WAIC上，我們找到了中國英偉達

今年WAIC，機器人展館里最吸引目光的，依然是那些動作最復雜、最像人的機器人。它們會走路、會跳舞、會聊天，也能完成越來越復雜的任務。但真正決定機器人能否進入現實世界的，并不是這些已被反復展示的能力，而是一些更基礎的問題：機器人如何面對沒有被提前寫好的情況？

跨維智能在WAIC展示的兩個Demo，恰好觸碰到了這個核心命題。

一個是掃碼機器人。它需要從一筐隨機擺放的商品中抓取瓶子，找到條形碼，完成掃碼，再放回指定位置。掃碼動作本身并不復雜，真正困難的是，真實世界不會按照機器人最舒服的方式出現，因為瓶子可能側躺，條形碼可能朝向另一側，商品可能互相遮擋，第一次抓取也可能失敗。過去工業自動化解決這類問題的方法是不斷增加規則，工程師提前窮舉所有可能情況并寫入程序。但現場機器人沒有等待人工介入，而是在識別當前狀態后重新判斷，調整抓取策略，繼續完成任務。

另一個則是一臺人形機器人完成手機裝盒。抓取手機、放入包裝盒、完成定位和閉合，看似簡單，背后對應的是消費電子制造中最典型的高精度、連續性、穩定性挑戰。手機位置可能偏移，物料狀態可能不同，機器人必須在動態環境中保持可靠操作，還能夠自如面對干擾。

兩個場景，一個發生在商超，一個發生在制造業；一個面對開放環境的不確定性，一個面對工業生產的嚴苛要求。但跨維想展示的并不是兩個動作，而是背后同一個能力：機器人是否真正開始理解現實世界，并且通過仿真等方式，讓機器人越來越好。

過去幾十年，工業機器人的核心邏輯是讓世界適應機器人。固定的位置、物料、流程，機器人只需精準執行。但具身智能正反過來要求機器人適應世界：商品會變、環境會變、任務會變。機器人無法預知所有情況，它需要大量經驗，需要理解物理規律，需要在未知中持續判斷和學習。

這也意味著競爭階段正在轉換。過去行業爭奪的是機器人本體和模型，誰的機械結構更強、誰的模型更聰明、誰能完成更多任務。但下一階段，真正決定產業規?；?，可能是另一個誰擁有讓機器人持續學習基礎設施的問題。

回顧過去十年AI產業的爆發，離不開英偉達這個關鍵角色。英偉達真正改變AI產業的不只是GPU性能，而是圍繞計算建立了一整套基礎設施，讓越來越多企業能夠訓練和部署AI。物理AI時代，機器人同樣需要這樣的基礎設施，一個能夠生產經驗、模擬世界、訓練模型的平臺，一個讓機器人從會做一個動作走向能夠不斷學習新動作的底座。

這也正是跨維發布數據集、仿真引擎和世界模型的核心邏輯：成為中國具身智能時代的英偉達。如果說英偉達是AI算力的基建狂魔，那么跨維要做的，就是物理AI時代的基建狂魔——從數據對齊到物理仿真，從世界模型到生成式訓練，跨維正在為每一臺機器人搭建“獲得智能”之前的那套底層系統。

01.

機器人行業真正缺的，不只是數據，而是可以復用的經驗

過去兩年，具身智能行業最大的共識是：機器人需要更多數據。于是大量企業開始建設數據采集體系，通過遙操作采集、人類第一視角視頻、真實環境持續工作快速采集。但機器人數據有一個天然限制，它必須來自真實世界。一次抓取就需要真實伸手一次，一次插拔就需要真實執行一次。這意味著真實數據天然昂貴，一臺機器人一天能產生的數據有限，一個操作員一天能完成的示范也有限。如果機器人未來需要像大模型一樣持續擴大能力，僅靠真實采集遠遠不夠。

更復雜的是，即使數據量已經很大，它們也不一定能真正組合起來。機器人數據不像互聯網數據，一篇文章、一張圖片、一段視頻，無論來自哪里都能轉換成統一形式。機器人沒有這個條件。一臺機械臂抓杯、一臺人形機器人抓杯、一個人用手拿杯，任務相同，但數據層面可能相機不同、坐標系不同、機器人結構不同、動作表達不同，甚至速度、力度和軌跡也存在巨大差異。

因此，具身智能正遇到一個新瓶頸，不是沒有數據，而是數據還沒有形成真正的規模效應。大量數據被采集后仍困在自己的系統里，一家公司的經驗很難直接遷移到另一臺機器人。數據越多，不一定意味著能力增長越快。真正重要的是：這些經驗能不能被共同理解？

這也是跨維較早布局數據基礎設施的原因。當許多企業還在關注如何采集更多數據時，跨維已經開始思考下一階段，當機器人從幾千臺走向幾十萬臺甚至更多時，整個行業積累的經驗如何真正流動起來？

02.

200萬條數據背后：建立機器人世界的通用語言

跨維此次發布的Aligned DexWorld，本質上不是一個普通數據集。它包含超過200萬條人類與機器人數據樣本，覆蓋人類示教、真機、仿真、第一視角等多種來源，并整合了DROID、AgiBotWorld-Beta、RoboMIND、RH20T、LIBERO、RoboTwin、VITRA等多個公開數據體系。

但如果只理解為一個更大的數據倉庫，就低估了它的意義。因為機器人行業真正缺少的，本質上是一種讓不同機器人共同學習的方式。過去，不同機器人的數據像不同國家的語言，描述同一世界但表達方式完全不同。Aligned DexWorld所做的，就是建立機器人世界里的“普通話”。

首先是空間對齊，跨維通過將不同相機、不同視角的數據重新映射到統一三維空間，讓模型學習真實世界中的物體關系，而非某一臺設備中的像素位置。其次是動作對齊，Aligned DexWorld弱化了機器人本體差異，將不同機器人的動作轉換為統一參考表達，讓機械臂、人形機器人、移動操作機器人的經驗能夠被共同理解。最后是時間對齊，其能夠處理不同設備控制頻率、運動速度和操作習慣造成的差異。

簡單來說，機器人真正應該學習的是任務本身，而不是硬件之間的工程差異。跨維針對200余萬條異構數據，建立了人工校準、幾何求解、模型輔助和人工核驗結合的數據處理流程，并通過自動化標注體系降低生產成本。這意味著機器人數據正從過去高度依賴人工整理，走向工業化生產。

這件事也改變了數據的價值邏輯。過去一家公司采集的100萬條數據只服務于自己的機器人、自己的場景；但如果不同機器人的經驗能被統一表達，每增加一臺機器人，都在擴大整個行業的經驗池。

未來機器人競爭的關鍵，可能不是誰擁有最多數據，而是誰擁有讓數據產生復利的能力。在此基礎上就可以發現，Aligned DexWorld解決的恰恰是過去經驗如何復用。但機器人想要持續進化，還需要不斷產生新經驗，這就進入了仿真的領地。

03.

DexVerse：讓機器人擁有一個可以無限試錯的世界

真實世界的數據永遠有限。一臺機器人一天只有24小時，工廠不可能允許它無限試錯。如果每一次能力提升都必須依賴真實采集，具身智能很難真正規模化。因此，仿真正在成為機器人時代最重要的基礎設施之一。

但跨維想做的，并不是傳統意義上的仿真軟件。在WAIC 2026上，跨維首次亮相自研的DexVerse物理仿真引擎，DexVerse支持剛體、關節體、軟體、布料、流體等多種物理形態，能處理復雜接觸、切割等動態過程。它讓虛擬世界不再只是展示環境，而成為機器人可以持續交互、持續訓練的訓練場。

與英偉達Isaac Sim相比，DexVerse在多物理場耦合、真實感和生成式能力上有著明確的代際優勢。

例如DexVerse仿真引擎可同時耦合剛體、軟體、布料、流體四種物理形態，而英偉達Isaac Sim目前最多只能同時支持兩種。這意味著跨維能夠模擬更復雜的現實場景，比如同時處理剛性工具、柔性線纜、織物覆蓋和液體流動的混合操作，這是許多真實工業任務（如電子裝配、醫療操作、服務機器人）所必需的。

DexVerse可實現真正的軟體保真切割，現場展示了切面包這種場景的可能性，而Isaac Sim目前只能執行預先設計好的斷裂軌跡，無法根據受力動態演化。

機器人從仿真中獲得的每一次交互，都必須具有真正的學習價值。抓取杯子需要理解重量、摩擦、位置和力度；抓取衣服需要理解柔性形變；插入接口需要理解碰撞和接觸。這些物理細節決定了機器人是在模仿動作，還是在理解世界。DexVerse的高保真物理引擎讓這一切成為可能，并且以遠超現有方案的真實度和效率運行。

但僅有物理引擎還不夠。過去搭建一個機器人訓練環境，需要大量人工制作資產、搭建場景、設計任務。如果每一次訓練都需要重新創造一個世界，仿真依然無法服務規?；?。

因此，跨維進一步布局了生成式仿真，在本次WAIC現場也進行了首次展示。生成式仿真系統可根據任務描述自動生成新的場景、物體和訓練任務，當機器人需要學習更多商品抓取，系統便生成更多商品變化；機器人需要學習復雜裝配，系統便快速生成不同產線環境。這意味著跨維的仿真系統可以自我擴張、持續生產經驗，而不是依賴人工搭建每一個訓練環境。據了解，英偉達的Isaac Sim/Lab平臺目前尚不具備這一能力。

仿真從一個被動驗證工具，變成了主動生產經驗的數據工廠。DexVerse解決如何準確計算物理世界，生成式仿真解決如何大規模生產訓練世界，兩者結合，構成了具身智能真正需要的數據供給能力。

如果說英偉達建立的是AI時代的計算基礎設施，那么跨維希望建立的是具身智能時代的物理基礎設施，一個真正高保真、可擴展、能自我生成的物理世界模擬器。英偉達讓機器獲得計算能力，跨維希望讓機器獲得理解世界的能力。而在這條賽道上，跨維正以“物理AI基建狂魔”的姿態，率先把仿真從“輔助工具”升級為“智能工廠”。

04.

下一場機器人戰爭，爭奪的是讓機器人學習的能力

回到WAIC的兩個Demo。掃碼機器人證明的是開放環境中的泛化能力，手機裝盒機器人證明的是工業場景中的可靠能力。一個面對變化，一個追求精度。但它們背后依賴的是同一套能力：數據、模型、仿真、真實部署。這也正是跨維與許多具身智能公司的區別所在。

很多企業從機器人本體切入，很多從VLA模型切入，很多從具體應用場景切入。這些路徑都重要，但跨維選擇了更底層的位置——建設機器人獲得能力之前所需要的基礎設施。從Aligned DexWorld的數據對齊，到DexVerse的物理仿真，再到世界模型對規律的學習，跨維正在打通機器人智能產生的完整鏈路：讓數據產生價值、讓數據持續產生、讓模型理解世界、讓能力回到機器人。

過去，機器人行業競爭的是誰制造出更好的機器人。未來，競爭可能變成誰能讓機器人更快獲得能力。如果說英偉達推動了AI時代的發展，那么中國具身智能產業同樣需要一個能夠推動機器人規模化的基礎設施平臺，一個不只提供算力，更提供“物理經驗”的基建狂魔。

機器人時代不會只屬于制造機器人的公司，更可能屬于那些能夠讓機器人不斷學習、不斷進化、不斷復制能力的公司。因為真正改變一個產業的，從來不只是某一臺機器，而是支撐無數機器成長的那套系統。

跨維要做的，就是那套系統。