逛一圈WAIC具身智能馆，最容易让观众停下脚步的，往往还是机器人正在做什么：抓取、搬运、行走，或者完成一项具体任务。

凌迪科技的展台上，同样摆出了一项直观的任务——叠衣服。两台机械臂将衣服、调整，再重新落回桌面。

单看结果，这是一场机器人衣物操作演示。但凌迪科技真正想被看到的，藏在机械臂动作发生之前。

展台呈现的是机器人完成一次操作，凌迪想讲的，则是这项能力如何被训练出来。

要让机械臂学会叠衣服，得先把衣服变成数字世界里一个可计算的对象。不同面料有多重、多滑、弹性多大、软硬如何，布碰到机械爪会怎么滑、怎么皱，这些都要先算出来。然后模型才能换着材质、换着摆放方式、换着抓取角度一遍遍练，最后再通过评测判断它到底学会没有。

这也是叠衣服与抓取规则刚体不同的地方。一只杯子被拿起后，形状通常不会发生明显变化；一件衣服被抓住一角，整体状态却可能随之改变。

看起来只是一次抓取和翻折，背后对应的却是机器人进入家庭、轻工业等真实场景后绕不开的一类问题：如何处理那些会折叠、滑动、缠绕和持续形变的对象。

凌迪科技此次重点展示的SynReal World，正是从这片更复杂的“柔性世界”切入。

它不直接制造机器人，而是希望在机器人本体与具身模型之间，搭建一套覆盖3D资产生成、仿真训练和自动评测的一站式数据基础设施，让模型进入真实场景前，先在数字环境中经历足够多的物理交互与任务试错。

01.

机器人认出一件衣服，离叠好它还很远

过去两年，机器人的视觉识别和动作控制能力快速提升。

模型可以判断桌上放着什么，也可以根据指令生成动作。但“看见一件衣服”和“把衣服整理好”，仍然是两个不同层次的问题。

衣服被抓住一个角，整体状态会立即改变。抓取位置、布料材质、初始褶皱和夹持力度出现细微差异，都可能让原有动作策略失效。机器人每完成一步操作，都需要重新判断物体发生了怎样的变化，并据此调整下一步动作。

这也使柔性物体的操作数据更难规模化采集。

机器人一次操作失败后，工作人员往往要重新铺平衣服、整理绳索或复位物料。面对不同材质、尺寸、形态和摆放方式，真机数采所需的时间与人工成本会迅速。

仿真由此成为具身智能扩大训练规模的重要方式。

但柔性物体仿真的难点，并不只是生成更多3D资产，数字对象还需要具备接近现实的材料属性和形变规律。

简言之，谁更了解布料如何垂坠、拉伸、碰撞和褶皱，谁才更有可能把这类对象转化为机器人可用的训练数据。

这也解释了，为什么一家长期服务服装行业的企业，会在此时进入具身智能。

02.

凌迪的具身智能入场券，来自十年柔性仿真积累

凌迪科技并非从机器人本体起步。但它过去十年处理的，恰好是机器人今天开始集中面对的问题——如何让计算机准确模拟柔性材料的物理变化。

据了解，凌迪科技成立于2015年底，过去十年主要服务服装及轻工业，围绕数字面料、服装建模、服装设计和产业协同建立产品体系。目前，其业务覆盖亚太、欧洲、美洲和非洲等区域，服务全球3000多家轻工业客户。

数字样衣并不只是把服装做成一个视觉逼真的3D模型。

同一件版型换一种面料，垂坠、拉伸、褶皱和贴合效果都可能发生变化。要在虚拟环境中还原这些差异，需要将重量、厚度、摩擦、弹性和弯曲刚度等材料属性转化为可计算的参数，并持续处理布料与人体、地面及其他布料之间的碰撞、滑动和形变。

据凌迪科技披露，其已经积累超过60万种行业面料数据库，围绕不同材料的物理属性、形变效果和仿真计算形成了长期积累。2024年至2025年，科研团队在顶级学术会议发表论文超过20篇。

这些能力过去主要服务服装设计和生产，如今开始被重新组织，用于机器人训练。

当然，数字样衣与机器人仿真并不能直接画等号。前者更关注设计效果和服装呈现，后者还要面对机械手接触、受力反馈、连续形变和大规模并行计算。

但两类应用共享一个底层前提：虚拟材料不能只有外观，还要能够根据物理规律发生变化。

这使凌迪科技具备了一张相对特殊的具身智能入场券。它并非从零研究布料为什么会垂坠、拉伸和褶皱，而是可以在已有的面料数据、服装仿真和物理计算能力上，继续向机器人操作与训练延伸。

03.

SynReal World，把机器人训练接成一条数据管线

搭出一个仿真场景并不难，难的是让它持续生成机器人可用的训练经验。这需要一套能够持续生成训练资产、组织模型试错，并判断机器人是否真正学会的数据基础设施。

SynReal World瞄准的正是这一环节。

凌迪科技将其定位为面向具身智能的全栈数据引擎，覆盖“3D资产生成—训练应用—仿真评测”完整闭环，将原本分散的建模、训练和验证环节接入同一条数据管线。

简单来说，SynReal World搭建的，可以理解为一个面向机器人的“训练世界”：其中的物体遵循物理规律，任务可以反复运行，训练结果也能够被量化验证。

这个“训练世界”的构建，可以拆成三个环节。

第一步，是把数字资产变成可用的训练对象。

SynReal World支持从文字、图片和CAD等输入生成物体与任务空间，并为资产补充质量、摩擦、弹性和碰撞等物理属性。其核心能力覆盖高精度形变体仿真、刚体仿真和多物理场耦合仿真。

这一区别很关键。普通3D模型解决的是物体“看起来像不像”，机器人训练关心的是施加动作之后，物体是否会按照接近现实的规律变化。

只有数字对象能够合理地碰撞、滑动和形变，虚拟资产才可能变成有效的训练数据。

另外，通过可仿真与交互的3D资产与场景的智能建模，SynReal World 可以对真实世界中采集的任务数据进行灯光与物体材质的泛化，解决数据有效性过低的问题。通过仿真把一条有效数据低成本变成十条，高效地实现训练数据的多样性，同时有效降低数据采集的成本。

第二步，是把单次试错扩展为可规模化运行的训练过程。

SynReal World支持强化学习和模仿学习，可以面向灵巧手、机械臂、双足机器人和机器狗等不同形态开展训练与策略验证。

它的价值并不在于替代真机，而是承担大量高频、重复和早期探索阶段的试错，把有限的真实设备与现场资源更多用于校准、验证和落地。

第三步，把“机器人学会了”转化为可重复验证的任务能力。

一次演示成功，并不代表模型已经掌握任务。只有在场景和变量发生变化后仍能稳定完成，能力才具备进一步迁移到真机的可能。

SynReal World将程序化评测接入训练流程，支持并行测试、成功率统计、失败模式分析和过程记录，让模型每次更新后都能在已有任务中重新验证。

对一套具身智能数据引擎而言，完整闭环之外，还要看它能否以足够高的效率和精度运行，并接入现有研发体系。

根据凌迪科技提供的测试数据，在部分高复杂度场景中，SynReal World的仿真效率较Isaac Sim快5至10倍，静动力学误差降低近20%。

在生态层面，凌迪科技是NVIDIA Newton核心成员，SynReal World支持USD和Python API，并兼容MuJoCo、Newton等仿真引擎。

在SynReal World之外，凌迪科技此次还展示了面向服装等轻工业场景的数字伙伴中台StyleWork。它融合AI Agent能力，让数字伙伴理解设计、选品、营销和运营等业务流程，调用专业工具并反馈结果，同时通过持续学习与记忆参与长期协作。这是凌迪科技将AI嵌入真实产业流程的另一条路径。

04.

物理AI竞争，正在向“训练场”深处延伸

把资产生成、模型训练和结果验证放进同一套流程，首先解决的是研发效率。模型每更新一次，不必重新搭建场景、切换工具，再单独统计任务结果。

但这套数据管线更值得关注的地方，在于它回应了具身智能面临的一项核心约束：机器人所需的数据，无法像语言模型那样从互联网低成本获取。

语言、图像、视频，天然以数字形态存在。而机器人需要的数据，必须包含动作、接触、力和物体状态变化——每一次交互，都是一次物理事件。模型要学习的，不只是一个物体长什么样，更是对它施加动作之后会发生什么。

真机采集的速度和成本，很难跟上模型对任务多样性的需求。仿真不能取代真实世界，但它可以重新分配试错成本。

当仿真承担越来越多训练任务，行业比拼的焦点也在转移。画面逼真不再是唯一标准。更关键的问题是：虚拟世界里的物体，是否遵循真实世界的物理规律？训练结果，能不能被重复验证？从仿真中学到的经验，又能在多大程度上迁移到真机？

沿着这几个问题往下看，柔性物体成了一种更高门槛的检验标准。它更能代表家庭服务、轻工业和普遍的非结构化环境。

这正是凌迪正在卡住的位置。

WAIC现场，机器人依然是聚光灯下的主角。凌迪选择进入的，是聚光灯照不到的地方——机器人的训练场。

当行业竞争从“完成一次漂亮演示”，转向“以更低成本稳定学会一项任务”，谁能生成一个物理规律可靠、任务可重复、结果可验证的训练世界，谁就在为下一阶段的物理AI铺设底座。