follow us

AING硬跡

在 NVIDIA GTC 2026 上，Physical AI、機(jī)器人訓(xùn)練和世界模型再次成為產(chǎn)業(yè)討論的焦點。在主會場展位上，英偉達(dá)官方上有?個很特別的展示：迪士尼和英偉達(dá)合作的機(jī)器?“ Blue ”，正在數(shù)字世界中學(xué)習(xí)如何理解空間、規(guī)劃路徑和在復(fù)雜環(huán)境中行動。這個空間智能技術(shù)路徑，是由深圳的一家科技公司其域創(chuàng)新提供的。隨著智能體逐步從實驗室走向真實環(huán)境，行業(yè)開始重新面對一個更基礎(chǔ)的問題：當(dāng)AI不再只處理文本、圖像和視頻，而要進(jìn)入真實物理世界時，它究竟需要什么樣的數(shù)據(jù)基礎(chǔ)和訓(xùn)練環(huán)境？

這個問題的重要性，正在迅速上升。

過去幾年，人工智能領(lǐng)域最引人注目的突破，主要集中在大模型對語言、圖像和視頻的理解與生成能力上。但對機(jī)器人、自動駕駛、空間智能體等 Physical AI 系統(tǒng)而言，僅靠二維信息并不足以支撐其在現(xiàn)實環(huán)境中穩(wěn)定運行。它們面對的是一個有尺度、有結(jié)構(gòu)、有遮擋、有物理約束的三維世界。對這類系統(tǒng)來說，理解真實空間，正在成為比“看懂一張圖”更重要的能力。

也正是在這樣的背景下，空間智能公司其域創(chuàng)新在 NVIDIA GTC 2026 的亮相，呈現(xiàn)出了一條值得關(guān)注的技術(shù)路徑：通過真實世界數(shù)據(jù)構(gòu)建世界模型，再將其接入仿真訓(xùn)練流程，讓 AI 在更接近真實部署環(huán)境的條件下完成訓(xùn)練與驗證。這一路徑被概括為Real2Sim，即 Real World to Simulation。

仿真訓(xùn)練并不新穎，真正困難的是“接近真實”

在機(jī)器人和具身智能的發(fā)展過程中，仿真訓(xùn)練一直是關(guān)鍵環(huán)節(jié)。行業(yè)通常的思路是，先構(gòu)建三維環(huán)境，再讓機(jī)器人或智能體在仿真中進(jìn)行大量訓(xùn)練，最后把能力遷移到真實系統(tǒng)中。這個邏輯聽起來非常清晰，但真正落地時，問題往往出現(xiàn)在訓(xùn)練環(huán)境本身。

原因在于，仿真環(huán)境與真實世界之間長期存在“仿真到現(xiàn)實差距”，也就是 sim-to-real gap。

這種差距并不只是某個單點問題，而是訓(xùn)練環(huán)境與真實部署環(huán)境之間的整體偏差。比如光照是否真實，紋理是否足夠細(xì)致，空間尺度是否準(zhǔn)確，物體布局是否符合現(xiàn)實規(guī)律，交互邏輯是否接近真實物理條件。只要其中某一層出現(xiàn)明顯偏差，模型在仿真中學(xué)到的能力，遷移到現(xiàn)實環(huán)境時就可能失效。

這也是為什么，機(jī)器人行業(yè)這些年雖然高度依賴仿真，但始終沒有把“仿真問題”真正視為已經(jīng)解決。傳統(tǒng)人工建模方式可以搭建訓(xùn)練環(huán)境，但通常存在三個明顯問題：

·構(gòu)建成本高，周期長

·場景與真實部署環(huán)境存在差異

·難以持續(xù)更新，更難規(guī)?；a(chǎn)

當(dāng) Physical AI 開始進(jìn)入真實產(chǎn)業(yè)場景，這些問題就不再只是工程細(xì)節(jié)，而開始影響系統(tǒng)訓(xùn)練效率、部署效果以及產(chǎn)業(yè)化速度。

真實世界的數(shù)據(jù)，正重新被重視

行業(yè)重新重視真實世界數(shù)據(jù)，并不是因為“真實采集”聽起來更先進(jìn)，而是因為機(jī)器人和具身智能系統(tǒng)正在越來越依賴高可信度的空間環(huán)境。

一個真正適合訓(xùn)練機(jī)器人策略的環(huán)境，通常至少要滿足三層要求：

·視覺真實：紋理、材質(zhì)、光照、細(xì)節(jié)足夠接近現(xiàn)實

·結(jié)構(gòu)真實：空間幾何、尺度關(guān)系、場景布局準(zhǔn)確

·物理真實：交互方式、運動約束和物體關(guān)系符合現(xiàn)實規(guī)律

只有當(dāng)這三者盡可能統(tǒng)一，訓(xùn)練環(huán)境才更接近真實部署條件，模型的遷移效果才更有保障。

因此，行業(yè)關(guān)注點也在發(fā)生變化。過去，很多三維技術(shù)更偏向展示、可視化或內(nèi)容生成；而現(xiàn)在，越來越多三維能力開始被放進(jìn) AI 訓(xùn)練體系中重新審視。它們的價值，不再只是“做出一個逼真的三維場景”，而是“能否把真實空間變成一個可計算、可訓(xùn)練、可驗證的世界模型”。

這正是 Real2Sim 路徑的核心意義。

Real2Sim，將真實世界送進(jìn)訓(xùn)練系統(tǒng)

在 GTC 2026 上，其域創(chuàng)新展示的 Real2Sim 方案，展示了在前幾年爆火的瓦力機(jī)器人Blue在英偉達(dá)辦公室內(nèi)自由活動的場景。這套方案，本質(zhì)上是在回答這樣一個問題：當(dāng)智能體需要在現(xiàn)實世界中行動時，訓(xùn)練環(huán)境如何盡可能接近真實世界？

其域給出的答案是，從真實空間出發(fā)，通過多模態(tài)空間感知與高保真三維重建，把現(xiàn)實環(huán)境快速數(shù)字化，再轉(zhuǎn)化為可進(jìn)入仿真平臺的空間模型，最終服務(wù)于 AI 訓(xùn)練、任務(wù)驗證和系統(tǒng)部署。

簡化來看，這條鏈路可以被概括為：

真實空間 → 三維重建 → 世界模型 → 仿真訓(xùn)練環(huán)境

與傳統(tǒng)依賴人工建模的方式相比，這一路徑的價值主要體現(xiàn)在三個方面：

第一，訓(xùn)練環(huán)境更接近真實部署條件。

訓(xùn)練場景來自真實空間數(shù)據(jù)，這意味著尺度關(guān)系、空間結(jié)構(gòu)、環(huán)境細(xì)節(jié)和物體分布都更貼近實際應(yīng)用環(huán)境，能夠縮短訓(xùn)練世界與現(xiàn)實任務(wù)之間的距離。

第二，環(huán)境可以持續(xù)更新。

如果訓(xùn)練環(huán)境建立在真實空間采集和重建流程之上，它就不是一次性靜態(tài)搭建的結(jié)果，而可以隨著現(xiàn)實環(huán)境變化不斷更新。這對于復(fù)雜工業(yè)現(xiàn)場、動態(tài)空間和長期迭代的機(jī)器人系統(tǒng)尤其重要。

第三，有機(jī)會降低高擬真訓(xùn)練環(huán)境的生產(chǎn)成本。

過去高質(zhì)量三維場景的生產(chǎn)高度依賴人工建模，流程重、成本高、難復(fù)制。而真實采集驅(qū)動的環(huán)境生產(chǎn)方式，則更接近一種可工程化、可規(guī)?；幕A(chǔ)設(shè)施能力。

從這個角度看，Real2Sim 的意義并不局限于“三維重建更真實了”，而是為 Physical AI 提供了一種更接近真實世界的數(shù)據(jù)入口。

為什么是空間智能，而不是三維建模？

如果只從表面看，Real2Sim 很容易被理解為一種三維重建方案。但更準(zhǔn)確地說，它背后體現(xiàn)的是“空間智能”的能力，而不只是建模能力。

空間智能的重要性在于，它并不止步于把環(huán)境掃描出來，而是要把現(xiàn)實空間進(jìn)一步轉(zhuǎn)化為 AI 可以理解、可以推理、可以調(diào)用的模型輸入。也就是說，空間數(shù)據(jù)不再只是被“看見”，而是被納入決策、訓(xùn)練與部署體系之中。

在這條路徑上，空間智能解決的并不是一個單一問題，而是三個連續(xù)問題：

·環(huán)境感知：獲取真實環(huán)境結(jié)構(gòu)

·環(huán)境理解：構(gòu)建可計算的三維空間模型

·環(huán)境訓(xùn)練：把真實環(huán)境轉(zhuǎn)化為可用于 AI 訓(xùn)練的仿真世界

對于機(jī)器人系統(tǒng)而言，這種能力的實際價值非常明確。它可以支持導(dǎo)航與路徑規(guī)劃，支持復(fù)雜環(huán)境中的任務(wù)執(zhí)行，也可以幫助縮小仿真訓(xùn)練與現(xiàn)實部署之間的遷移差距。

這也是為什么，隨著具身智能和機(jī)器人技術(shù)的發(fā)展，空間智能開始被越來越多地視為一種基礎(chǔ)能力，而不再只是某個垂直環(huán)節(jié)中的工具。

GTC 釋放出的信號：AI 訓(xùn)練正在轉(zhuǎn)向基礎(chǔ)設(shè)施競爭

相比單點功能演示，其域創(chuàng)新此次在 GTC 上更值得關(guān)注的地方，在于它展示的并不是一個孤立產(chǎn)品，而是一條更完整的系統(tǒng)鏈路：從真實空間采集，到三維重建，到世界模型生成，再到仿真訓(xùn)練接入，最終進(jìn)入產(chǎn)業(yè)生態(tài)平臺。

在本屆 GTC 上，其域創(chuàng)新的能力以多種形式呈現(xiàn)，包括公開主題演講、機(jī)器人相關(guān)展示內(nèi)容，以及與 AWS 聯(lián)合呈現(xiàn)的 Real2Sim 方案。這種多場景集中亮相，本身就說明空間智能能力正在進(jìn)入更核心的 AI 技術(shù)討論區(qū)，而不再只是邊緣性的三維展示技術(shù)。

這背后反映出的，其實是 AI 產(chǎn)業(yè)競爭重心的一次變化。

過去，大模型時代的關(guān)鍵資源是文本、圖像和視頻語料；而面向 Physical AI，新的關(guān)鍵資源正在變成高質(zhì)量、可訓(xùn)練、可計算的真實三維環(huán)境。誰能持續(xù)、規(guī)?；厣a(chǎn)這類環(huán)境，誰就更有可能在下一階段的機(jī)器人訓(xùn)練和世界模型構(gòu)建中占據(jù)優(yōu)勢。

從這個意義上說，行業(yè)正在從“模型能力競爭”，逐步走向“訓(xùn)練基礎(chǔ)設(shè)施競爭”。

如果把視角再拉高一些，GTC 2026 上這類展示釋放出的信號已經(jīng)很明確：當(dāng) AI 開始走向真實物理世界，空間智能的角色正在從“輔助工具”轉(zhuǎn)向“基礎(chǔ)設(shè)施”。

對具身智能來說，訓(xùn)練不再只是模型調(diào)參的問題，也不再只是算力和數(shù)據(jù)量的問題，而是訓(xùn)練環(huán)境本身是否足夠接近真實世界的問題。誰能更快、更穩(wěn)定、更規(guī)?；匕颜鎸嵖臻g轉(zhuǎn)化為世界模型，誰就更有機(jī)會參與下一階段 Physical AI 的基礎(chǔ)能力建設(shè)。

其域創(chuàng)新此次在 GTC 的亮相，提供的正是這樣一種觀察窗口。它所展示的，不僅是一套面向 Real2Sim 的技術(shù)方案，更是一條由真實世界數(shù)據(jù)驅(qū)動的空間智能路徑：讓現(xiàn)實環(huán)境進(jìn)入仿真訓(xùn)練體系，讓三維空間成為 AI 可理解、可推理、可訓(xùn)練的基礎(chǔ)輸入。

在具身智能逐步走向產(chǎn)業(yè)落地的當(dāng)下，這條路徑的重要性，正在被越來越多的人重新認(rèn)識。

AING硬跡正在打造AI硬件社區(qū)，對加入社群感興趣的讀者，歡迎掃碼下方二維碼加入【AING硬跡產(chǎn)業(yè)交流群】。

AING硬跡

AING，取自“AI+ING”的縮寫，中文諧音“硬跡”，寓意著“人工智能正當(dāng)其時”，致力于追尋硬科技發(fā)展的足跡，不斷探索人工智能與智能硬件的深度融合。

未來，AING硬跡將不斷發(fā)布AI大模型技術(shù)、AI產(chǎn)業(yè)生態(tài)、AI硬件產(chǎn)品等行業(yè)資訊、發(fā)展趨勢與市場動態(tài)，我們相信大多數(shù)硬件都值得用AI重做一遍，AING硬跡期望與AI大模型廠商、與AI硬件廠商共同成長，迎接AI時代的來臨。

人工智能正當(dāng)時

一起追尋AI+硬件的足跡