图片来源禾赛科技

文｜肖漫

编辑｜袁斯来

“我们不是为了卖激光雷达又造了一个Kosmo。”在Kosmo发布会前，李一帆先明确了这一点。

Kosmo是禾赛科技近日发布的三维世界数据引擎，由全球首款8K超高清AI空间相机KosmoOne和AI驱动的云平台KosmoWorld组成。前者负责采集真实世界的空间信息，后者将这些信息重建为能够被AI理解、交互和训练的三维场景。

这是禾赛在激光雷达主营业务之外的一次延伸。过去，禾赛主要向汽车和机器人提供感知硬件；现在，它希望进一步参与物理AI的训练过程，把真实世界转化为可供AI使用的数据资产。

这也是李一帆从零部件提供商走向物理AI的核心基础设施提供商的第一步。

从激光雷达迈向物理AI核心基础设施

物理AI要真正走向规模化，至少需要解决两个问题：机器人如何在真实世界中完成动作，以及AI如何获得足够多、足够好的真实世界数据。

禾赛正在围绕这两个问题布局两项业务：机器人运动引擎与三维世界数据引擎。Kosmo是后者首次系统性的产品化落地。

图片来源禾赛科技

KosmoOne是这套系统的数据入口。它将高空间分辨率激光雷达、8K超高清影像系统、一英寸大底CMOS和高精度IMU集成在一台设备中，同步采集真实环境的空间几何、色彩、纹理和设备位姿信息。

它试图降低空间采集的门槛。KosmoOne支持即开即扫、智能指引和一键续扫等功能。在普通室内场景中，完成100平方米空间的扫描约需15分钟。

不过，扫描出一个逼真的三维场景，还只是第一步。对于具身智能而言，场景不仅要看起来真实，还要能被机器人理解，并用于训练和验证动作，这也是KosmoWorld的作用所在。

KosmoWorld的底层是禾赛自主研发的AI原生三维空间重建与理解系统KosmoSpatialCore（KSC）。它能够从同一份采集数据中，同步生成3DGS、mesh和depth三种形态的三维数据。

三种数据解决的是具身面临的不同问题。3DGS负责还原场景的视觉外观，让机器人训练时看到的画面更接近真实世界；mesh是由网格构成的三维模型，可以用于物体的拆分、建模与交互；depth则提供空间距离信息，帮助机器人判断物体的位置和远近。

这意味着，真实空间不再只是一个供人观看的三维模型，而可以进一步转化为适合机器人训练和仿真验证的环境，即所谓的sim-ready数据。

李一帆认为，物理AI对真实世界数据的需求，很难仅靠生成式AI满足。

“如果你完全用AIGC去生成完全虚拟的训练数据，真正获得的新鲜的信息就很有限。”他的判断是，生成式AI可以基于已有信息补全场景，但如果缺乏新的真实世界信息，模型对现实环境的理解仍然有限，训练效果也会受到影响。

这并不意味着合成数据没有价值。对于具身智能，合成数据能够帮助开发者扩充训练场景、覆盖更多边界情况，但前提是生成的环境和物理规律足够可信，且能够补充真实数据中缺失的信息。Kosmo想做的，是从真实世界获取高保真的空间信息，再借助AI重建与补全，将其转化为能够反复使用的训练资产。

李一帆认为，这条路径有机会同时缓解两个问题：仿真环境与真实环境之间的差距，也就是Sim-to-RealGap，以及在真实物理环境中采集训练数据的高成本。

李一帆将Kosmo的商业化分成了三个阶段。最直接的是硬件收入，即销售空间相机KosmoOne；其次是面向企业客户的数据与模型服务。客户提供场景，禾赛负责采集、重建并交付可用的三维模型，商业模式有些类似MaaS（ModelasaService，模型即服务）：客户购买的是处理后的结果，背后则涉及算力和模型生成服务。

更长期的目标，是将采集和重建形成的三维数据沉淀为可以反复使用的数字资产。李一帆希望，随着平台积累的空间模型越来越多，用户不必亲自扫描每一个场景，也能直接找到符合行业需求的资产。“这个可能需要至少3—5年才能建设出来。”他预计。

这意味着，Kosmo的商业化并不只取决于相机能卖出多少台，还取决于它能否持续降低空间数据的采集、加工和使用成本，以及这些数据能否在不同客户和任务之间复用。

发布会上，禾赛Kosmo与银河通用机器人、原力灵机签署了战略合作，并展示了与迪士尼旗下皮克斯工作室（PixarAnimationStudios）、高德等合作的行业案例。这些合作所指向的，是三维世界数据在机器人训练之外的更多应用场景，例如影视媒体、文旅文博等。

禾赛打基底，Sharpa上台前

“今天看似我们是在聊Kosmo，但我觉得真正想跟大家交流和汇报的，不是Kosmo一个产品。”李一帆在发布会上说，“禾赛真正想讨论的是，从零部件提供商走向基础设施提供商的过程中，它看到了什么机会，以及为什么认为自己有能力参与其中。”

在他看来，物理AI2.0的终极目标是通用机器人。但目前，行业的注意力主要集中在模型和应用层，机器人硬件、计算和数据等底层基础设施，仍有大量问题没有解决。

图片来源禾赛科技

李一帆认为，数字AI能够快速发展，一个重要前提是底层基础设施已经相对成熟。物理AI则不同：机器人需要在现实世界中移动、感知和操作，模型能力必须通过硬件执行，训练也离不开真实环境的数据。这是禾赛同时布局机器人运动引擎与三维世界数据引擎的原因。

李一帆强调，这并不是一次与原有业务割裂的转型，而是技术能力的外延。精密机械传动、芯片、伺服电机、电磁材料，以及集成、制造工艺和量产验证，都与禾赛此前积累的技术和工程能力存在关联。

Kosmo产品只是第一步，禾赛后续还会有机器人关节驱动器等产品布局。李一帆将驱动器的重要性类比为电动汽车时代的电池，会直接影响整机性能、成本和产品化进程。

禾赛的思路是，让机器人真实的动作需求反过来定义硬件，即AI-DefinedHardware。硬件不应只是被动承接算法要求的部件，还需要根据AI在真实环境中的任务需求，重新设计驱动能力与机械结构。

Sharpa是这套思路的另一端落点。

Sharpa的灵巧手拥有22个主动自由度，首款旗舰触觉灵巧手Wave（W01）正是基于禾赛的动力模组打造。禾赛称，相比同类产品，其动力模组体积缩小了37%，功率密度提升至3倍。

截至2026年第二季度末，禾赛动力模组累计交付超过1万套，产品也正从灵巧手模组向全身关节模组拓展。公司预计，2027年动力模组出货量将达到六位数。

Sharpa在操作端积累了大量需要验证的想法，能够较快地反馈给禾赛团队；禾赛改进动力模组后，又可以迅速交由Sharpa测试，形成研发闭环。

十年前，从激光雷达出发，禾赛已经具备了空间感知、芯片设计、精密制造和规模交付等能力。现在，它希望将这些积累延伸到更大的产业链环节中。

但基础设施业务与零部件业务的成功条件并不相同。动力模组需要证明性能、可靠性和成本优势，Kosmo则还需要证明生成的数据能够切实改善训练效果，并且在不同场景中形成可重复的价值。

禾赛的2.0能否成立，最终不只取决于它推出了多少新产品，而取决于这些底层能力能否成为机器人公司真正愿意采用、持续使用的基础设施。