卖激光雷达的禾赛，造了台相机去给机器人当老师

“我们不是为了卖激光雷达又造了一个 Kosmo。”发布会开始前，李一帆先把这句话撂在了前面。一个靠激光雷达被行业记住的公司，突然拿出一台 8K 空间相机和一个云平台，第一反应很容易被理解成“又扩产品线了”。他的意思恰恰相反：这次要卖的东西，不太像硬件。

Kosmo 是禾赛近日发布的三维世界数据引擎，由两部分组成。硬件是全球首款 8K 超高清 AI 空间相机 Kosmo One，软件是 AI 驱动的云平台 Kosmo World。前者负责采集真实世界的空间信息，后者把这些信息重建成能被 AI 理解、交互和训练的三维场景。

过去禾赛主要向汽车和机器人提供感知硬件。现在它想再往前一步，参与物理 AI 的训练过程，把真实世界转成可供 AI 使用的数据资产。按李一帆的说法，这是从零部件提供商走向物理 AI 核心基础设施提供商的第一步。

一台相机，15 分钟扫完 100 平方米

物理 AI 要规模化，绕不开两个问题：机器人怎么在真实世界里完成动作，AI 又从哪里拿到足够多、足够好的真实世界数据。禾赛围绕这两件事布了两项业务，机器人运动引擎和三维世界数据引擎，Kosmo 是后者的首次系统性产品化落地。

Kosmo One 是这套系统的数据入口。它把高空间分辨率激光雷达、8K 超高清影像系统、一英寸大底 CMOS 和高精度 IMU 集成在一台设备里，同步采集真实环境的空间几何、色彩、纹理和设备位姿信息。为了降低采集门槛，它支持即开即扫、智能指引和一键续扫，在普通室内场景中，完成 100 平方米空间的扫描约需 15 分钟。

扫出一个逼真的三维场景只是第一步。对具身智能来说，场景不光要看起来真实，还得能被机器人理解，用于训练和验证动作，这是 Kosmo World 的位置。它的底层是禾赛自研的 AI 原生三维空间重建与理解系统 Kosmo Spatial Core（KSC），能从同一份采集数据中同步生成 3DGS、mesh 和 depth 三种形态的三维数据。

• 3DGS 负责还原场景的视觉外观，让机器人训练时看到的画面更接近真实世界；
• mesh 是由网格构成的三维模型，可用于物体的拆分、建模与交互；
• depth 提供空间距离信息，帮机器人判断物体的位置和远近。

三种数据对应具身面临的不同问题，合起来，真实空间就不只是一个供人观看的三维模型，而能进一步转成适合机器人训练和仿真验证的环境，也就是 sim-ready 数据。

为什么不全靠 AIGC 生成

李一帆对生成式 AI 的态度很明确：物理 AI 对真实世界数据的需求，很难仅靠它满足。“如果你完全用 AIGC 去生成完全虚拟的训练数据，真正获得的新鲜的信息就很有限。”他的判断是，生成式 AI 可以基于已有信息补全场景，但缺乏新的真实世界信息时，模型对现实环境的理解仍然有限，训练效果也会受影响。

合成数据并非没有价值。对具身智能来说，它能帮开发者扩充训练场景、覆盖更多边界情况，前提是生成的环境和物理规律足够可信，且能补上真实数据里缺失的信息。Kosmo 想走的路是：从真实世界获取高保真空间信息，再借 AI 重建与补全，转成能反复使用的训练资产。

李一帆认为这条路径有机会同时缓解两个问题：仿真环境与真实环境之间的差距，即 Sim-to-Real Gap，以及在真实物理环境中采集训练数据的高成本。

商业化被分成了三个阶段。最直接的是硬件收入，卖 Kosmo One；其次是面向企业客户的数据与模型服务，客户提供场景，禾赛负责采集、重建并交付可用的三维模型，模式有些类似 MaaS（Model as a Service，模型即服务），客户买的是处理后的结果，背后涉及算力和模型生成服务；更长期的目标，是把采集和重建形成的三维数据沉淀为可反复使用的数字资产。

李一帆希望，随着平台积累的空间模型越来越多，用户不必亲自扫描每一个场景，也能直接找到符合行业需求的资产。“这个可能需要至少 3—5 年才能建设出来。”他预计。这意味着 Kosmo 的商业化不只取决于相机能卖多少台，还取决于它能否持续压低空间数据的采集、加工和使用成本，以及这些数据能否在不同客户和任务之间复用。

发布会上，禾赛 Kosmo 与银河通用机器人、原力灵机签署了战略合作，并展示了与迪士尼旗下皮克斯工作室、高德等合作的行业案例。这些合作指向的是三维世界数据在机器人训练之外的应用，比如影视媒体、文旅文博。

驱动器被类比成电池

“今天看似我们是在聊 Kosmo，但我觉得真正想跟大家交流和汇报的，不是 Kosmo 一个产品。”李一帆说。禾赛真正想讨论的，是从零部件提供商走向基础设施提供商的过程中，它看到了什么机会，以及为什么认为自己有能力参与其中。

在他看来，物理 AI 2.0 的终极目标是通用机器人，但行业注意力目前主要集中在模型和应用层，机器人硬件、计算和数据这些底层基础设施还有大量问题没解决。数字 AI 能快速发展，一个重要前提是底层基础设施已相对成熟；物理 AI 不同，机器人要在现实中移动、感知和操作，模型能力必须通过硬件执行，训练也离不开真实环境的数据。这是禾赛同时布局运动引擎与数据引擎的原因。

李一帆强调，这不是一次与原有业务割裂的转型，而是技术能力的外延。精密机械传动、芯片、伺服电机、电磁材料，以及集成、制造工艺和量产验证，都与禾赛此前的积累相关。Kosmo 只是第一步，后续还有机器人关节驱动器等产品布局。他把驱动器的重要性类比为电动汽车时代的电池，会直接影响整机性能、成本和产品化进程。

禾赛的思路是让机器人真实的动作需求反过来定义硬件，即 AI-Defined Hardware。硬件不该只是被动承接算法要求的部件，还要根据 AI 在真实环境中的任务需求，重新设计驱动能力与机械结构。

Sharpa 是这套思路的另一端落点。其灵巧手拥有 22 个主动自由度，首款旗舰触觉灵巧手 Wave（W01）正是基于禾赛的动力模组打造。禾赛称，相比同类产品，其动力模组体积缩小了 37%，功率密度提升至 3 倍。截至 2026 年第二季度末，禾赛动力模组累计交付超过 1 万套，产品正从灵巧手模组向全身关节模组拓展，公司预计 2027 年动力模组出货量将达到六位数。

Sharpa 在操作端积累了大量需要验证的想法，能较快反馈给禾赛团队；禾赛改进动力模组后，又可以迅速交给 Sharpa 测试，形成研发闭环。

十年前从激光雷达出发，禾赛已经具备空间感知、芯片设计、精密制造和规模交付等能力，现在它希望把这些积累延伸到更大的产业链环节。但基础设施业务和零部件业务的成功条件并不相同：动力模组要证明性能、可靠性和成本优势，Kosmo 则还要证明生成的数据能切实改善训练效果，并在不同场景中形成可重复的价值。禾赛的 2.0 能否成立，最终不只取决于它推出了多少新产品，而取决于这些底层能力能否成为机器人公司真正愿意采用、持续使用的基础设施。