WAIC 觀察：通用具身智能要在有生之年實現，急需「物理 AI 基建狂魔」

今天的物理 AI，不只比“武功”，更得拼“內力”。
作者丨齊鋮湧 董子博

編輯丨馬曉寧

WAIC 2026 到了最后一天，逛了無數個具身展臺，心里不禁有了不少感慨。

柔性抓取可以抓異形物體了，長程任務也更復雜了——技術飛快進步，好像通用具身離我們已經不遠。但 Demo 越炫，人氣越足，作為一個參加過 n 次的 WAIC“老人”，就越覺得這屆 WAIC 似乎少了些什么——模型吹得天花亂墜，底層的數據基建卻鮮少有人談及。

數據，無疑是具身智能行業中“房間里的大象”——在 WAIC 上隨便和一位從業者深談兩句，大家都會不約而同地陷入同一種焦慮：實在太缺數據了。

在AI科技評論看來，要構建具身智能的數據基礎設施，必須同時回答兩個極其硬核的問題：

第一，你能搞到多少數據？

第二，這些異構的、非結構化的數據，能不能被有效地共同學習？

帶著這兩個問題，在今年的 WAIC 現場，有一家公司展臺吸引了 AI 科技評論的關注：跨維智能（以下簡稱“跨維”）。

用一句話來說：要實現通用的具身智能，跨維想做的，是“物理 AI 基建狂魔”。

要讓具身智能通用泛化，首先要做到智能的涌現，去理解復雜多變的真實世界，和人類一樣有一種“物理直覺”；其次要能夠隨機發揮，在不確定的環境中因地制宜、舉一反三；最后更要可以自主糾錯，減少人工介入，提升容錯韌性。

而要達成這個目標，海量的、可對齊的數據，則成了物理 AI 基建中一塊必不可少的拼圖。

01

批量生產海量數據，仿真才是超級大殺器

都知道數據量重要，但想要把數據量“堆”出來，卻不是一件易事。

靠真實環境里一臺臺機器人去“死磕”采集，不僅成本高得令人絕望，且要覆蓋全部長尾場景，又要耗費無數的時間。

真實世界太有限？機器人在虛擬世界的仿真系統里，一樣能采到好用的數據。

在 WAIC2026 上，跨維的自研仿真引擎 DexVerse，就是為了這個目標閃亮登場。

DexVerse 牛在哪里？劇透一下：它是當前全球唯一一款，支持同場景下多物理場耦合的具身智能仿真引擎。

在 DexVerse 里，剛體、柔體、布料、流體甚至切割動作可以同時發生、相互影響。比如機器人切面包，系統能實時計算出物體拓撲結構的改變與全新的切面；機器人疊衣服，引擎能精確模擬手、衣物和桌面之間持續的接觸與形變，而不是粗暴的“視覺穿?！?。

很多人知道，做仿真的頭部大廠英偉達 NVIDIA 推出的 Isaac Sim 平臺很強，但 DexVerse 也有與之一戰的實力。Isaac Sim 平臺只能同時耦合 2 種材質，DexVerse 則可以同時耦合剛體、軟體、布料、流體 4 種材質，能力范圍更廣。

并且，DexVerse 不僅能實現 Isaac Sim 目前做不到的高保真軟體動態切割，徹底告別死板的預設軌跡。在處理復雜的剛體與布料耦合時，更是做到了真正的物理級無穿透，自然堆疊與受力形變的精準度顯著領先于英偉達。

Isaac Sim 能力的確不弱，而今天的 DexVerse，或許有能力成為前者在仿真領域一個勢均力敵的對手——或者一個好用的國產替代。

有了能把復雜物理世界實時“算”出來的 DexVerse，跨維的下一步，就是批量化地生產具身可用的高質量數據，把機器人的訓練，從手工作坊變成數據的“生產線”——這正是“基建狂魔”打下的第一根地樁。

不像物理世界，虛擬世界里，無數的訓練可以同時發生，并且迭代更快，成本更低。使用 DexVerse 的生成式仿真，不僅讓真機數據采集的消耗大幅降低，更給了客戶快速定義新任務、新物體、新場景的權力，并能即時在仿真系統中進行驗證。

如果能直接支持機器人訓練的數據，能夠像圖片和視頻一樣能夠被自動化地批量生成，那么具身智能距離通用就又進了一大步。

02

“數據對齊”，才是內行人真正關注的細節

有了海量數據，就能直接喂給大模型嗎？

近期行業內的一系列研究（如阿里的 Qwen-RobotManip 新工作等）不約而同地指向一個殘酷的事實：將異構的機器人數據簡單混合，往往會引發負遷移——也就是“幫倒忙”。

不同機器人、不同相機視角、不同坐標系的數據，在模型眼里完全是雞同鴨講。因此，行業正在形成一個新共識：“Alignment before scale”（對齊是規模化的前提）。

今年六月，跨維智能率先提出 Dexterity-BEV 統一表征技術，系統性地將 BEV 方法論推進到具身智能數據基建層；同月，又拿下 WorldArena 世界模型榜單 Track 2 賽道全球第一。

同月前后，國內外頂尖團隊也陸續發布了類似工作，如阿里Qwen-RobotManip、佐治亞理工的 Danfei Xu 老師的 EgoWAM、Rethinking VLA Scaling等。

而到了今年的 WAIC 上，跨維則更進一步，直接端出了百萬級時空動作對齊數據集 Aligned DexWorld。

基于Dexterity-BEV的積淀，Aligned DexWorld 讓全行業真正擁有了“開箱即用”、能夠被有效共同學習的海量物理數據。數據集網站如下：https://dexforce.com/aligned-DexWorld/。

Aligned DexWorld 包含了超 200 萬條高質量異構數據樣本。這里面非?！拔寤ò碎T”：有來自不同本體的真機數據（人形機器人與機械臂）、有仿真數據，還有第一人稱的人手演示數據。區別于傳統僅僅做“格式規整”的數據集，Aligned DexWorld 的核心價值在于“深度物理級對齊”，它讓人類數據與機器人數據，真正“說上了同一種物理語言”。

具體來說，跨維對數據進行了三個對齊：

空間對齊：統一多相機、多設備的三維坐標系，消除觀測偏差，讓模型專心學習真實場景的物理特征。

動作對齊：摒棄綁定特定硬件的表征方式，轉化為通用物理表征，實現跨機器人、跨設備的數據可遷移與聯合訓練。

時間對齊：規整硬件頻率、人工操作帶來的時序差異。

面對這 200 萬條龐大的異構數據，如果全靠人工死磕，成本無疑是天價?？缇S展現出了作為“基建狂魔”的工程智慧：

在處理精度上，他們搭建了“人工校準+幾何求解+模型輔助+人工核驗”的標準化閉環。讓每一條數據的對齊邏輯均可追溯、可復現，咬住大規模數據的整體穩定性。

在數據標注上，跑通了全自動標注流程。這套打法不僅大幅削減了人力成本，更高效地產出了標準化的高質量子任務數據，能夠顯著提升具身模型的泛化能力。

可以說，Aligned DexWorld 為整個機器人行業，實打實地搭建起了一個低成本、可復用的數據生產底座。

03

具身先有底層基建，才有物理直覺

有了強大的數據生產和對齊能力，跨維還需要實際地把數據和訓練基礎設施用起來，并且驗證這一套體系的有效性——除了可以獨立服務其他不同機器人企業、研究i機構和模型開發者，跨維智能的旗艦世界模型 DexWorldModel，就成了“數據生產-模型訓練-真實場景落地”閉環的最后一塊拼圖。

人類能夠和物理世界交互，需要的是一種“物理直覺”，能夠做到長程地、抗干擾地、精確地操作——機器人要越來越接近人類，也必須具備這種“直覺”。

在 WAIC 現場，跨維展臺被圍得水泄不通的，是一個“機器人商超掃碼分揀” Demo。作為展廳里唯一一個還原零售掃碼場景的展臺，機器人體現出的能力相當全面：不僅要從一筐隨機堆放的商品中抓起硬度、外形不一的瓶子，更要掃到瓶身上的條形碼，再把瓶子放到指定的位置。

面對非標的、甚至訓練集里從未見過的飲料瓶，機器人展現出了極其類人的適應力：它自主涌現出了側向掏取、扶正后抓取等策略；當抓取滑脫或掃碼失敗時，它無需人工復位，能夠實時感知錯誤并自主調整策略重新執行。

而在掃碼的場景，真正的挑戰，甚至不在于 Pick & Place，也不在于掃碼，而是“找到條形碼”。

找到條形碼，是一個復合型的任務——在真實場景中，條形碼在瓶身上的位置和朝向都不是標準化的，它可能背對相機、被手遮擋……要找到條形碼，機器人必須學習人類的方式，一邊調整抓握瓶身的姿態，一邊重新規劃動作，一邊觀察尋找條形碼，而非機械地執行預設的軌跡。

這種“手、眼、腦”一體的能力，考驗的不僅是具身大腦在面對非標問題時的操作、觀察和決策能力，更有機器人在面對非標問題時，涌現式的自主“解題”能力。在 WAIC，跨維還展示了一個 Demo，模擬電子制造產線中的常見場景——手機裝盒。面對這個需要精準識別、精密操作、抵抗環境干擾和操作失誤的工作，不少廠商的 Demo 選擇的是遙操的方案，但跨維的 Demo 則是通過世界模型 DexWorldModel 實現，可以直接異地部署。

通過仿真合成數據和真機數據結合訓練，DexWorldModel 驅動的具身機器人，不僅能夠實時自動識別物料的位置和姿態，還能自主識別漏抓、物料偏移等異常情況，不再只執行預設動作，可以重新規劃路徑，完成任務。

這種“智能涌現、隨機發揮與錯誤恢復”的能力，正是跨維“基模預訓練 + 場景 Finetuning + 世界模型”的實戰檢驗。世界模型在其中扮演了關鍵角色：在動作發生前，它能在腦海中進行“物理預演”，評估抓取成功率；它能跨視角補全 3D 場景，預測下一個狀態。

機器人不再是死記硬背坐標系，而是真正理解了“瓶子”這個物理概念，從而在充滿混亂與不確定的真實世界中游刃有余。

同樣的毫米級精密操作與抗干擾能力，也在跨維展示的“手機裝盒產線 Demo”中得到了印證，充分展現了其面向復雜工業場景的柔性適應力。

這就是為什么要做底層基建的重要原因，當具身機器人擁有了物理直覺，它的上限會被無限提高。

04

結語：具身智能發展的第一性，到底是什么？

逛完跨維的展臺，AI 科技評論最大的感受是：跨維和跟現在的很多具身智能公司，玩的是兩套邏輯。

不少公司要么趕著造機器人本體，要么卷大模型，或者拿一堆真機數據死磕某個單一場景的抓取——把一個垂直單點鉆深鉆透，是他們心中實現物理 AI 落地最直接的路徑。

在一眾競逐者中，跨維卻顯得像個“異類”：他們想要的構建的，是一個體系，涵蓋從物理引擎、生成式仿真、世界模型和工業部署的全流程板塊，來尋找通往通用具身智能的可能。

讓機器人能把一個動作、一個場景做到極致，當然有它的價值；但在跨維看來，第一性的問題，永遠是用更低的成本，讓機器人完成學習-試錯-規模落地的閉環。

技術最終要回歸商業本質。跨維同時也實實在在地把優秀的技術向產業輸送。截至目前，跨維的技術已在智能制造、文旅服務等領域落地 50+ 真實場景，部署了超 1500+ 具身模型，并實現了非?？捎^的商業轉化。

當其他人望著具身智能燦爛的星空，把頭仰得高高的；跨維智能卻在“基建狂魔”之路上走得越來越遠，把手深深地埋進沃土——他們知道，只有地基足夠牢靠，其上的高樓才能在有朝一日，讓頭頂明亮的星星觸手可及。雷峰網