WAIC 2026，凌迪科技把服裝柔性仿真，擺上了具身智能的臺面

逛一圈WAIC具身智能館，最容易讓觀眾停下腳步的，往往還是機器人正在做什么：抓取、搬運、行走，或者完成一項具體任務。

凌迪科技的展臺上，同樣擺出了一項直觀的任務——疊衣服。兩臺機械臂將衣服、調整，再重新落回桌面。

單看結果，這是一場機器人衣物操作演示。但凌迪科技真正想被看到的，藏在機械臂動作發生之前。

展臺呈現的是機器人完成一次操作，凌迪想講的，則是這項能力如何被訓練出來。

要讓機械臂學會疊衣服，得先把衣服變成數字世界里一個可計算的對象。不同面料有多重、多滑、彈性多大、軟硬如何，布碰到機械爪會怎么滑、怎么皺，這些都要先算出來。然后模型才能換著材質、換著擺放方式、換著抓取角度一遍遍練，最后再通過評測判斷它到底學會沒有。

這也是疊衣服與抓取規則剛體不同的地方。一只杯子被拿起后，形狀通常不會發生明顯變化；一件衣服被抓住一角，整體狀態卻可能隨之改變。

看起來只是一次抓取和翻折，背后對應的卻是機器人進入家庭、輕工業等真實場景后繞不開的一類問題：如何處理那些會折疊、滑動、纏繞和持續形變的對象。

凌迪科技此次重點展示的SynReal World，正是從這片更復雜的“柔性世界”切入。

它不直接制造機器人，而是希望在機器人本體與具身模型之間，搭建一套覆蓋3D資產生成、仿真訓練和自動評測的一站式數據基礎設施，讓模型進入真實場景前，先在數字環境中經歷足夠多的物理交互與任務試錯。

01.

機器人認出一件衣服，離疊好它還很遠

過去兩年，機器人的視覺識別和動作控制能力快速提升。

模型可以判斷桌上放著什么，也可以根據指令生成動作。但“看見一件衣服”和“把衣服整理好”，仍然是兩個不同層次的問題。

衣服被抓住一個角，整體狀態會立即改變。抓取位置、布料材質、初始褶皺和夾持力度出現細微差異，都可能讓原有動作策略失效。機器人每完成一步操作，都需要重新判斷物體發生了怎樣的變化，并據此調整下一步動作。

這也使柔性物體的操作數據更難規模化采集。

機器人一次操作失敗后，工作人員往往要重新鋪平衣服、整理繩索或復位物料。面對不同材質、尺寸、形態和擺放方式，真機數采所需的時間與人工成本會迅速。

仿真由此成為具身智能擴大訓練規模的重要方式。

但柔性物體仿真的難點，并不只是生成更多3D資產，數字對象還需要具備接近現實的材料屬性和形變規律。

簡言之，誰更了解布料如何垂墜、拉伸、碰撞和褶皺，誰才更有可能把這類對象轉化為機器人可用的訓練數據。

這也解釋了，為什么一家長期服務服裝行業的企業，會在此時進入具身智能。

02.

凌迪的具身智能入場券，來自十年柔性仿真積累

凌迪科技并非從機器人本體起步。但它過去十年處理的，恰好是機器人今天開始集中面對的問題——如何讓計算機準確模擬柔性材料的物理變化。

據了解，凌迪科技成立于2015年底，過去十年主要服務服裝及輕工業，圍繞數字面料、服裝建模、服裝設計和產業協同建立產品體系。目前，其業務覆蓋亞太、歐洲、美洲和非洲等區域，服務全球3000多家輕工業客戶。

數字樣衣并不只是把服裝做成一個視覺逼真的3D模型。

同一件版型換一種面料，垂墜、拉伸、褶皺和貼合效果都可能發生變化。要在虛擬環境中還原這些差異，需要將重量、厚度、摩擦、彈性和彎曲剛度等材料屬性轉化為可計算的參數，并持續處理布料與人體、地面及其他布料之間的碰撞、滑動和形變。

據凌迪科技披露，其已經積累超過60萬種行業面料數據庫，圍繞不同材料的物理屬性、形變效果和仿真計算形成了長期積累。2024年至2025年，科研團隊在頂級學術會議發表論文超過20篇。

這些能力過去主要服務服裝設計和生產，如今開始被重新組織，用于機器人訓練。

當然，數字樣衣與機器人仿真并不能直接畫等號。前者更關注設計效果和服裝呈現，后者還要面對機械手接觸、受力反饋、連續形變和大規模并行計算。

但兩類應用共享一個底層前提：虛擬材料不能只有外觀，還要能夠根據物理規律發生變化。

這使凌迪科技具備了一張相對特殊的具身智能入場券。它并非從零研究布料為什么會垂墜、拉伸和褶皺，而是可以在已有的面料數據、服裝仿真和物理計算能力上，繼續向機器人操作與訓練延伸。

03.

SynReal World，把機器人訓練接成一條數據管線

搭出一個仿真場景并不難，難的是讓它持續生成機器人可用的訓練經驗。這需要一套能夠持續生成訓練資產、組織模型試錯，并判斷機器人是否真正學會的數據基礎設施。

SynReal World瞄準的正是這一環節。

凌迪科技將其定位為面向具身智能的全棧數據引擎，覆蓋“3D資產生成—訓練應用—仿真評測”完整閉環，將原本分散的建模、訓練和驗證環節接入同一條數據管線。

簡單來說，SynReal World搭建的，可以理解為一個面向機器人的“訓練世界”：其中的物體遵循物理規律，任務可以反復運行，訓練結果也能夠被量化驗證。

這個“訓練世界”的構建，可以拆成三個環節。

第一步，是把數字資產變成可用的訓練對象。

SynReal World支持從文字、圖片和CAD等輸入生成物體與任務空間，并為資產補充質量、摩擦、彈性和碰撞等物理屬性。其核心能力覆蓋高精度形變體仿真、剛體仿真和多物理場耦合仿真。

這一區別很關鍵。普通3D模型解決的是物體“看起來像不像”，機器人訓練關心的是施加動作之后，物體是否會按照接近現實的規律變化。

只有數字對象能夠合理地碰撞、滑動和形變，虛擬資產才可能變成有效的訓練數據。

另外，通過可仿真與交互的3D資產與場景的智能建模，SynReal World 可以對真實世界中采集的任務數據進行燈光與物體材質的泛化，解決數據有效性過低的問題。通過仿真把一條有效數據低成本變成十條，高效地實現訓練數據的多樣性，同時有效降低數據采集的成本。

第二步，是把單次試錯擴展為可規模化運行的訓練過程。

SynReal World支持強化學習和模仿學習，可以面向靈巧手、機械臂、雙足機器人和機器狗等不同形態開展訓練與策略驗證。

它的價值并不在于替代真機，而是承擔大量高頻、重復和早期探索階段的試錯，把有限的真實設備與現場資源更多用于校準、驗證和落地。

第三步，把“機器人學會了”轉化為可重復驗證的任務能力。

一次演示成功，并不代表模型已經掌握任務。只有在場景和變量發生變化后仍能穩定完成，能力才具備進一步遷移到真機的可能。

SynReal World將程序化評測接入訓練流程，支持并行測試、成功率統計、失敗模式分析和過程記錄，讓模型每次更新后都能在已有任務中重新驗證。

對一套具身智能數據引擎而言，完整閉環之外，還要看它能否以足夠高的效率和精度運行，并接入現有研發體系。

根據凌迪科技提供的測試數據，在部分高復雜度場景中，SynReal World的仿真效率較Isaac Sim快5至10倍，靜動力學誤差降低近20%。

在生態層面，凌迪科技是NVIDIA Newton核心成員，SynReal World支持USD和Python API，并兼容MuJoCo、Newton等仿真引擎。

在SynReal World之外，凌迪科技此次還展示了面向服裝等輕工業場景的數字伙伴中臺StyleWork。它融合AI Agent能力，讓數字伙伴理解設計、選品、營銷和運營等業務流程，調用專業工具并反饋結果，同時通過持續學習與記憶參與長期協作。這是凌迪科技將AI嵌入真實產業流程的另一條路徑。

04.

物理AI競爭，正在向“訓練場”深處延伸

把資產生成、模型訓練和結果驗證放進同一套流程，首先解決的是研發效率。模型每更新一次，不必重新搭建場景、切換工具，再單獨統計任務結果。

但這套數據管線更值得關注的地方，在于它回應了具身智能面臨的一項核心約束：機器人所需的數據，無法像語言模型那樣從互聯網低成本獲取。

語言、圖像、視頻，天然以數字形態存在。而機器人需要的數據，必須包含動作、接觸、力和物體狀態變化——每一次交互，都是一次物理事件。模型要學習的，不只是一個物體長什么樣，更是對它施加動作之后會發生什么。

真機采集的速度和成本，很難跟上模型對任務多樣性的需求。仿真不能取代真實世界，但它可以重新分配試錯成本。

當仿真承擔越來越多訓練任務，行業比拼的焦點也在轉移。畫面逼真不再是唯一標準。更關鍵的問題是：虛擬世界里的物體，是否遵循真實世界的物理規律？訓練結果，能不能被重復驗證？從仿真中學到的經驗，又能在多大程度上遷移到真機？

沿著這幾個問題往下看，柔性物體成了一種更高門檻的檢驗標準。它更能代表家庭服務、輕工業和普遍的非結構化環境。

這正是凌迪正在卡住的位置。

WAIC現場，機器人依然是聚光燈下的主角。凌迪選擇進入的，是聚光燈照不到的地方——機器人的訓練場。

當行業競爭從“完成一次漂亮演示”，轉向“以更低成本穩定學會一項任務”，誰能生成一個物理規律可靠、任務可重復、結果可驗證的訓練世界，誰就在為下一階段的物理AI鋪設底座。