一家服装科技赛道巨头，为什么入局具身智能？
物理AI的黄金时代，或许真的来了
四月底，群核科技在港股上市，两天内股价暴涨近400%。这家家居科技赛道的头部公司，用十五年时间积累了海量真实物理参数的3D模型数据，如今成功冲刺“杭州六小龙”第一股，被许多人视为拉开了“物理AI”时代的序幕。
有趣的是，同在杭州，另一家行业巨头也在做着类似的技术布局。
但与群核科技主攻的“3D刚体仿真”不同，这家公司瞄准的，是技术难度极高、数据却极端稀缺的“3D柔性仿真”赛道。
今年二月，凌迪科技发布了自研的物理仿真与合成数据系统SynReal。作为服装科技赛道的巨头，凌迪在十年间积累了海量的布料“3D柔性数据”。其SynReal系统旨在降低具身智能仿真的训练成本，同时提升数据吞吐效率。例如，今年春晚上亮相的银河通用叠衣机器人，其背后就有凌迪科技的部分技术支撑。
银河通用春晚叠衣机器人 （图源/企业）
那么问题来了：“柔性仿真”究竟难在哪里？为何它被称为“具身智能圣杯”？一家服装科技公司，又为何选择跨界机器人赛道，它的底气从何而来？
故事，不妨从“机器人叠衣服”这个经典难题说起。
01 机器人，连衣服都不会叠
当你觉得具身智能机器人已经足够聪明时，不妨让它叠件衣服试试。
这个能负重、能长跑，甚至半马成绩都能超越人类的尖端科技造物，面对一件普通的T恤，却很可能铺不平、抓不稳、叠不齐，瞬间变得手足无措。
当然，市面上也有能“叠好”的解决方案，其实现路径主要分两种：
一种是把动作程序“写死”。衣服必须被预先放置在指定位置、铺平摆好，机器人再执行一套固定的动作流程。这更像自动化，而非智能。
另一种则更“聪明”一些，机器人能够灵活抓取不同衣服，即便有人为干扰也能继续任务。但代价高昂：它需要耗费半年以上时间采集真人操作数据，作为训练素材。一旦场景、灯光、桌面材质甚至衣服面料发生变化，这些昂贵的“教材”几乎无法复用。
于是，一个很自然的想法产生了：能否在电脑里构建一个符合真实物理规则的“虚拟世界”，用代码来训练机器人呢？
答案是肯定的。这正是许多科技巨头选择的路径，例如英伟达的Issac、微软的AirSim、被DeepMind收购的MuJoCo等。与纯粹的大模型等AI软件不同，这条路径与物理世界深度绑定，因此常被称为“物理AI”。
然而，当前的物理AI领域，“刚性数据”占据了绝对主流。打开主流数据库，充斥眼帘的是方块、机械臂、规整的几何体。它们易于定义，便于计算。
但现实世界远非如此。从我们身穿的衣物，到超市里的水果；从随手揉捏的塑料袋，到人体自身的皮肤……至少三分之一的物体，是“柔性”的。
刚性物体的运动轨迹相对确定。而一块柔软的布料，每根纤维都在自由飘动。当机器人试图抓取它时，施加的微小力道会引发复杂的连锁反应。褶皱如何产生？布料如何垂坠？每一个点的形变，都牵连着整体形态。在3D仿真中，一块普通布料可能被离散成数万个顶点，每个顶点拥有多个自由度，由此带来的计算量是天文数字，难度呈指数级飙升。
凌迪科技形柔性3D仿真技术（图源/企业）
而当两个柔性物体接触时——比如叠衣服，是布料与布料自身的折叠与接触——其物理交互的复杂性堪称“地狱难度”。
这也正是“柔性3D仿真”被誉为“具身智能圣杯”的原因：数据量极少，计算难度极高，却是具身智能迈向实用化必须攻克的核心堡垒。试想一下，如果未来的养老机器人将人类躯体当作不会形变的“刚体”来处理，那将带来多么可怕的后果。
02 服装界，出了个“扫地僧”
“柔性3D仿真”的难题，困扰了产业界多年。当聚光灯都打在机器人公司和AI实验室身上时，谁也没想到，真正的破局者会来自一个看似“不相干”的领域——3D服装科技。
一片虚拟布料如何垂坠？如何飘动？如何与另一块布料缠绕、弯曲、拉伸、折叠？这些在物理仿真领域被视为“地狱级”的难题，恰恰是凌迪科技的日常功课。
这家成立于2015年的公司，在近十年间积累了海量、高质量、且极度稀缺的“3D柔性仿真数据”。作为服装科技领域的隐形冠军，它不仅常年位列杭州《准独角兽企业榜单》，更凭借其柔性3D仿真技术，跻身《杭州具身十八罗汉》之列。
当然，光有数据积累是不够的。在过去十年里，凌迪科技的研究团队在柔性物体物理仿真的基础研究上，进行了长期而深入的投入。其在SIGGRAPH等全球图形学顶会上发表了多项研究成果，涵盖形变体物理仿真、复杂接触处理与高性能数值计算等核心前沿问题。
2025年凌迪科技论文成果（图源/企业）
所以，当具身智能行业还在为“叠一件衣服”的数据焦头烂额地采集半年时，凌迪科技的“武器库”里，早已储备了长达十年的弹药。当整个产业苦于柔性仿真计算的“地狱难度”时，凌迪的基础研究，正在为这个难题系统性地寻找解法。
如今，这位深耕多年的“扫地僧”正式走向台前。凌迪科技推出的SynReal物理仿真与合成数据系统，正是其十年功力凝聚的“集大成之作”。它试图捧起那座“圣杯”，让机器人真正学会触摸“世界的柔软”。
03 3D仿真，决定具身智能的上限
SynReal系统主要由三部分构成：
1. SynReal Sim——高保真仿真引擎；
2. SynReal Arena——具身智能训练平台；
3. SynReal Core——基于大规模合成交互数据训练而成的模型。
听起来有些复杂？不妨打个比方：SynReal Sim负责创造一个高度逼真、符合物理规则的“虚拟世界”；SynReal Arena为机器人提供“虚拟训练场地”；SynReal Core则扮演“教练”角色，让机器人在训练中学习和形成能力。
三者组合，便构成了一所高效的“SynReal机器人训练学校”。机器人可以在其中进行一分钟高达千百万次的“虚拟训练”，逐渐掌握与物理世界打交道的技巧，从学校“毕业”后，再进入真实世界“上岗”。
与SynReal这类“虚拟学校”思路相对的，是另一种依赖人工采集数据进行训练的“人教版”模式。
“人教版”的优势在于技术实现相对简单，且数据源自真实世界，包含丰富的细节和环境噪声，有助于机器人适应现实环境。
但其劣势也极其明显：贵，太贵了，而且费时费力，难以泛化。要知道，高质量演示数据的采集常常以“月”甚至“年”为单位，单个任务耗费专业团队数月时间、成本动辄几十万到数百万元并不罕见。相比之下，仿真平台可以在几小时内生成数百万条涵盖丰富变化的数据轨迹，这种成本与规模优势，是“人教版”难以企及的。
而相较于其他物理AI仿真平台，“真、快、稳”是SynReal的三个突出优势。
首先是“真”。在海量刚性、柔性3D仿真数据的储备加持下，SynReal不仅能提供更真实、更复杂的训练环境，其静动力学计算的准确性也更高。数据显示，其误差较之行业标杆英伟达Issac Sim还要减少近20%。
高保真物理仿真效果 （图源/企业）
其次是“快”。仿真速度是“机器人虚拟学校”的核心指标之一，直接决定了数据生成能否规模化。凌迪的技术团队围绕GPU并行计算架构，重构了“柔性3D仿真”的整体流程，大幅提升了仿真吞吐能力。其仿真速度较之Issac Sim快5-10倍，显著提升了机器人训练效率。
最后是“稳”。单一柔性物体的仿真已属不易，多个柔性物体接触时的交互则难度“爆炸”——正如3D游戏里头发、衣物最容易“穿模”一样。为了解决这一痛点，凌迪技术团队在仿真中引入了基于IPC（增量势能接触法，源于SIGGRAPH 2020的前沿思路）的路径计算方法，使得SynReal在多点、多层、自接触频繁变化的复杂场景下，也能保持极高的仿真稳定性，从而让机器人获得更可靠的学习结果。
道理很清晰：只有更逼真、更高效、更稳定的“虚拟学校”，才能训练出更聪明、更灵巧、更能适应复杂现实的具身智能机器人。
在人工成本日益高企、机器人训练需求爆炸式增长的今天，利用海量、低成本、高质量的仿真数据来训练机器人，无疑是大势所趋。
也只有经过“虚拟学校”的千锤百炼，机器人才能真正降低成本，从耗资巨大的“实验室珍品”和“舞台表演者”，蜕变为可大规模部署的“社会劳动力”，最终走进家庭、融入千行百业，承担起洗衣、烹饪、养老、陪伴等实际任务。
历史的转折，常常由“跨界者”推动。正如英伟达的“老本行”是游戏显卡，小米最初以“发烧友手机”立足，许多技术突破与行业引领，都源于跨界带来的新视角。
“跨界者”携带着截然不同的产业基因，用自身领域的深厚积累，“换道超车”般地解决旧领域的顽固痛点。他们没有陈旧的思维定式，只带来解题的新工具与新视角。
柔性3D仿真，正是当前具身智能产业的关键技术分水岭。而坐拥整座柔性3D模型数据宝库、拥有十年技术沉淀的凌迪科技，恰恰是产业当下最需要的那种“跨界者”。
它将服装科技领域积累的柔性仿真技术，与为并行计算深度优化的工程能力相结合，构建出既极度逼真、又高效稳定的SynReal“虚拟训练场”，直指机器人训练产业“贵、慢、难泛化”的核心痛点。
不可否认，今天的机器人离普通人的生活依然遥远。过去十年，是软件AI突飞猛进的十年，我们见证了神经网络、深度学习乃至大语言模型的崛起。
但正如网络上那个广为流传的段子所调侃的：“我希望AI可以帮我洗衣服洗碗，这样我可以有时间来搞艺术和写作。而不是AI代替我搞艺术和写作，我来洗衣服洗碗。”
或许，在未来十年里，谁能够真正掌握并驾驭“物理AI”，谁就能定义下一个智能时代的方向与面貌。