物理 AI 爆发前夜，如视正在补齐真实世界训练场的关键一环

从今年年初开始，黄仁勋多次在公开演讲中提到：物理AI（Physical AI）的ChatGPT时刻已经到来。

这句话迅速点燃了产业想象：AI的下一站，不再只是理解文本、图像和视频，而是要进入物理世界与真实空间，感知环境、操作设备、完成任务。

具身智能、智能汽车、工业自动化、园区巡检、居家服务等场景，正在被重新想象。一个新的万亿级赛道似乎正在打开。

物理AI爆发前夜

高质量空间数据成为“瓶颈”？

随着更多资源涌入，空间大模型在环境感知、逻辑推理和行动规划上的能力实现了质的飞跃。然而，当物理AI尝试从实验室走向工厂和家庭时，问题逐渐清晰：最大的制约因素，不是模型不够大，而是真实、复杂、长尾的空间数据太少。

语言大模型坐拥海量互联网文本，视觉大模型有数以亿计的二维图片支撑。但物理AI要理解的是一个三维、连续且具备物理约束的真实世界。当前，行业正面临三大底层数据难题：

No.1 真实交互数据获取成本高、覆盖不足  

物理AI的迭代高度依赖实景交互数据，但线下场景测试不仅耗时耗力、成本高昂，各类长尾工况、特殊场景的数据也难以全面采集，AI学习与持续优化的成本高昂。

No.2 Sim2Real存在鸿沟  

行业普遍采用虚拟仿真环境开展算法训练，可现有仿真场景在视觉效果、空间布局、物理规则上与真实世界存在明显偏差。尤其是面临复杂的室内空间情况时，模型在虚拟环境中训练出的能力，迁移到现实场景后效果大幅衰减。

No.3 数据生产链路断裂  

完整的物理AI训练，需要形成“采集-结构化-任务化-训练”的闭环”。目前行业内多数空间数据仅留存基础视觉信息，缺失空间结构、业务语义、任务标注等核心内容，碎片化数据无法支撑AI闭环训练。

物理AI真正缺的，是高精度、强语义、可计算的真实三维空间样本。 而这，恰恰是如视（Realsee）过去十年默默深耕、建立起最高壁垒的核心腹地。

从空间数字化到空间智能

如视正在补齐物理AI的底层数据能力

如视一直做的事情，本质上是把真实空间转化为可计算、可理解、可复用的数据资产。

当物理AI开启从“理解数字内容”走向“理解真实世界”的范式转移时，如视沉淀的空间采集、三维重建、语义结构化和仿真增强能力，正在成为连接AI与物理世界的重要基础设施。

No.1 5800万+ 真实空间：构筑全球最大规模的“空间红利”  

在数据规模层面，如视已经沉淀了5800万+真实三维空间数据，覆盖城市空间、居住空间、工业厂区、商业综合体等多元业态。

更重要的是，如视所积累的并不只是空间的视觉外观，而是包含真实空间中的尺度关系、结构关系与拓扑关系。凭借多年在真实居住与商业空间中的持续采集和重建，如视能够进一步掌握不同空间类型、户型结构、功能分区与场景组合的分布规律，为物理AI理解真实世界提供更接近现实的空间先验，例如哪里可通行、哪里存在遮挡、不同区域如何连接、设备与环境之间如何相互约束，甚至进一步支持对单体物品材质、摩擦力等物理属性的建模，从而有效缓解训练数据稀缺、场景覆盖不足和空间理解不完整等问题。

值得一提的是，2025年，如视面向学术研究开放了目前最大规模的真实场景空间数据集Realsee3D Dataset。相比现有较大规模的Habitat数据集，Realsee3D Dataset在真实场景规模上达到其10倍以上，目前已被MIT、香港大学、北京大学等200余个学术机构用于相关研究与训练。

更关键的是，这不是一份“固定资产”。如视仍在持续采集和重建真实空间，数据规模、场景类型和空间细节都在不断增长，能够为物理AI提供长期更新的真实训练资源。

No.2 全链路数字空间训练工厂：从静态场景到动态任务生成  

相比一次性交付某个模型、某批素材或某类场景，如视更重要的能力在于，已经形成了覆盖“采集→三维重建→语义结构化→任务生成→高保真增强→开放交付”的全链条数字空间训练体系。

这意味着，真实空间不再只是被采集和还原，而是可以被持续理解、持续加工，并进一步转化为适合物理AI训练、评测和迭代的多样化数据形态。融合了重建与生成两条逻辑，基于真实空间生成具备高度几何一致性的多视角操作运动视频，构建可用于3DGS训练的高质量场景数据，沉淀带有空间结构、业务语义和任务约束的训练样本。

No.3 Real2Sim2Real：填平虚实鸿沟的技术闭环  

为了彻底解决Sim2Real gap的行业痛点，如视构建了高标准的Real2Sim2Real技术闭环，让智能体在虚实转换中无缝进化：

• Real→Sim（实景转虚拟）：通过如视的高精度空间采集与重建技术，对线下场景实现毫米级还原，构建出高仿真、富含业务语义的数字孪生场景，从源头缩小虚拟与现实的差距。

• Sim内算法训练：企业可以在虚拟孪生环境中低成本、安全地完成AI算法迭代，彻底避开实景测试的高风险与高损耗。目前，如视的方案已经适配英伟达（NVIDIA Omniverse/Isaac）等主流具身智能训练平台。

• Sim→Real（虚拟落地实景）：在虚拟环境中训练成熟的模型，可以直接部署到真实场景中；设备在现实运行中产生的新数据，会持续回流至虚拟场景，动态优化仿真环境，不断缩小虚实差异，形成可持续进化的良性循环。

场景落地

从实验室走向真实生产力

面向全行业的具身智能公司，如视可以提供千万级真实数据驱动的专属训练与评测闭环，助力物理AI快速迭代、规模化落地。

无论是居家服务机器人、园区巡检设备，还是智能汽车等各类物理AI载体，都能依托如视的能力缩短数倍研发周期。以具身智能机器人为例，借助如视的底座，机器人不仅能自主完成空间建图，还能按周期自动扫描并动态更新场景数据。更关键的是，机器人回传的结构化空间数据，还能无缝共享给整个平台内的其他AI载体。

目前，如视已与多家前沿企业达成深度合作，将海量真实空间数据应用到智能汽车和机器人的核心训练任务中，定制化提供贴合实际业务需求的高质量训练场景，加速产品商业化落地。

数字空间

物理AI时代的全新基础设施

过去，如视的空间数字化方案更多解决的是“看见空间”的问题。用户可以在线上看房、看店、看展，企业可以用VR提升展示、营销和管理效率。真实空间被数字化之后，首先成为了可视化的内容资产。

但在物理AI时代，数字空间的价值正在被重新定义。

空间不再只是静态展示对象，而是可以被AI理解、学习、训练和反馈的动态载体。它既是模型认知真实世界的入口，也是机器人、智能汽车和自动化设备走向真实生产场景的训练场。

从这个意义上讲，高精度的数字空间，正成为物理AI时代最核心的底层基础设施。而如视，正在全力打造这块让AI理解物理世界、推动智能进化的数字基石。