禾赛不只想卖激光雷达｜最前线

图片来源 禾赛科技

文｜肖漫
编辑｜袁斯来

“我们不是为了卖激光雷达又造了一个 Kosmo。”在 Kosmo 发布会前，李一帆先明确了这一点。

Kosmo 是禾赛科技近日发布的三维世界数据引擎，由全球首款 8K 超高清 AI 空间相机 Kosmo One 和 AI 驱动的云平台 Kosmo World 组成。前者负责采集真实世界的空间信息，后者将这些信息重建为能够被 AI 理解、交互和训练的三维场景。

这是禾赛在激光雷达主营业务之外的一次延伸。过去，禾赛主要向汽车和机器人提供感知硬件；现在，它希望进一步参与物理 AI 的训练过程，把真实世界转化为可供 AI 使用的数据资产。

这也是李一帆从零部件提供商走向物理 AI 的核心基础设施提供商的第一步。

从激光雷达迈向物理 AI 核心基础设施

物理 AI 要真正走向规模化，至少需要解决两个问题：机器人如何在真实世界中完成动作，以及 AI 如何获得足够多、足够好的真实世界数据。

禾赛正在围绕这两个问题布局两项业务：机器人运动引擎与三维世界数据引擎。Kosmo 是后者首次系统性的产品化落地。

图片来源 禾赛科技

Kosmo One 是这套系统的数据入口。它将高空间分辨率激光雷达、8K 超高清影像系统、一英寸大底 CMOS 和高精度 IMU 集成在一台设备中，同步采集真实环境的空间几何、色彩、纹理和设备位姿信息。

它试图降低空间采集的门槛。Kosmo One 支持即开即扫、智能指引和一键续扫等功能。在普通室内场景中，完成 100 平方米空间的扫描约需 15 分钟。

不过，扫描出一个逼真的三维场景，还只是第一步。对于具身智能而言，场景不仅要看起来真实，还要能被机器人理解，并用于训练和验证动作，这也是 Kosmo World 的作用所在。

Kosmo World 的底层是禾赛自主研发的 AI 原生三维空间重建与理解系统 Kosmo Spatial Core（KSC）。它能够从同一份采集数据中，同步生成 3DGS、mesh 和 depth 三种形态的三维数据。

三种数据解决的是具身面临的不同问题。3DGS 负责还原场景的视觉外观，让机器人训练时看到的画面更接近真实世界；mesh 是由网格构成的三维模型，可以用于物体的拆分、建模与交互；depth 则提供空间距离信息，帮助机器人判断物体的位置和远近。

这意味着，真实空间不再只是一个供人观看的三维模型，而可以进一步转化为适合机器人训练和仿真验证的环境，即所谓的 sim-ready 数据。

李一帆认为，物理 AI 对真实世界数据的需求，很难仅靠生成式 AI 满足。

“如果你完全用 AIGC 去生成完全虚拟的训练数据，真正获得的新鲜的信息就很有限。”他的判断是，生成式 AI 可以基于已有信息补全场景，但如果缺乏新的真实世界信息，模型对现实环境的理解仍然有限，训练效果也会受到影响。

这并不意味着合成数据没有价值。对于具身智能，合成数据能够帮助开发者扩充训练场景、覆盖更多边界情况，但前提是生成的环境和物理规律足够可信，且能够补充真实数据中缺失的信息。Kosmo 想做的，是从真实世界获取高保真的空间信息，再借助 AI 重建与补全，将其转化为能够反复使用的训练资产。

李一帆认为，这条路径有机会同时缓解两个问题：仿真环境与真实环境之间的差距，也就是 Sim-to-Real Gap，以及在真实物理环境中采集训练数据的高成本。

李一帆将 Kosmo 的商业化分成了三个阶段。最直接的是硬件收入，即销售空间相机Kosmo One；其次是面向企业客户的数据与模型服务。客户提供场景，禾赛负责采集、重建并交付可用的三维模型，商业模式有些类似 MaaS（Model as a Service，模型即服务）：客户购买的是处理后的结果，背后则涉及算力和模型生成服务。

更长期的目标，是将采集和重建形成的三维数据沉淀为可以反复使用的数字资产。李一帆希望，随着平台积累的空间模型越来越多，用户不必亲自扫描每一个场景，也能直接找到符合行业需求的资产。“这个可能需要至少 3—5 年才能建设出来。”他预计。

这意味着，Kosmo 的商业化并不只取决于相机能卖出多少台，还取决于它能否持续降低空间数据的采集、加工和使用成本，以及这些数据能否在不同客户和任务之间复用。

发布会上，禾赛 Kosmo 与银河通用机器人、原力灵机签署了战略合作，并展示了与迪士尼旗下皮克斯工作室（Pixar Animation Studios）、高德等合作的行业案例。这些合作所指向的，是三维世界数据在机器人训练之外的更多应用场景，例如影视媒体、文旅文博等。

禾赛打基底，Sharpa 上台前

“今天看似我们是在聊 Kosmo，但我觉得真正想跟大家交流和汇报的，不是 Kosmo 一个产品。”李一帆在发布会上说，“禾赛真正想讨论的是，从零部件提供商走向基础设施提供商的过程中，它看到了什么机会，以及为什么认为自己有能力参与其中。”

在他看来，物理 AI 2.0的终极目标是通用机器人。但目前，行业的注意力主要集中在模型和应用层，机器人硬件、计算和数据等底层基础设施，仍有大量问题没有解决。

图片来源 禾赛科技

李一帆认为，数字 AI 能够快速发展，一个重要前提是底层基础设施已经相对成熟。物理 AI 则不同：机器人需要在现实世界中移动、感知和操作，模型能力必须通过硬件执行，训练也离不开真实环境的数据。这是禾赛同时布局机器人运动引擎与三维世界数据引擎的原因。

李一帆强调，这并不是一次与原有业务割裂的转型，而是技术能力的外延。精密机械传动、芯片、伺服电机、电磁材料，以及集成、制造工艺和量产验证，都与禾赛此前积累的技术和工程能力存在关联。

Kosmo产品只是第一步，禾赛后续还会有机器人关节驱动器等产品布局。李一帆将驱动器的重要性类比为电动汽车时代的电池，会直接影响整机性能、成本和产品化进程。

禾赛的思路是，让机器人真实的动作需求反过来定义硬件，即 AI-Defined Hardware。硬件不应只是被动承接算法要求的部件，还需要根据 AI 在真实环境中的任务需求，重新设计驱动能力与机械结构。

Sharpa 是这套思路的另一端落点。

Sharpa 的灵巧手拥有 22 个主动自由度，首款旗舰触觉灵巧手 Wave（W01）正是基于禾赛的动力模组打造。禾赛称，相比同类产品，其动力模组体积缩小了 37%，功率密度提升至 3 倍。

截至 2026 年第二季度末，禾赛动力模组累计交付超过 1 万套，产品也正从灵巧手模组向全身关节模组拓展。公司预计，2027 年动力模组出货量将达到六位数。

Sharpa 在操作端积累了大量需要验证的想法，能够较快地反馈给禾赛团队；禾赛改进动力模组后，又可以迅速交由 Sharpa 测试，形成研发闭环。

十年前，从激光雷达出发，禾赛已经具备了空间感知、芯片设计、精密制造和规模交付等能力。现在，它希望将这些积累延伸到更大的产业链环节中。

但基础设施业务与零部件业务的成功条件并不相同。动力模组需要证明性能、可靠性和成本优势，Kosmo 则还需要证明生成的数据能够切实改善训练效果，并且在不同场景中形成可重复的价值。

禾赛的 2.0 能否成立，最终不只取决于它推出了多少新产品，而取决于这些底层能力能否成为机器人公司真正愿意采用、持续使用的基础设施。