刚刚，李飞飞买下仿真公司SceniX，World Labs首笔收购剑指具身智能

“AI教母”李飞飞创办的World Labs正式收购SceniX

7月22日，“AI教母”李飞飞创办的World Labs正式宣布收购美国机器人仿真初创公司SceniX。这笔交易是World Labs成立以来的首笔公开收购，也标志着这家以“空间智能”为旗帜的明星创企，正式将业务边界从3D世界生成推进到物理机器人训练领域。

“世界不只是由文字构成，空间智能从来不只是感知和生成世界，而是与之交互。”李飞飞在社交平台上的这句话，为这场收购定下了基调。

World Labs&SceniX，当世界模型遇上物理仿真

这笔收购的双方，某种意义上原本就是“一枚硬币的正反面”。

World Labs自2024年4月成立以来，一直站在空间智能浪潮的最前沿。这家由李飞飞在斯坦福休假期间创办的公司，走出隐身模式时便手握2.3亿美元融资，2026年初再获10亿美元巨额注资，投资方名单囊括英伟达、AMD、a16z等行业巨头，估值早已突破百亿美元门槛。

其核心产品Marble能够从文本、单张图片或视频片段生成高保真、空间一致的3D虚拟环境，用户可以在其中自由移动、编辑和栖息，支持以多种2D和3D格式导出，被视为生成式AI从2D迈向3D的标志性成果。

但在此之前，World Labs的技术更多服务于影视特效、游戏开发、建筑可视化等创意产业场景。生成的世界足够好看，却未必“够用”。视觉上的逼真不等于物理上的准确，而机器人训练恰恰对物理精度有着近乎苛刻的要求。

SceniX填补的正是这一空白。

这家2024年成立的初创公司虽然规模不大，团队却堪称豪华。三位联合创始人各有专攻：李云珠（Yunzhu Li）拥有卡内基梅隆大学计算机视觉博士学位，曾在Google AI参与大规模视觉语言模型研发；Changxi Zheng是加州大学圣迭戈分校教授，在物理渲染与实时图形学领域发表过150余篇论文；Sonny Hu则出身OpenAI，专注于机械臂操控的强化学习研究。

他们瞄准的是长期困扰机器人行业的“Real-to-Sim”问题。

现有的主流仿真引擎大多依赖简化的刚体物理模型，对摩擦力、材质形变、流体动力学等细节的还原度不足，导致虚拟训练的技能难以直接迁移到真实硬件上。SceniX 的解决方案是打造一款 "面向机器人学习的游戏引擎"，将高精度物理仿真、传感器建模与控制策略验证整合到统一管线中。

去年，该团队与哥伦比亚大学、谷歌DeepMind合作发表的一篇论文已初步展现了这一思路。研究通过耦合真实感渲染与物理数字孪生，精准刻画柔性物体的形变与接触动力学，达成仿真到现实的高保真迁移。该工作也进一步明确了团队的研究主线：打造兼具视觉真实与物理精确的仿真平台，为现实部署提供可信的虚拟先行验证。

这项技术已经在真实机器人硬件的部署中得到验证。这也是李飞飞最为看重的一点：“他们不仅在高保真仿真中训练和评估机器人，更在真实硬件的实际部署中证明了自己。”

收购完成后，SceniX团队将整体加入World Labs，继续深耕物理仿真与机器人训练方向。双方技术栈的互补性显而易见：World Labs擅长快速生成海量多样化的3D场景，SceniX擅长让这些场景拥有真实的物理规律；前者解决“训练环境从哪来”的问题，后者解决“训练效果能不能用”的问题。

仿真为什么重要？机器人量产的隐形门槛

这场收购表面上是World Labs的业务扩张，背后也折射出具身智能行业当前面临的共性问题。

人形机器人领域发展迅速，硬件迭代速度持续加快。电机、减速器、控制器等核心零部件的成熟度不断提升，机械结构的设计门槛逐步降低。然而，一个普遍存在的挑战是：硬件制造日趋成熟，但赋予其泛化作业能力仍非常困难。

传统的实机调试路线成本高昂，且实体训练受限于物理时间，难以并行加速；部分高危场景（如高空作业、极端环境）在现实中无法进行重复性测试。仿真训练因此成为行业共识。在虚拟环境中，机器人可以24小时不间断学习，同时运行成千上万份并行训练，成本仅为实体训练的零头。波士顿动力、Agility Robotics等人形机器人头部企业，都在内部仿真工具上投入了大量资源。

但问题在于，当前的仿真环境普遍“太假”。

SceniX联合创始人Yunzhu Li此前在采访中提到：“硬件已经到位，AI也在快速进步，但我们仍在用过度简化的虚拟世界训练机器人。”

李云珠认为，现有仿真引擎的缺陷体现在多个层面：

一是接触动力学建模粗糙。 机器人手指与物体的接触力、摩擦力计算不准，导致在仿真中能稳稳拿起的物体，到了现实中要么滑落要么捏碎。

二是材质特性还原不足。 布料、海绵、液体等非刚体的形变规律难以模拟，而真实家庭和办公环境中充满了这类物体。机器人在仿真中学会的行走步态，踩上地毯或不平整地面就可能失效。

三是传感器仿真与现实脱节。 相机的噪点、深度传感器的误差、力反馈的延迟，这些细节都会影响机器人决策。如果仿真中传感器数据过于“干净”，真实部署时算法就会被噪声干扰。

SceniX的核心价值，正是尽可能缩小这道现实鸿沟，让虚拟训练的技能可以“即插即用”地迁移到真实机器人上。这种能力在行业内属于稀缺资源，也或许是World Labs愿意将其收入麾下的根本原因。

空间智能再定义：从“观看”到“行动”

这笔收购更深层的意义，在于李飞飞对“空间智能”这一概念的重新定义。

自提出以来，空间智能常常被简单等同于“3D生成”。在很多人看来，World Labs做的事情就是“AI版的3D建模工具”，用文字生成场景，用图片重建环境，服务于游戏、影视等内容创作。

但李飞飞显然不这么看。

她曾多次表示，智能分为两种：一种是“说话的智能”，由大语言模型解决；另一种是“做事的智能”，核心正是空间智能。语言是人类的语言，而3D是自然的语言。AI如果只能处理文字和图像终究是缸中之脑；只有理解物理世界的规律并能在其中行动，才算真正走向通用智能。

收购SceniX，正是这一理念的落地。World Labs的世界模型不再只是供人观赏的数字内容，而将成为机器人的“训练沙盒”。这是一条完整的技术链路：

第一步，生成世界。 利用World Labs的生成能力，快速构建海量、多样化的3D训练场景。

第二步，仿真训练。 在SceniX的物理引擎加持下，让机器人在虚拟环境中学习行走、抓取、操作等技能，反复试错迭代。

第三步，迁移部署。 凭借高精度仿真带来的低现实鸿沟，将训练好的策略直接部署到真实机器人硬件上。

这三个环节中，World Labs此前已经掌握了第一步，SceniX带来了第二步的核心能力。这场收购补上了整条链路最关键的中间一环。

实际上，这也带来了底层范式的转变。生成3D场景时，优化目标是“看起来真实”；而训练机器人时，优化目标变成了“物理规律正确”。

世界模型公司下场做机器人？

World Labs收购SceniX的消息，也让业界开始重新审视空间智能赛道的竞争格局。

在此之前，世界模型公司与机器人公司基本处于上下游关系。World Labs、NVIDIA、Unity等企业提供仿真环境和工具，Figure、宇树、优必选等机器人公司在其上做训练和开发。但World Labs此举意味着，上游工具厂商正在向下游延伸。

另一个直接的问题是：World Labs会自己做机器人硬件吗？从目前的信息来看，可能性不大。李飞飞多次强调World Labs的定位是“AI公司”而非“机器人公司”，SceniX的技术也集中在软件层面。更合理的路径是，World Labs将打造一个从世界生成到仿真训练的完整平台，向所有机器人厂商开放。

如果这条路走通，其行业影响力将不容小觑。未来机器人公司不需要自己搭建复杂的仿真环境，只需接入World Labs的平台，就能获得无限生成的训练场景和高精度物理引擎。这类似于大语言模型时代的“基础模型+下游应用”模式，只不过底座从语言模型变成了世界模型。

这也解释了为什么英伟达、AMD等芯片巨头纷纷押注World Labs。空间智能+具身智能的组合，对算力的需求将远超当前的大语言模型。如果World Labs成为机器人行业的“基础设施提供商”，背后的芯片厂商将是最大受益者。

当然，挑战同样巨大。SceniX的仿真精度究竟能做到多高？现实鸿沟能缩小到什么程度？机器人公司是否愿意将训练环节交给第三方平台？这些问题都尚待验证。

结语

从ImageNet开启计算机视觉时代，到创办World Labs布局空间智能，再到收购SceniX进军机器人仿真，李飞飞的每一步都踩在AI发展的关键节点上。

十五年前，她用1500万张标注图片教会了机器“看见”世界；今天，她想教会机器“理解”并“改变”世界。二者的底层逻辑一脉相承，都是通过搭建通用化的基础工具，降低全行业的创新门槛。

收购SceniX只是一个开始。它意味着World Labs的的竞争重心，正从内容生成类场景逐步向产业落地类场景转移。

但对于仍在摸索成熟商业模式的世界模型赛道而言，这条 “场景生成 + 物理仿真 + 智能体训练” 的路径能否跑通，仍有待后续技术落地与产业合作的持续验证。

文章来自于微信公众号 “具身智能大讲堂”，作者 “具身智能大讲堂”