从“看见”到“理解世界”，禾赛 Kosmo 打开激光雷达的新场景

当大模型的能力开始从屏幕走进工厂、门店和家庭，机器人最缺的或许不再是一次漂亮的演示，而是足够真实、足够可用的三维世界数据。10 月 14 日，禾赛科技在上海发布 Kosmo 三维世界数据引擎，试图把激光雷达、8K 影像、空间重建与云端生成能力连接起来，为具身智能提供一套从采集到训练的数据工具。

这并不是禾赛第一次把产品带到汽车之外。长期以来，激光雷达更多被视作智能汽车的环境感知部件；而这次发布的 Kosmo，指向的是机器人、世界模型、数字内容和空间计算等更广泛的物理 AI 场景。禾赛联合创始人兼 CEO 李一帆在现场所强调的，是让机器从 " 看见 " 走向 " 理解并作用于 " 真实世界。

物理 AI 进入下一阶段 数据开始成为基础设施

大模型训练可以依靠互联网沉淀的文本、图片和视频，自动驾驶也积累了大量道路数据；但机器人面对的是更细碎、更立体的室内空间。货架边缘、透明物体、桌面遮挡、物体之间的相对位置，都会影响抓取、移动与操作。仅有二维画面，难以完整描述这些关系；只依靠真实机器反复采集，又往往成本高、效率低。

Kosmo 的切入点，正是把一次现场采集转化为可持续使用的空间资产。Kosmo One 集成高空间分辨率激光雷达、8K 相机、高精度 IMU 等传感器，并通过微秒级时间同步获得同一空间的多模态信息；再配合 Kosmo World 云端平台完成三维重建、语义处理、资产管理以及仿真数据生成。

按禾赛给出的现场数据，一处约 100 平方米的普通室内场景可在约 15 分钟内完成扫描，平台可基于 3DGS 等技术生成可用于仿真的三维场景。这样的效率是否能在不同光照、材质和复杂度的环境里稳定复现，仍需要更多项目验证；但从方向上看，它解决的是具身智能训练中 " 数据从哪里来、如何反复用 " 的问题。

从一次采集 到可生成的机器人训练场

与银河通用机器人、原力灵机等伙伴的合作，是本次发布会中更直观的应用环节。现场展示中，机器人在零售场景中完成取放、服务等动作。以 DQ 冰淇淋门店为例，禾赛介绍，过去需要较长人工建模周期的场景，可以通过 Kosmo 采集并建立三维训练环境，再让机器人在仿真中完成大量试错。

这背后真正值得关注的，不是把线下门店做成一个更精细的数字孪生，而是将同一空间变成可被反复调用的 " 训练场 "。如果系统可以生成不同轨迹、不同扰动和不同任务条件下的数据，机器人就不必每一次都回到真实门店重新采集。对仍在寻找规模化落地路径的具身智能行业而言，数据生产效率会直接影响训练成本和迭代速度。

禾赛的角色正在从传感器供应商向数据工具提供者延伸

从产品逻辑看，Kosmo 不是一台单独的空间相机，而是禾赛把激光雷达能力往上游延伸的尝试。硬件负责获得稳定的空间尺度，算法负责让数据成为可理解的场景，平台则让场景进入仿真、训练与部署流程。它所面对的客户也不再只有车企，还包括机器人公司、世界模型团队、内容制作方以及需要管理真实空间资产的行业用户。

禾赛在现场同时提到，Kosmo 已与英伟达 Isaac Sim、Isaac Lab、Unreal Engine、RenderMan、Houdini 等工具链进行适配，并与高德地图合作探索三维重建内容在地图产品中的应用。对一家激光雷达企业而言，连接更广的软件生态并不只是新增功能，而是决定硬件能否真正嵌入客户工作流的关键。

热点科技观察 物理 AI 竞争不只是比模型 也要比数据闭环

眼下，具身智能最容易被看见的是人形机器人本体和大模型能力，但真正影响落地速度的，往往是那些不够 " 显眼 " 的环节：场景采集是否足够快，数据是否足够干净，仿真是否贴近真实，训练结果能否回到实际环境中验证。它们共同构成了物理 AI 的数据闭环。

禾赛发布 Kosmo 的意义，在于把激光雷达的高精度空间感知，从单点部件能力变成一套可交付的数据生产工具。要建立起长期价值，Kosmo 仍需回答几个现实问题：面对大规模多样化场景时，重建质量如何保持稳定；生成数据与真实部署之间能否缩小差距；软硬件平台又能否被更多开发者接受。

不过，随着机器人开始从实验室走向门店、仓储和工厂，行业需要的不只是更会 " 思考 " 的模型，也需要一条能把真实世界不断带回模型的管道。对禾赛来说，这或许正是从 " 让机器看得更远 "，迈向 " 让机器更懂世界 " 的下一步。