禾赛的具身二胎

文 | 数智奔流，作者 | 白芨，编辑 | 沈校

数采设备里，藏着禾赛的估值转型期待。

10月14日，禾赛科技发布Kosmo One空间相机，同时发布了三维世界数据引擎Kosmo和Kosmo World云平台。

用 Kosmo 扫描的皮克斯广场，再用 RenderMan 渲染的效果

在这之前，禾赛在具身赛道的布局还有机器人整机厂Sharpa。它由禾赛的CEO李一帆、CTO向少卿和首席科学家孙恺于2024年底共同创立。双方签订有《产品销售框架协议》，禾赛向Sharpa供应机器人动力模组。

多线布局在具身行业不稀奇，智元先后布局了觅蜂科技、启元等多个品牌，覆盖产业上下游。有具身产业人士认为：这种布局可以在局势不明朗的时候，拿到更多的机会。同时随着具身整机由热转冷，在产业链上下游寻找高价值、高景气度环节，也可以拿到更多的资金机会。

毕竟如果整机不好卖了，数采这种上游产业链，世界模型也少不了。那给数采商提供采集设备，必然也是一门好生意。

具身行业仍然很热，但热度开始不均匀分布。

2026年上半年，国内具身智能赛道融资约438亿元。其中，超过一半流向了做“大脑”和世界模型的公司，做机器人本体的公司融资占比约12.8%。

资本没有离开具身智能，但正在重新挑选下注对象。

此前最容易获得关注的是整机、双足、人形和现场演示；现在，模型、数据、仿真、核心零部件和商业化交付，开始获得更高估值。

有具身一级市场投资者调侃：除了整机不好卖，具身全身都是宝。脑子是世界模型，眼睛是激光雷达，手脚是高价值精工制造，皮肤是触觉材料学，就连要吃的饭也能撑起数采产业基地和数采设备商。

既然攒起来不好弄，先拆开单独融资拿钱找业务活下去，之后看情况再根据所处环节反攻具身整机也是最优解。

毕竟条条大路通罗马，说不定再过几个月散伙的具身饭才是最香的。

这可能也是禾赛手攥超200亿估值的Sharpa，还要再生一个数采二胎的原因。毕竟大势所趋下，多生孩子好套狼。

这个禾赛的具身二胎Kosmo One是一台手持式三维空间数据采集设备，集成激光雷达、8K影像系统和高精度IMU，负责采集真实物理空间；Kosmo World负责重建和处理，将原始数据转化为3DGS、Mesh和Depth三种空间对齐的数据格式。

禾赛披露，普通室内场景约15分钟可以完成100平方米扫描。这台相机的原始数据进入Kosmo World云平台，由底层系统Kosmo Spatial Core处理成三种同源数据格式，用于模型训练。

买下硬件的同时，客户就进入了禾赛的数据管线。

禾赛的判断是，具身智能落地需要超高精度物理世界坐标来抵消幻觉。

按照可规模化程度与机器人对齐程度划分，北京大学、南洋理工大学等机构合作发布的报告指出，当前具身智能数据大致可以分为五个层级。

第一层是使用互联网上的通用视觉语言数据，数量最大，价格最低，主要解决物体识别、语义理解和基础视觉能力。第二层是仿真数据，依靠三维资产、物理引擎、自动化脚本和遥操作生成，成本较低，适合规模化扩展。

第三层是人类第一视角视频。采集员戴上头戴设备或摄像头，在真实环境中完成操作，记录人与物体的交互过程；第四层是人类佩戴夹爪等设备，采集第一视角、手部动作、位姿和操作轨迹等数据；第五层是真机数据，直接来自机器人在真实环境中的操作，质量最高，成本也最昂贵。

Kosmo进入的，是第二层仿真数据的环境底座。通过高效率扫描，把现实世界的物理空间转化为数字资产，用于下游的仿真训练。

仿真训练的完整流程是重建三维场景，并赋予质量、碰撞体积等物理属性，再建立机器人本体模型，配置传感器、碰撞体和物理参数，生成带标注的训练数据。

禾赛正在为场景构建和数据生成提供三维采集和重建数据，扫描的是空间结构、颜色、纹理、深度和设备位姿。可以解决机器人应该在哪里训练，训练环境的墙面和地面分别是什么样。

但物理属性数据，需要客户在导入后接入Isaac Sim、Isaac Lab或其他平台，自行配置。

这与高精地图商在自动驾驶时代做过的事相近，不生产产品本体，是为这些智能体提供理解物理世界所必需的基础空间数据层，禾赛则是链条上游的数据供给商。

禾赛的野心藏在商业模式里。

车载激光雷达的商业模式是典型的硬件销售，单价一路下滑，至今仍在降价；高精地图的商业模式则在从一次性卖图，向按年服务费或动态服务底座转型。

在发布会前，禾赛CEO李一帆表示，我们不是为了卖激光雷达又造了一个Kosmo。而是要从硬件收入起步，转向数据与模型服务，最终构建包含海量空间模型的数字资产平台，供客户付费使用。

按照禾赛的规划，这一资产库的形成可能需要3至5年。一旦建成，禾赛就能摆脱硬件制造商身份，切入数据资产商赛道，完成估值身份的跃升。

在DQ冰淇淋门店案例中，禾赛讲述了一个智能取代人工的故事：

“以Sharpa机器人在DQ冰淇淋门店的应用为例：过去人工建模还原一家门店，专业团队需投入约300个小时；Kosmo约15分钟即可完成扫描并生成高度还原的三维训练环境，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%，最终在真实门店正式上岗。”

但案例没有展开的是，Sharpa由禾赛的CEO李一帆、CTO向少卿和首席科学家孙恺于2024年底共同创立。双方签订有《产品销售框架协议》，禾赛向Sharpa供应机器人动力模组。

案例本身强调的是Kosmo扫描即开即扫、方便好用、准确度更高，但对第三方客户来说，生成后的空间环境要导入仿真器，再导入机器人模型，经过一系列训练并进行优化，这需要大量人工标注和参数调试。

对机器人公司来说，一家门店是否真实还原，不能只看画面像不像。

机器人要在店里搬运、交互，要知道地面是否打滑、柜台承重多少、冰淇淋机按钮需要多大压力、物体移动时会产生怎样的摩擦和形变。空间扫描可以准确记录几何关系，却不会自动生成完整的质量分布和接触模型。

生成式路线则直接挑战了Kosmo的硬件扫描逻辑。

李飞飞团队与英伟达等联合发布的SimFoundry，只需一段真实世界的普通视频，就能自动生成一个具备交互能力的机器人仿真环境，实现零样本迁移。

智元机器人的Genie Sim 3.0能利用大语言模型驱动场景生成，输入自然语言指令可泛化出万级训练场景，并开源了包含上万小时仿真场景的数据集。

相较生成方案，扫描方案的软肋在于成本。每增加一个新场景，硬件、人力加上物理数据补全都要跟上，相较生成方案单次投入长期复用的模式，刚性成本更高。

对禾赛而言，Kosmo的竞争力不在于重建场景技术，而在于扫描设备的技术套装。一台非专业人员也能使用的手持测绘设备，一次重建，同步产出视觉外观、几何网格和深度信息，并通过语义分割识别场景中的物体。

多个环节打包成开箱即用的系统，这是Kosmo的优势所在。而这一切的前提，是客户真的刚需高精度真实扫描数据

眼下，禾赛正在同时推进四条业务线：汽车激光雷达、机器人激光雷达、Kosmo空间数据引擎和机器人动力模组。

这是一条从感知到理解再到执行的路线。公司希望把自己从汽车激光雷达供应商，升级为物理AI基础设施企业。发布Kosmo时，李一帆提出希望禾赛成为机器人产业的底层技术供应商，参照博世在汽车产业中的位置。

对比同样切入机器人的激光雷达企业，速腾聚创做机器人视觉平台，把传感器嵌入客户的开发工具链；图达通仍以高性能激光雷达为核心，布局1550nm和905/940nm多条产品路线，并将机器人、工业自动化等作为汽车之外的应用方向。览沃的Mid-360面向低速移动机器人，主打360度感知、导航和避障，产品强调低成本和易集成。

而禾赛进入机器人市场的第一步，仍然是卖雷达。

2026年春晚上，宇树的演出机器人使用了禾赛的迷你型3D激光雷达JT128，用于完成三维SLAM、定位和导航感知。2026年第二季度，禾赛机器人激光雷达出货量同比增长193.4%，机器人已成为禾赛出货结构中的增量源。

但出货量增长，不等于禾赛掌握机器人系统。

博世模式的核心是系统集成商。车企不必从零整合底层硬件，博世交付经过验证、接口标准化的系统模块，车企在上面做整车集成和差异化。

背后逻辑是，汽车行业有百年的标准化接口与分工体系，买现成系统比自己攒更高效。

机器人厂商采购JT128时，通常把它当成感知输入。机器人的规划、动作策略和数据闭环仍然掌握在本体厂商手里，禾赛产品要和一系列软硬件协同工作。

这意味着，车企绕开博世，要切换一整套系统；本体厂绕开禾赛，可以选非激光雷达方案，可以选竞品切换供应商，甚至可以自研。

对标汽车供应链的成熟分工，具身智能面临的是高度碎片化的供应链，本体厂的减速器、电机、驱动器、传感器和控制板卡往往分别采购，拿到零件后，还要自己解决热管理、振动、接口、标定、精度衰减和安全诊断。

这是禾赛的矛盾所在，公司希望借助激光雷达、Kosmo和动力模组成为机器人的一级供应商，CEO李一帆也明确表示，禾赛的定位更接近平台型Tier 1供应商，不止售卖硬件，还包含软件、服务等多元形态。

但机器人本体厂商仍然掌握数据管线和控制闭环，拥有绕开单一供应商自建感知融合与场景建模的能力，被客户替换的成本并不高。

Kosmo要成为基础设施，仍需继续向后延伸。空间采集之后，要接入传感器标定、视觉融合、SLAM、仿真格式转换、动作数据、任务评估和部署反馈。

禾赛不必包办所有环节，但必须让客户在使用其产品时少做一轮工程适配，证明自己能交付让客户快速迭代的系统平台。