从零训练一个新模型，文本、图像、视频、三维数据全部投入进去，这样训练出来的模型才是真正的世界模型。

关于世界模型，今年6月，World Labs团队发布了一份研究文档《世界模型的函数分类》，把世界模型按功能分成三个环节：渲染器输出像素，目的是“看得见”；模拟器输出状态，目的是“算得准”；规划器输出动作，目的是“动起来”。

World Labs的另一款产品Marble可以输出能被物理引擎直接使用的碰撞网格，本质上就是模拟器。而Atlas负责生成画面，本质是渲染器。

但规划器，目前还不是 World Labs 的重心。不过，规划器恰恰是从“理解这个世界”到“能在真实世界里把一件事做成”的关键。

而这，恰恰是物理AI最难的一段。

02 为什么硅谷实验室在柔性工艺面前寸步难行？

很少有人注意到，今年7月21日，World Labs收购了一家做机器人仿真的公司，叫SceniX。

World Labs之所以收购一家仿真公司，核心原因就是前面提到的问题，要想让AI真正进入真实世界把一件事做成，关键瓶颈不只是架构，而是规模化的经验与评测。

规模化经验与评测背后，其实就是真实的物理数据。

要知道，模型不是靠读论文学会物理的，是靠见过足够多的物理过程。

Atlas是从零预训练出来的空间智能模型，意思就是它对空间和时间的每一点理解，都来自它看过的数据。数据里没有的东西，它就只能靠猜。但显然物理世界不能靠猜来构建。

但如果只通过摄像头来拍摄记录，也很难真正复原完整的物理过程，因为无论用多少个摄像头拍摄，都不能拿到物体的物理参数，比如质量、摩擦力、受力之后会怎么变形。

更关键的问题是，这些物理数据不能凭空想象出来。

World Labs走的是Real-to-Sim-to-Real路线：先有一个真实的物理任务，把它重建成一个可交互的世界，再靠生成模型把一个真实任务放大成数千种可控变化。

当然，这条路是成立的，并且World Labs已经可以做到零真实数据训练、策略直接迁移到真机，覆盖刚性、铰接和可变形物体。它证明了通过仿真确实可以实现规模化。

但问题在于，仿真不会自己产生真实的物理法则。

仿真的数据是否可信，完全取决于源数据是否来自于真实物理世界的测量。如果喂进去的源头数据本身就是估算的，那么被仿真放大出来的，只会是一个错得更加离谱的物理模型。

正因如此，早在行业盲目崇拜纯仿真时，国内专注于4D世界模型的影身智能就做出了不同的预判：仿真可以运行在规整、刚性、高结构化的环境里；而一旦切入真实工业场景中的柔性材料与柔性工艺，纯仿真几乎寸步难行。

比如制鞋与服装产线，鞋面布料受力就会形变，机械臂根本抓不准；胶水是流体，每一次的温度、湿度与粘稠度状态都在动态变化。

在这些最具商业价值的复杂工业场景下，硅谷实验室的仿真推演常常瞬间失灵。

所以这条路走到最后，卡点绝不是算力与算法，而是任务里的物理量能不能被真正测准、并且源源不断地回流。

当World Labs选择用收购仿真公司来放大虚拟数据时，影身智能选择把目光直接投向了真实车间。如果不依靠失真的仿真，真正高密度的物理数据，到底该从哪里来？

03 把车间变成数据工厂

这个问题，落在了一类很特殊的公司头上。

要想解决这个问题，需要同时具备三种能力：能把物理世界重建出来的学术能力；能把机器人真送进产线的工程能力；能让数据持续产生的商业化能力。

在「首席数智官」的观察中，国内能同时具备这三种能力的团队并不多，影身智能是其中一家。

影身智能成立于2024年6月，比Atlas发布还早了两年多。

创始人兼CEO闵伟毕业于清华大学，在机器人领域做了20年，曾任阿里本地生活机器人团队负责人；首席科学家刘烨斌是清华大学自动化系长聘教授、国家杰青，在三维视觉与动态重建方向积累了二十多年。

闵伟

科研侧提供学术源头，工程侧提供把机器人送进车间的落地能力，这些都是破局的关键。

对于前面的问题，影身智能给出的答案是：不去建数据采集中心，而是把客户的产线变成数据工厂。

把整条链路拆开看，里面包含了三道工序。

第一是采集。

通过多个摄像头采集二维画面，再把二维画面计算为统一的4D状态。这个过程通过影身智能自研的“影身360”采集系统完成，它仅需用4到6个家用级RGB摄像头，加一张消费级GPU，就能实时生成高精度的4D数据。

这种成本低到什么程度？对比过去，如果要完成同样质量的数据采集，需要把人放进一个造价高达数百万元、布满80个摄像头的笼子里，持续拍摄、加工十余小时，才能生产10分钟级的4D数据。

但更关键的不是成本，是“影身360”的采集方式：摄像头环绕工位布设，工人不需要穿戴任何设备，生产照常进行。

第二是模型训练。

被大规模、低成本、高效率制造的高质量4D数据，会被叠加惯性、接触受力等多模态物理数据，一起构建成世界模型。

在世界模型的输入端，以4D数据为骨架的多模态数据，物理信息密度会远高于二维视频数据，由此输出的“未来帧”数据，也将具备更好的物理状态预测能力，4D世界模型也将因此具备更强的物理规律理解能力。

最后是真实场景作业。

训练好的4D世界模型会搭载在机器人上真实作业，机器人真机执行的结果，会化作新的数据流反哺回模型。

通过采集—模型训练—真实场景作业这三步，影身智能围绕4D数据与世界模型训练，构建了一整套能工业化运转的产线，这条产线的原料来源，是客户自己的订单。

最重要的是，由此形成的4D世界模型具备极强的学习能力，理论上仅需15条左右的真实4D数据，就能够让影身智能自研的4D基座世界模型“破界S1”快速学会一项新技能。

15条是什么概念？通常教一台机器人学会一个新工位，需要成百上千次示教和反复调试。而单条4D数据里携带的物理信息足够多，模型不需要海量样本就能抓住一件事的关键。

而模型能力也由此从实验室，真正有机会走上产线，变成可以复制的交付能力。

影身智能之所以能够直接在客户产线上采集数据，是因为他们能够实现“零产线改造、零停工、零驻场”。而这三个零意味着，影身智能的数据采集是无侵入的，也就是不停产，不需要工人穿戴设备，不需要专门准备场地。

这一点非常关键，因为数据采集的边际成本，被直接合并进了交付价值里。客户花钱买的是产能和良率，数据是这笔交易的副产品。

04 具身智能的工业化交卷时刻

技术和商业都成立，最后就看这套东西是否能够真正在产线落地了。

制鞋产线最关注的指标是良品率和损耗。

涂胶机器人ShadowGlue通过观看工人操作视频，就能自主学习工艺逻辑，不需要编程调参；实时感知胶水粘稠度变化，0.1秒内完成动态补偿，物料浪费率小于1%。压底机器人 ShadowPress实现亚毫米级精准对位，良品率达到99.9%以上。

晋江制鞋企业华增鞋业曾对影身智能的合作进行过公开评价：

“影身智能的系统今年3月进入压底、涂胶工序，承担实际大货订单生产，效率、稳定性都很出色；机器人可直接嵌入原有流水线，不需要做大的产线改造。”

压底机械臂

「首席数智官」了解到，2025年，影身智能拿下国内具身智能领域首个千万级柔性智造订单；2026年在手柔性智造订单达到数亿元级别，排产规模千台级。

今年9月21日，石景山区具身智能训练中心在首钢园揭牌。影身智能以核心共建方、一期4D基座世界模型主建方身份参与，一期工程升级为“4D世界模型驱动的具身智能多模态数据飞轮”，构建从数据采集到真实场景落地闭环。

据影身智能披露，这是国内首个由4D世界模型驱动的具身智能数据与训练基础设施。

同月，影身智能与华为云签署合作备忘录，围绕昇腾算力底座、4D直播云服务平台、具身智能开发平台CloudRobo展开协同，并在越南完成首批交付。

在「首席数智官」看来，当“采集—模型训练—真实场景作业”这条链路开始被共建共用，它就不再只是一家公司的内部能力了。一条私有的数据生产线，正在变成可以被生态调用的公共设施。

回到开头那个问题。

AMD用82亿美元，买下了全世界最强的“造世界”的能力。这笔交易确定了一件事：这一轮的技术路线已经收敛，无论是硅谷还是中国，物理AI的核心都离不开真实数据的支撑。

这条路上最稀缺的东西，不是模型。真正稀缺的，是一条能持续吞吐真实物理世界的生产线。模型是这条生产线的产品。订单是它的原料采购合同。工厂是它的车间。

而影身智能押的那个注只有一句话：数据的加工能力，比数据的规模更稀缺。

-end-