当前位置：主页 > 福州 >

食神

苹果掌控智能手表利润 Apple Watch Ultra将扩大领先优势_我的网站

霸王别姬

A | 需要说明的是，这并不是科学记者的夸张之词。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。天文学家称这些系统为灾难性变星是一个恰当的描述。这个术语描述了一个白矮星和一个次级“正常”恒星的配对，前者是一颗曾经强大的恒星的密集残余物，后者跟太阳类似但质量可能较小。

B | 在这对组合的紧密轨道上，白矮星由于其极端的引力而从较大的恒星上吸走恒星物质。周三发表在《自然》上的新灾难性变量的发现其特点是一颗大小为太阳1/100的白矮星和一颗更大的恒星--约是太阳质量的10%并挤在一个木星大小的球体中。这对恒星距离地球约3000光年，其被标记为ZTF J1813+4251。它是在兹威基瞬变设施拍摄的图像中被发现，这是一项广域调查，其使用加州帕洛玛天文台的一台望远镜并依次拍摄数百张天空图像。兹威克瞬变设施目录使天文学家能寻找恒星亮度的快速变化。这就是研究人员发现这对奇特的星体的方式。

C | “这是一个特殊的系统，”麻省理工学院的天体物理学家Kevin Burdge说道。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。他指出，这是已知的行为最优美的灾难性变数之一。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。Burdge和他的同事们搜索了茨威基的数据以试图在深黑的太空中找到灯塔。他们希望看到有规律的眨眼特征--Burdge通常在寻找快速的眨眼，这是因为它们往往是一对恒星快速运行的信号。研究小组看到ZTF J1813+4251每51分钟闪烁一次。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。

D | 据悉，这是其中一颗恒星从另一颗恒星前面经过并使其光线变暗。这也是叠衣服与抓取规则刚体不同的地方。闪烁的时间跟迄今为止发现的灾难性变星的最短轨道相吻合。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。通过用夏威夷和西班牙的其他望远镜以及天基望远镜进行观测，这使得研究人员对恒星变得更加集中，并能更准确地测量它发出的光线。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。不过这引发了一个难题。Burdge在一份新闻稿中指出：“有一颗恒星看起来像太阳，但是太阳无法进入一个短于8小时的轨道。”太阳的质量使它无法拥有如此紧密的轨道。那么为什么这颗木星大小的恒星会这样做呢？Burdge和研究小组已经确定的解释是，这颗白矮星一直在吞噬其伙伴星的一大块氢。这留下了一个更密集的氦气核心，而这有助于稳定紧密的轨道。简而言之，研究小组是在这一过程的中间阶段观察这对恒星的，当时白矮星已经剥去了大部分的氢。

E | 剥离后的白矮星留下了一个吸积盘，它像土星环一样围绕着核心。

F | “这是一个罕见的案例，我们在从氢到氦的吸积过程中抓住了其中的一个系统，”Burdge说道。 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。在12亿颗恒星中，该算法挑出了我们迄今发现的最有趣的灾难性变数之一。这一幸运的发现有助于支持早先提出的关于大灾变体过渡到超短轨道的理论，该理论是在近四十年前提出的--现在我们知道这确实发生了。该小组还进行了模拟以确定ZTF J1813+4251的最终命运。

G | 他们预测，在约7000万年后，这对天体将更快地围绕对方运行，每18分钟做一次完整的循环。尽管人们不会看到它，但一旦激光干涉仪空间天线(LISA)在2030年代末的某个时候进入轨道，那么研究人员将能更详细地研究这个灾难性的变量。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。

H | 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。这一系列卫星将被用来探测引力波--这些恒星舞伴将产生引力波。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。

I | 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。

J | 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。

K | 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。

L | 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。

M | 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。

N | SynReal World瞄准的正是这一环节。

o | 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。

p | 这个“训练世界”的构建，可以拆成三个环节。

q | 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。

r | 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。

s | 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。

t | 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。

u | 这是凌迪科技将AI嵌入真实产业流程的另一条路径。

v | 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。

w | 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。