智能汽车之后，禾赛又盯上了物理AI？

告别车载内卷，禾赛押注三维数据

文｜罗镇昊

编｜刘俊宏

智能汽车行业成就了激光雷达，但在激光雷达迈入了一个成熟的工业化量产时代后，价格大幅下降。2024年经历爆发式增长后，行业装机增速于2025年明显回落。

一方面是因为激光雷达不再是智能汽车的必选项，另外一方面，智能汽车市场今年也面临着低迷的增长。

因此，激光雷达公司也在追寻着自己的新出路。

10月5日，皮克斯RenderMan官网发布了一份特殊的技术教程。教程展示了如何将一处真实场景转换成三维数据，再通过Houdini和RenderMan进行处理与渲染。场景来自皮克斯总部广场，由禾赛科技的Kosmo空间相机扫描完成：125万余个高斯泼溅点，还原了广场上的台灯、小球、植被，以及阳光和阴影。皮克斯将完整工程文件开放给全球创作者下载。

在好莱坞顶级影视制作工具的工作流里，一家中国激光雷达公司的产品，找到了新的应用位置。

10月14日，禾赛科技正式发布三维世界数据引擎Kosmo，同步推出AI空间相机Kosmo One AI云平台Kosmo World，并宣布与银河通用机器人、原力灵机达成战略合作。

禾赛希望通过这套产品，把真实世界转化为AI能够理解、编辑和训练的三维资产。

新增的全套产品线，显示出禾赛正在进行一次重新定位：从激光雷达公司，转向物理AI基础设施公司。为此，它提出了两条业务主线，一条是三维世界数据引擎，另一条是机器人运动引擎。

“过去十年，禾赛做的是让机器看见世界；下一个十年，我们要做的是让机器人理解并改变世界”。禾赛联合创始人及 CEO 李一帆说。

这条新路线有现实基础。禾赛已经通过激光雷达积累了芯片研发、光机电一体化设计和规模化制造能力。这恰恰好对应了机器人行业两样最缺的部分——可靠的硬件与高质量数据。

但这并不意味着转型路径已经清晰。

Kosmo的商业模式，很大程度上取决于三维数据资产能否跨客户、跨场景复用；同时，速腾聚创等同行已在空间感知方向布局，生成式AI也在持续提升三维内容的生产能力。如果世界模型未来能够直接生成足够真实的训练场景，真实采集数据的稀缺性和定价逻辑都可能被重新评估。

因此，禾赛需要证明的不只是技术可行，还包括高精度真实采集能否在训练效果、工作流效率和投入产出上形成稳定优势，并将成本与规模控制在具备竞争力的水平。

从产品发布到产业基础设施，中间仍隔着客户验证、商业复用和规模化交付。禾赛能否将已有的制造能力，转化为可持续创造收入的物理AI业务，才是这次转型真正的考验。

为什么要走出激光雷达？

回看禾赛的发展史，跨越原有业务边界的想法并非最近才出现。

2016年10月，禾赛第一次将自研激光雷达带到工博会。当时，这台手工制作的设备只能连续工作约10分钟，团队需要在展会现场反复维修。十年后，禾赛已经建立起研发、制造、测试一体化的工厂，激光雷达进入汽车与机器人市场，并形成规模化交付能力。

据禾赛披露，公司2025年营收约30.3亿元，全年激光雷达出货量超过162万台，净利润约4.36亿元。大规模交付、成本控制、自研芯片和精密制造，构成了它向新领域延伸的底气。

但底气之外，禾赛自己也有压力。

在智能汽车“智驾平权”的大背景下，激光雷达上车量持续放大，单价却在逐年下探。整车厂面对成本压力，所对应的“年降”压力顺着供应链向上传导。这使得智能汽车供应链增长越来越依赖出货量的堆叠，而非单品利润。对禾赛而言，这意味着寻找第二增长曲线既是能力外溢，也是现实需要。

当下具身智能行业的发展，恰好为禾赛开了一道“口子”。

针对这次转型，禾赛科技联合创始人兼CEO李一帆先解释了机会所在，“数字AI已经起飞，而物理AI的基础设施仍亟待建设”。但如何满足这一需求，李一帆也提出了一个值得关注的问题：禾赛真正掌握的能力，到底局限于激光雷达，还是来自更底层的技术体系？

禾赛认为是后者。

激光雷达与机器人驱动模组虽然属于不同产品，但背后都涉及精密机械传动、芯片、伺服电机、电磁材料、系统集成、制造工艺和量产验证。这些能力经过长期积累，存在向机器人产业迁移的可能。

事实上，禾赛已经沿着这条路线布局。除了激光雷达，它还在开发机器人动力模组，并通过关联机器人企业Sharpa验证硬件能力。禾赛披露，截至2026年第二季度末，其动力模组累计交付超过1万套，产品正从灵巧手模组向全身关节模组延伸。

这也解释了禾赛为什么把物理AI概括为两个基础问题：AI如何获得足够真实的世界信息，机器人又如何将决策转化为实际动作。前者需要三维世界数据引擎，后者需要机器人运动引擎。

这个判断抓住了当前具身智能发展的一个现实矛盾。

模型能力不断进步，机器人却仍受制于真实数据获取成本、硬件性能和复杂环境中的任务执行能力。若底层供给跟不上，模型进步就很难直接转化为稳定的产业应用。

对于禾赛而言，机会在于将过去服务汽车产业的底层技术，拓展至物理 AI 的更多环节。当一个行业从技术演示走向规模化应用，基础设施的价值往往会随之上升。

但新业务最终能走多远，还要看这些能力能否被更多客户独立使用，形成可持续的产品与服务。

Kosmo想解决的是机器人训练缺少真实世界

禾赛这次发布会的核心产品，是三维世界数据引擎Kosmo。

它由两部分组成。Kosmo One负责采集真实空间，Kosmo World负责将采集结果加工成三维资产。按照禾赛的设计，前者相当于一双眼睛，后者则负责重建和理解眼睛看到的世界。

聚焦产品参数，Kosmo One集成了高精度激光雷达、8K影像系统、一英寸大底CMOS和高精度惯性测量单元，用于同步采集空间几何、颜色、纹理与设备位姿。禾赛称，普通室内场景中，约15分钟就能完成100平方米的空间扫描。其云平台的模型生成速度，在相似硬件、数据集和质量要求下，最高可达同类方案的约5倍。

硬件完成采集之后，Kosmo World通过底层的Kosmo Spatial Core系统处理三维数据，一次重建可以同时生成三种格式：3D Gaussian Splatting（3DGS，三维高斯泼溅）、网格模型 Mesh（可以理解为由三角面片搭成的三维骨架）和深度图（记录每个点离镜头有多远的图）。

三种数据承担着不同任务。3DGS用于细腻还原场景外观，Mesh提供可拆分、可交互的几何结构，深度图则提供精确的空间距离信息。系统还可以识别场景里的独立物体，进行语义分割，并对部分未被完整采集的区域进行智能补全。

这套能力的价值，最终要落到机器人训练上。

传统的仿真环境往往需要人工建模，搭建过程耗时，而且很难完全还原真实环境中的材质、光线和空间关系。纯粹由生成模型创建的三维场景，也可能出现物体位置、尺寸或材质与真实环境不一致的情况。真机遥操作能获得真实数据，却面临成本高、效率低的问题。

禾赛联合创始人兼CTO向少卿将这一难题概括为具身智能数据的“不可能三角”：高质量、大规模、低成本，长期难以兼得。他的判断是，物理AI缺的不是数据，而是真实世界数据。

禾赛的方案，是用Kosmo把真实场景先数字化，再让机器人在其中进行训练和交互。原本只能用于观察的三维场景，由此变成可以调整物体位置、改变环境布局、反复生成训练任务的数据资产。

这种模式，跟当下行业普遍的数据采集方式不太一样。目前不少具身数据公司通过UMI（手持夹爪采集）或Ego（第一视角拍摄）获取训练数据，交付给机器人公司的也是数据资产。但这类数据记录的是“人怎么做”，场景本身并没有被数字化。实际训练里，用户不能把画面里的杯子挪个位置，让机器人再练一次，也不能关掉一盏灯，看模型还认不认得桌面。补齐这些认知细节，基本上还得重新采集。

这些限制最终都会折算成训练的效率和效果。禾赛披露了一个案例，是Sharpa机器人在DQ冰淇淋门店的应用。

过去，专业团队通过传统建模方式还原一家门店，需要约300个小时；借助Kosmo，扫描与场景生成约15分钟即可完成。禾赛称，在相关应用中，Sharpa机器人的失败案例降至原来的十分之一，任务成功率提升至99%，并最终进入真实门店工作。

这些数据展示了真实场景数字化对于机器人训练的潜在价值。不过，单个案例还不足以说明技术已经适用于所有复杂环境。不同门店的布局、物体状态、光照和操作任务都有差异，系统能否在更多场景中保持稳定效果，仍需要持续验证。

但“样板展示”足以说明一个变化，那就是物理AI的数据瓶颈，可以被更具体方案解决。行业需要的数据，既要足够真实，也要能够被机器理解、交互和重复利用。

高质量三维数据的价值，最终取决于它能否让模型学得更好，让机器人在真实环境里做得更稳。

从皮克斯到机器人 禾赛要把数据做成基础设施

如果说机器人训练是Kosmo最初的目标，那么皮克斯的案例，则展现了三维世界数据的另一种价值。

皮克斯RenderMan创意负责人Dylan Sisson使用Kosmo扫描了皮克斯总部广场，并将采集数据接入Houdini和RenderMan工作流。他不仅重建了真实场景，还进一步调整三维数据，将广场处理成具有绘画笔触的视觉效果。补充材料显示，他还扫描了皮克斯内部实验空间及手工制作的纸板电视框，连纸板上的胶水痕迹都得以保留。

这里真正值得关注的，是三维数据从记录工具向创作资产的转变。

现实空间被扫描后，可以进入专业制作流程，供创作者调整、风格化和重复调用。影视制作、虚拟拍摄、游戏开发以及文旅文博等领域，都可能从中获得新的工具。

除了皮克斯，禾赛还与高德合作，将重美术馆、偏锋画廊等三维重建场景接入高德扫街榜的“飞行街景”。在具身智能方向，禾赛与银河通用、原力灵机签订了战略合作；在影视方向，则与跃墨工作室探索真实空间数据在AI影视制作中的应用。

多行业布局，意味着Kosmo试图建立两类商业模式：一类是向企业提供硬件和软件平台，另一类是为物理 AI、世界模型等企业提供规模化的真实世界空间数据生产服务。平台还计划接入英伟达Isaac Sim、Isaac Lab、RenderMan、Houdini等软件生态，降低数据进入现有工作流的门槛。

这条路能否走通，关键在于数据资产能否复用。当场景可以被编辑、训练、交换，并在不同任务中反复使用，数据服务才有机会形成更稳定的收入来源。否则，扫描出来的数据就只能为某项具体的需求服务。

但视角抬高到AI训练领域，数据资产化并不新鲜，行业内已经有商业化的成功案例。

在自动驾驶这边，理想汽车就把真实道路场景重建为三维资产，再把交通参与者构建成会交互、会博弈的智能体，用于智驾训练。具身智能领域，三维数据资产已经开始被单独定价。例如群核科技就把室内环境积累的模型，提供给智元、银河通用等机器人公司。甚至，禾赛自己都是群核科技港股IPO的其中一个基石投资者。

两个案例至少说明，禾赛走通商业模式的问题不大。但难点在于，禾赛是否有能力能把成本和规模做到别人做不到的水平。

对于这部分市场，禾赛的“老对头”速腾聚创已经有所布局。公司在2025年3月就发布了机器人视觉方案Active Camera AC1，同年10月推出AC2，从激光雷达走向空间感知。2025年第四季度，其机器人业务收入已经达到3.47亿元，约占产品销售收入的一半。

而禾赛的新业务整体仍处于投入期。2026年上半年，其战略增长业务SGI收入为4494.3万元，约占总收入的2.9%，经营亏损1.15亿元。SGI目前主要包含机器人动力模组和Kosmo，其中二季度收入主要来自动力模组；截至二季度业绩发布时，Kosmo尚未贡献收入，管理层预计其从2026年第三季度开始确认收入。

这意味着，Kosmo虽然已经进入商业化阶段，但尚未单独证明收入规模和盈利能力。现阶段，禾赛仍需要依靠激光雷达主业产生的利润，支撑空间数据和机器人动力模组等新业务投入。

此外，生成式AI也在快速提升三维内容生产能力。一旦世界模型能直接生成足够真的训练场景，那“真实采集”数据的稀缺性就会被立刻重新定价。

无论最终成果如何，禾赛的转变已经开始。

从激光雷达到物理AI基础设施，禾赛试图构建一套覆盖感知、理解和执行的能力体系。三维世界数据引擎负责让机器更准确地理解环境，机器人运动引擎则为实际动作提供硬件支撑。

两条业务线能否相互促进，将影响禾赛第二增长曲线的成色。

正如李一帆的总结，禾赛要做的是一项比扩大产品线更大的任务。激光雷达业务已经证明禾赛具备技术研发与规模制造能力，Kosmo接下来要证明的，是这些能力可以进入一个新市场，并在真实业务中持续创造价值。

对物理AI行业来说，谁能把真实世界转化为可训练、可复用、可规模化交付的基础资源，谁就有机会参与定义下一阶段的产业分工。