WAIC 观察：通用具身智能要在有生之年实现，急需「物理 AI 基建狂魔」

今天的物理 AI，不只比“武功”，更得拼“内力”。

  作者丨齐铖湧 董子博

    编辑丨马晓宁

WAIC 2026 到了最后一天，逛了无数个具身展台，心里不禁有了不少感慨。

柔性抓取可以抓异形物体了，长程任务也更复杂了——技术飞快进步，好像通用具身离我们已经不远。但 Demo 越炫，人气越足，作为一个参加过 n 次的 WAIC“老人”，就越觉得这届 WAIC 似乎少了些什么——模型吹得天花乱坠，底层的数据基建却鲜少有人谈及。

数据，无疑是具身智能行业中“房间里的大象”——在 WAIC 上随便和一位从业者深谈两句，大家都会不约而同地陷入同一种焦虑：实在太缺数据了。

在AI科技评论看来，要构建具身智能的数据基础设施，必须同时回答两个极其硬核的问题：

第一，你能搞到多少数据？

第二，这些异构的、非结构化的数据，能不能被有效地共同学习？

带着这两个问题，在今年的 WAIC 现场，有一家公司展台吸引了 AI 科技评论的关注：跨维智能（以下简称“跨维”）。

用一句话来说：要实现通用的具身智能，跨维想做的，是“物理 AI 基建狂魔”。

要让具身智能通用泛化，首先要做到智能的涌现，去理解复杂多变的真实世界，和人类一样有一种“物理直觉”；其次要能够随机发挥，在不确定的环境中因地制宜、举一反三；最后更要可以自主纠错，减少人工介入，提升容错韧性。

而要达成这个目标，海量的、可对齐的数据，则成了物理 AI 基建中一块必不可少的拼图。

01

批量生产海量数据，

仿真才是超级大杀器

都知道数据量重要，但想要把数据量“堆”出来，却不是一件易事。

靠真实环境里一台台机器人去“死磕”采集，不仅成本高得令人绝望，且要覆盖全部长尾场景，又要耗费无数的时间。

真实世界太有限？机器人在虚拟世界的仿真系统里，一样能采到好用的数据。

在 WAIC 2026 上，跨维的自研仿真引擎 DexVerse，就是为了这个目标闪亮登场。

DexVerse 牛在哪里？剧透一下：它是当前全球唯一一款，支持同场景下多物理场耦合的具身智能仿真引擎。

在 DexVerse 里，刚体、柔体、布料、流体甚至切割动作可以同时发生、相互影响。比如机器人切面包，系统能实时计算出物体拓扑结构的改变与全新的切面；机器人叠衣服，引擎能精确模拟手、衣物和桌面之间持续的接触与形变，而不是粗暴的“视觉穿模”。

很多人知道，做仿真的头部大厂英伟达 NVIDIA 推出的 Isaac Sim 平台很强，但 DexVerse 也有与之一战的实力。Isaac Sim 平台只能同时耦合 2 种材质，DexVerse 则可以同时耦合刚体、软体、布料、流体 4 种材质，能力范围更广。

并且，DexVerse 不仅能实现 Isaac Sim 目前做不到的高保真软体动态切割，彻底告别死板的预设轨迹。在处理复杂的刚体与布料耦合时，更是做到了真正的物理级无穿透，自然堆叠与受力形变的精准度显著领先于英伟达。

Isaac Sim 能力的确不弱，而今天的 DexVerse，或许有能力成为前者在仿真领域一个势均力敌的对手——或者一个好用的国产替代。

有了能把复杂物理世界实时“算”出来的 DexVerse，跨维的下一步，就是批量化地生产具身可用的高质量数据，把机器人的训练，从手工作坊变成数据的“生产线”——这正是“基建狂魔”打下的第一根地桩。

不像物理世界，虚拟世界里，无数的训练可以同时发生，并且迭代更快，成本更低。使用 DexVerse 的生成式仿真，不仅让真机数据采集的消耗大幅降低，更给了客户快速定义新任务、新物体、新场景的权力，并能即时在仿真系统中进行验证。

如果能直接支持机器人训练的数据，能够像图片和视频一样能够被自动化地批量生成，那么具身智能距离通用就又进了一大步。

02

“数据对齐”，

才是内行人真正关注的细节

有了海量数据，就能直接喂给大模型吗？

近期行业内的一系列研究（如阿里的 Qwen-RobotManip 新工作等）不约而同地指向一个残酷的事实：将异构的机器人数据简单混合，往往会引发负迁移——也就是“帮倒忙”。

不同机器人、不同相机视角、不同坐标系的数据，在模型眼里完全是鸡同鸭讲。因此，行业正在形成一个新共识：“Alignment before scale”（对齐是规模化的前提）。

今年六月，跨维智能率先提出 Dexterity-BEV 统一表征技术，系统性地将 BEV 方法论推进到具身智能数据基建层；同月，又拿下 WorldArena 世界模型榜单 Track 2 赛道全球第一。

同月前后，国内外顶尖团队也陆续发布了类似工作，如阿里Qwen-RobotManip、佐治亚理工的 Danfei Xu 老师的 EgoWAM、Rethinking VLA Scaling等。

而到了今年的 WAIC 上，跨维则更进一步，直接端出了百万级时空动作对齐数据集 Aligned DexWorld。

基于Dexterity-BEV的积淀，Aligned DexWorld 让全行业真正拥有了“开箱即用”、能够被有效共同学习的海量物理数据。数据集网站如下：https://dexforce.com/aligned-DexWorld/。

Aligned DexWorld 包含了超 200 万条高质量异构数据样本。这里面非常“五花八门”：有来自不同本体的真机数据（人形机器人与机械臂）、有仿真数据，还有第一人称的人手演示数据。区别于传统仅仅做“格式规整”的数据集，Aligned DexWorld 的核心价值在于“深度物理级对齐”，它让人类数据与机器人数据，真正“说上了同一种物理语言”。

具体来说，跨维对数据进行了三个对齐：

空间对齐： 统一多相机、多设备的三维坐标系，消除观测偏差，让模型专心学习真实场景的物理特征。

动作对齐： 摒弃绑定特定硬件的表征方式，转化为通用物理表征，实现跨机器人、跨设备的数据可迁移与联合训练。

时间对齐： 规整硬件频率、人工操作带来的时序差异。

面对这 200 万条庞大的异构数据，如果全靠人工死磕，成本无疑是天价。跨维展现出了作为“基建狂魔”的工程智慧：

在处理精度上，他们搭建了“人工校准+几何求解+模型辅助+人工核验”的标准化闭环。让每一条数据的对齐逻辑均可追溯、可复现，咬住大规模数据的整体稳定性。

在数据标注上，跑通了全自动标注流程。这套打法不仅大幅削减了人力成本，更高效地产出了标准化的高质量子任务数据，能够显著提升具身模型的泛化能力。

可以说，Aligned DexWorld 为整个机器人行业，实打实地搭建起了一个低成本、可复用的数据生产底座。

03

具身先有底层基建，才有物理直觉

有了强大的数据生产和对齐能力，跨维还需要实际地把数据和训练基础设施用起来，并且验证这一套体系的有效性——除了可以独立服务其他不同机器人企业、研究i机构和模型开发者，跨维智能的旗舰世界模型 DexWorldModel，就成了“数据生产-模型训练-真实场景落地”闭环的最后一块拼图。

人类能够和物理世界交互，需要的是一种“物理直觉”，能够做到长程地、抗干扰地、精确地操作——机器人要越来越接近人类，也必须具备这种“直觉”。

在 WAIC 现场，跨维展台被围得水泄不通的，是一个“机器人商超扫码分拣” Demo。作为展厅里唯一一个还原零售扫码场景的展台，机器人体现出的能力相当全面：不仅要从一筐随机堆放的商品中抓起硬度、外形不一的瓶子，更要扫到瓶身上的条形码，再把瓶子放到指定的位置。

面对非标的、甚至训练集里从未见过的饮料瓶，机器人展现出了极其类人的适应力：它自主涌现出了侧向掏取、扶正后抓取等策略；当抓取滑脱或扫码失败时，它无需人工复位，能够实时感知错误并自主调整策略重新执行。

而在扫码的场景，真正的挑战，甚至不在于 Pick & Place，也不在于扫码，而是“找到条形码”。

找到条形码，是一个复合型的任务——在真实场景中，条形码在瓶身上的位置和朝向都不是标准化的，它可能背对相机、被手遮挡……要找到条形码，机器人必须学习人类的方式，一边调整抓握瓶身的姿态，一边重新规划动作，一边观察寻找条形码，而非机械地执行预设的轨迹。

这种“手、眼、脑”一体的能力，考验的不仅是具身大脑在面对非标问题时的操作、观察和决策能力，更有机器人在面对非标问题时，涌现式的自主“解题”能力。在 WAIC，跨维还展示了一个 Demo，模拟电子制造产线中的常见场景——手机装盒。面对这个需要精准识别、精密操作、抵抗环境干扰和操作失误的工作，不少厂商的 Demo 选择的是遥操的方案，但跨维的 Demo 则是通过世界模型 DexWorldModel 实现，可以直接异地部署。

通过仿真合成数据和真机数据结合训练，DexWorldModel 驱动的具身机器人，不仅能够实时自动识别物料的位置和姿态，还能自主识别漏抓、物料偏移等异常情况，不再只执行预设动作，可以重新规划路径，完成任务。

这种“智能涌现、随机发挥与错误恢复”的能力，正是跨维“基模预训练 + 场景 Finetuning + 世界模型”的实战检验。世界模型在其中扮演了关键角色：在动作发生前，它能在脑海中进行“物理预演”，评估抓取成功率；它能跨视角补全 3D 场景，预测下一个状态。

机器人不再是死记硬背坐标系，而是真正理解了“瓶子”这个物理概念，从而在充满混乱与不确定的真实世界中游刃有余。

同样的毫米级精密操作与抗干扰能力，也在跨维展示的“手机装盒产线 Demo”中得到了印证，充分展现了其面向复杂工业场景的柔性适应力。

这就是为什么要做底层基建的重要原因，当具身机器人拥有了物理直觉，它的上限会被无限提高。

04

结语：具身智能发展的第一性，

到底是什么？

逛完跨维的展台，AI 科技评论最大的感受是：跨维和跟现在的很多具身智能公司，玩的是两套逻辑。

不少公司要么赶着造机器人本体，要么卷大模型，或者拿一堆真机数据死磕某个单一场景的抓取——把一个垂直单点钻深钻透，是他们心中实现物理 AI 落地最直接的路径。

在一众竞逐者中，跨维却显得像个“异类”：他们想要的构建的，是一个体系，涵盖从物理引擎、生成式仿真、世界模型和工业部署的全流程板块，来寻找通往通用具身智能的可能。

让机器人能把一个动作、一个场景做到极致，当然有它的价值；但在跨维看来，第一性的问题，永远是用更低的成本，让机器人完成学习-试错-规模落地的闭环。

技术最终要回归商业本质。跨维同时也实实在在地把优秀的技术向产业输送。截至目前，跨维的技术已在智能制造、文旅服务等领域落地 50+ 真实场景，部署了超 1500+ 具身模型，并实现了非常可观的商业转化。

当其他人望着具身智能灿烂的星空，把头仰得高高的；跨维智能却在“基建狂魔”之路上走得越来越远，把手深深地埋进沃土——他们知道，只有地基足够牢靠，其上的高楼才能在有朝一日，让头顶明亮的星星触手可及。雷峰网(公众号：雷峰网)