今年WAIC，机器人展馆里最吸引目光的，依然是那些动作最复杂、最像人的机器人。它们会走路、会跳舞、会聊天，也能完成越来越复杂的任务。但真正决定机器人能否进入现实世界的，并不是这些已被反复展示的能力，而是一些更基础的问题：机器人如何面对没有被提前写好的情况？
跨维智能在WAIC展示的两个Demo，恰好触碰到了这个核心命题。
一个是扫码机器人。它需要从一筐随机摆放的商品中抓取瓶子，找到条形码，完成扫码，再放回指定位置。扫码动作本身并不复杂，真正困难的是，真实世界不会按照机器人最舒服的方式出现，因为瓶子可能侧躺，条形码可能朝向另一侧，商品可能互相遮挡，第一次抓取也可能失败。过去工业自动化解决这类问题的方法是不断增加规则，工程师提前穷举所有可能情况并写入程序。但现场机器人没有等待人工介入，而是在识别当前状态后重新判断，调整抓取策略，继续完成任务。
另一个则是一台人形机器人完成手机装盒。抓取手机、放入包装盒、完成定位和闭合，看似简单，背后对应的是消费电子制造中最典型的高精度、连续性、稳定性挑战。手机位置可能偏移，物料状态可能不同，机器人必须在动态环境中保持可靠操作，还能够自如面对干扰。
两个场景，一个发生在商超，一个发生在制造业；一个面对开放环境的不确定性，一个面对工业生产的严苛要求。但跨维想展示的并不是两个动作，而是背后同一个能力：机器人是否真正开始理解现实世界，并且通过仿真等方式，让机器人越来越好。
过去几十年，工业机器人的核心逻辑是让世界适应机器人。固定的位置、物料、流程，机器人只需精准执行。但具身智能正反过来要求机器人适应世界：商品会变、环境会变、任务会变。机器人无法预知所有情况，它需要大量经验，需要理解物理规律，需要在未知中持续判断和学习。
这也意味着竞争阶段正在转换。过去行业争夺的是机器人本体和模型，谁的机械结构更强、谁的模型更聪明、谁能完成更多任务。但下一阶段，真正决定产业规模化的，可能是另一个谁拥有让机器人持续学习基础设施的问题。
回顾过去十年AI产业的爆发，离不开英伟达这个关键角色。英伟达真正改变AI产业的不只是GPU性能，而是围绕计算建立了一整套基础设施，让越来越多企业能够训练和部署AI。物理AI时代，机器人同样需要这样的基础设施，一个能够生产经验、模拟世界、训练模型的平台，一个让机器人从会做一个动作走向能够不断学习新动作的底座。
这也正是跨维发布数据集、仿真引擎和世界模型的核心逻辑：成为中国具身智能时代的英伟达。如果说英伟达是AI算力的基建狂魔，那么跨维要做的，就是物理AI时代的基建狂魔——从数据对齐到物理仿真，从世界模型到生成式训练，跨维正在为每一台机器人搭建“获得智能”之前的那套底层系统。
01.
机器人行业真正缺的，不只是数据，而是可以复用的经验
过去两年，具身智能行业最大的共识是：机器人需要更多数据。于是大量企业开始建设数据采集体系，通过遥操作采集、人类第一视角视频、真实环境持续工作快速采集。但机器人数据有一个天然限制，它必须来自真实世界。一次抓取就需要真实伸手一次，一次插拔就需要真实执行一次。这意味着真实数据天然昂贵，一台机器人一天能产生的数据有限，一个操作员一天能完成的示范也有限。如果机器人未来需要像大模型一样持续扩大能力，仅靠真实采集远远不够。
更复杂的是，即使数据量已经很大，它们也不一定能真正组合起来。机器人数据不像互联网数据，一篇文章、一张图片、一段视频，无论来自哪里都能转换成统一形式。机器人没有这个条件。一台机械臂抓杯、一台人形机器人抓杯、一个人用手拿杯，任务相同，但数据层面可能相机不同、坐标系不同、机器人结构不同、动作表达不同，甚至速度、力度和轨迹也存在巨大差异。
因此，具身智能正遇到一个新瓶颈，不是没有数据，而是数据还没有形成真正的规模效应。大量数据被采集后仍困在自己的系统里，一家公司的经验很难直接迁移到另一台机器人。数据越多，不一定意味着能力增长越快。真正重要的是：这些经验能不能被共同理解？
这也是跨维较早布局数据基础设施的原因。当许多企业还在关注如何采集更多数据时，跨维已经开始思考下一阶段，当机器人从几千台走向几十万台甚至更多时，整个行业积累的经验如何真正流动起来？
02.
200万条数据背后：建立机器人世界的通用语言
跨维此次发布的Aligned DexWorld，本质上不是一个普通数据集。它包含超过200万条人类与机器人数据样本，覆盖人类示教、真机、仿真、第一视角等多种来源，并整合了DROID、AgiBotWorld-Beta、RoboMIND、RH20T、LIBERO、RoboTwin、VITRA等多个公开数据体系。
但如果只理解为一个更大的数据仓库，就低估了它的意义。因为机器人行业真正缺少的，本质上是一种让不同机器人共同学习的方式。过去，不同机器人的数据像不同国家的语言，描述同一世界但表达方式完全不同。Aligned DexWorld所做的，就是建立机器人世界里的“普通话”。
首先是空间对齐，跨维通过将不同相机、不同视角的数据重新映射到统一三维空间，让模型学习真实世界中的物体关系，而非某一台设备中的像素位置。其次是动作对齐，Aligned DexWorld弱化了机器人本体差异，将不同机器人的动作转换为统一参考表达，让机械臂、人形机器人、移动操作机器人的经验能够被共同理解。最后是时间对齐，其能够处理不同设备控制频率、运动速度和操作习惯造成的差异。
简单来说，机器人真正应该学习的是任务本身，而不是硬件之间的工程差异。跨维针对200余万条异构数据，建立了人工校准、几何求解、模型辅助和人工核验结合的数据处理流程，并通过自动化标注体系降低生产成本。这意味着机器人数据正从过去高度依赖人工整理，走向工业化生产。
这件事也改变了数据的价值逻辑。过去一家公司采集的100万条数据只服务于自己的机器人、自己的场景；但如果不同机器人的经验能被统一表达，每增加一台机器人，都在扩大整个行业的经验池。
未来机器人竞争的关键，可能不是谁拥有最多数据，而是谁拥有让数据产生复利的能力。在此基础上就可以发现，Aligned DexWorld解决的恰恰是过去经验如何复用。但机器人想要持续进化，还需要不断产生新经验，这就进入了仿真的领地。
03.
DexVerse：让机器人拥有一个可以无限试错的世界
真实世界的数据永远有限。一台机器人一天只有24小时，工厂不可能允许它无限试错。如果每一次能力提升都必须依赖真实采集，具身智能很难真正规模化。因此，仿真正在成为机器人时代最重要的基础设施之一。
但跨维想做的，并不是传统意义上的仿真软件。在WAIC 2026上，跨维首次亮相自研的DexVerse物理仿真引擎，DexVerse支持刚体、关节体、软体、布料、流体等多种物理形态，能处理复杂接触、切割等动态过程。它让虚拟世界不再只是展示环境，而成为机器人可以持续交互、持续训练的训练场。
与英伟达Isaac Sim相比，DexVerse在多物理场耦合、真实感和生成式能力上有着明确的代际优势。
例如DexVerse仿真引擎可同时耦合刚体、软体、布料、流体四种物理形态，而英伟达Isaac Sim目前最多只能同时支持两种。这意味着跨维能够模拟更复杂的现实场景，比如同时处理刚性工具、柔性线缆、织物覆盖和液体流动的混合操作，这是许多真实工业任务（如电子装配、医疗操作、服务机器人）所必需的。
DexVerse可实现真正的软体保真切割，现场展示了切面包这种场景的可能性，而Isaac Sim目前只能执行预先设计好的断裂轨迹，无法根据受力动态演化。
机器人从仿真中获得的每一次交互，都必须具有真正的学习价值。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变；插入接口需要理解碰撞和接触。这些物理细节决定了机器人是在模仿动作，还是在理解世界。DexVerse的高保真物理引擎让这一切成为可能，并且以远超现有方案的真实度和效率运行。
但仅有物理引擎还不够。过去搭建一个机器人训练环境，需要大量人工制作资产、搭建场景、设计任务。如果每一次训练都需要重新创造一个世界，仿真依然无法服务规模化。
因此，跨维进一步布局了生成式仿真，在本次WAIC现场也进行了首次展示。生成式仿真系统可根据任务描述自动生成新的场景、物体和训练任务，当机器人需要学习更多商品抓取，系统便生成更多商品变化；机器人需要学习复杂装配，系统便快速生成不同产线环境。这意味着跨维的仿真系统可以自我扩张、持续生产经验，而不是依赖人工搭建每一个训练环境。据了解，英伟达的Isaac Sim/Lab平台目前尚不具备这一能力。
仿真从一个被动验证工具，变成了主动生产经验的数据工厂。DexVerse解决如何准确计算物理世界，生成式仿真解决如何大规模生产训练世界，两者结合，构成了具身智能真正需要的数据供给能力。
如果说英伟达建立的是AI时代的计算基础设施，那么跨维希望建立的是具身智能时代的物理基础设施，一个真正高保真、可扩展、能自我生成的物理世界模拟器。英伟达让机器获得计算能力，跨维希望让机器获得理解世界的能力。而在这条赛道上，跨维正以“物理AI基建狂魔”的姿态，率先把仿真从“辅助工具”升级为“智能工厂”。
04.
下一场机器人战争，争夺的是让机器人学习的能力
回到WAIC的两个Demo。扫码机器人证明的是开放环境中的泛化能力，手机装盒机器人证明的是工业场景中的可靠能力。一个面对变化，一个追求精度。但它们背后依赖的是同一套能力：数据、模型、仿真、真实部署。这也正是跨维与许多具身智能公司的区别所在。
很多企业从机器人本体切入，很多从VLA模型切入，很多从具体应用场景切入。这些路径都重要，但跨维选择了更底层的位置——建设机器人获得能力之前所需要的基础设施。从Aligned DexWorld的数据对齐，到DexVerse的物理仿真，再到世界模型对规律的学习，跨维正在打通机器人智能产生的完整链路：让数据产生价值、让数据持续产生、让模型理解世界、让能力回到机器人。
过去，机器人行业竞争的是谁制造出更好的机器人。未来，竞争可能变成谁能让机器人更快获得能力。如果说英伟达推动了AI时代的发展，那么中国具身智能产业同样需要一个能够推动机器人规模化的基础设施平台，一个不只提供算力，更提供“物理经验”的基建狂魔。
机器人时代不会只属于制造机器人的公司，更可能属于那些能够让机器人不断学习、不断进化、不断复制能力的公司。因为真正改变一个产业的，从来不只是某一台机器，而是支撑无数机器成长的那套系统。
跨维要做的，就是那套系统。
