李飞飞转身买下机器人“训练场”，具身智能的仿真瓶颈被突破？
随着美加墨世界杯的硝烟散去，足球场上的传奇梅西在商业领域完成了一次精彩的“射门”。Play Time 官网最新信息显示，这家由梅西旗下、成立于 2022 年的体育科技控股与投资平台，已将李飞飞创办的空间智能企业 World Labs 纳入投资组合。
这一动作并非孤立事件。与 World Labs 并列进入 Play Time 视野的，还有机器人公司 FieldAI、物理世界基础模型公司 Perceptron、3D 工具 Intangible 以及 AI 数据平台 SuperAnnotate。这一组合清晰地勾勒出 Play Time 的战略重心：集中押注空间智能赛道。
当然，需要厘清的是，梅西本人并不直接参与具体的投资决策。在这个架构中，他更多扮演的是核心 LP（有限合伙人）和品牌背书者的角色。但正是这种“明星资本+专业团队”的模式，让这笔投资产生了超越金额本身的意义。
一、 从芯片巨头到体育明星：资本叙事的跨界迁移
在过去很长一段时间里，与“世界模型”和空间智能联系最紧密的投资者群体相对固定：
- 芯片巨头：如英伟达、AMD，它们需要强大的算力生态支撑；
- 工业软件公司：如 Autodesk，寻求设计与模拟软件的智能化升级；
- 专业风险投资机构：深耕硬科技与前沿 AI 领域。
现在，以体育明星为核心的投资平台开始入局。这释放出一个重要信号：“世界模型”正在从少数研究者和技术公司的内部议题，演变为更广泛资本叙事的一部分。
明星资本的进入，首先带来的是巨大的关注度、品牌资源和跨圈层的传播能力。对于 World Labs 而言，这种非技术性的赋能不容小觑。但与此同时，我们也必须保持清醒：这不应被简单解读为对底层技术的背书。
更深层次的观察指向了 AI 重心的整体迁移：行业焦点正从理解文本、生成内容，转向理解空间、预测物理变化，并最终驱动机器人在现实世界中执行复杂动作。
二、 World Labs 的野心与边界：Marble 只是起点
今年 2 月，World Labs 完成了 10 亿美元的巨额融资。官方将机器人、科学发现、创意与内容生产并列为世界模型的潜在应用方向。
但在公众认知中，World Labs 最具代表性的产品仍是 Marble——一款生成 3D 世界的工具。
- 功能：根据文字、图片、视频或空间草图，生成结构连贯、可探索和可编辑的 3D 环境。
- 价值：对游戏、影视、建筑设计和虚拟内容创作具有直接商业价值。
- 局限：仅靠内容生成能力，很难单独支撑起 World Labs 更长远的产业野心，尤其是通往通用机器人的道路。
机器人场景提供了另一种想象空间。在这里，世界模型不再仅仅是数字内容的生产线，而是可能成为训练、测试和评估智能系统的基础设施。
三、 收购 SceniX：补齐“物理仿真”的关键短板
为了回应产业期待，World Labs 正在采取行动。近日，其宣布收购由斯坦福学者李昀烛等人联合创办的机器人仿真公司 SceniX。
1. SceniX 做什么？
SceniX 不生产人形机器人，也不参与整机竞争。它的定位非常清晰：为机器人搭建虚拟训练与测试环境。
其业务覆盖全流程：
* 交互数据生成
* 策略训练
* 性能评估
* 真实部署前的故障和极端情况测试
2. 为什么需要 SceniX？
早在 2025 年 11 月，World Labs 就展示过 Marble 在机器人训练中的应用：利用 Marble 生成厨房、住宅等 3D 环境，再导入 MuJoCo、RoboSuite 或英伟达 Isaac Sim 进行实验。
但这暴露了明显的能力边界：
* Marble 负责生成静态空间和视觉背景；
* 机器人需要操作的物体（锅具、箱子等）需从其他工具导入；
* 复杂的接触、柔性物体变化和策略评估，仍依赖外部仿真系统。
核心痛点在于：World Labs 能快速搭建“训练场”，但尚未完全掌握训练场里的“物理规律”。
如果一只杯子在视觉上很逼真，但机械臂碰到它时它却凭空移动；或者机器人明明捏住了绳子，画面中绳子却穿过夹爪——那么这个仿真世界对机器人训练毫无价值。因为机器人学习的不仅是外观，更是动作与后果之间的因果关系。
3. “渲染、仿真、规划”三角中的缺失一环
今年 6 月，李飞飞团队发表长文，将当前统称为“世界模型”的系统拆解为三种功能：
| 功能模块 | 核心任务 | 成熟度 |
|---|---|---|
| 渲染器 | 输出人眼可见画面，追求视觉逼真 | 最成熟 |
| 规划器 | 根据观察和目标决定下一步动作 | 最受关注 |
| 仿真器 | 输出几何、物理和动力学状态，要求因果可信 | 往往被低估 |
李飞飞坦言，Marble 只是进入仿真领域的第一步。它能同时生成高斯点云（用于视觉）和碰撞网格（用于物理引擎），但距离统一处理几何、材料、动力学和动作规划的完整世界模型仍有差距。
SceniX 补的正是“仿真”这一环。
SceniX 采用“混合仿真”路线：
* 传统物理引擎：提供可解释的几何、力学和因果约束；
* 学习式模型（神经网络）：处理柔性物体、复杂摩擦和密集接触中难以用固定方程描述的变化。
四、 填补“Real-to-Sim”鸿沟：从验证到生成
SceniX 瞄准的是机器人行业的长期痛点：Real-to-Sim（从现实到仿真）的鸿沟。
当前人形机器人硬件迭代迅速，但智能能力进化受制于物理测试。实机调试成本高、速度慢，且高危场景难以复现。因此，仿真成为规模化训练的必选项。然而，许多仿真环境过于理想化（“太假”），导致机器人在虚拟环境中学会的技能，回到现实后因细微偏差而失效。
正如 SceniX 联合创始人李昀烛所言：“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。”
技术演进路线
2025 年，SceniX 团队与哥伦比亚大学、Google DeepMind 合作发表论文，验证了利用 3D Gaussian Splatting 从真实视频中重建柔性物体数字孪生的可行性。这项研究证明了仿真环境可以较准确地反映真实硬件的表现。
此后，SceniX 沿着两条技术路线深入：
-
Interactive World Simulator（交互式世界模拟器）
- 利用真机交互数据训练可实时响应动作的世界模型。
- 使仿真环境不仅能评估策略，还能生成用于训练的新数据。
-
PGRD（物理引导残差动力学）
- 结合物理模型与神经网络残差。
- 以更低的数据成本刻画绳索、毛绒物体等复杂形变。
这两条路线分别扩展了仿真的数据生产能力和物理可信度。SceniX 的技术边界，已从“复刻现实并验证策略”，逐步延伸到“持续生成机器人经验”。
五、 结语：互补共生，构建完整闭环
World Labs 与 SceniX 的结合，形成了一种清晰的互补关系：
- Marble (World Labs)：擅长生成多样、可探索且具有持续性的 3D 空间，解决“世界如何被生成”的问题，扩展机器人训练环境的数量和覆盖面。
- SceniX：让空间中的动作、接触与物体变化更接近现实，解决“生成的世界能否用于训练和验证”的问题，确保物理规律的可信度。
李飞飞评价 SceniX 的能力“不只停留在实验室演示，其技术已经在真实机器人硬件的实际部署中得到验证”。
随着 Play Time 的投资入局，这笔交易不仅带来了资金与流量，更标志着空间智能赛道正式进入“内容生成+物理仿真+机器人落地”的全链路竞争阶段。对于整个 AI 行业而言，这或许是一个比投资金额更值得关注的信号：世界模型的下半场，属于那些能真正理解并模拟物理现实的玩家。