" 我们不是为了卖激光雷达又造了一个 Kosmo。" 发布会开始前，李一帆先把这句话撂在了前面。一个靠激光雷达被行业记住的公司，突然拿出一台 8K 空间相机和一个云平台，第一反应很容易被理解成 " 又扩产品线了 "。他的意思恰恰相反：这次要卖的东西，不太像硬件。

Kosmo 是禾赛近日发布的三维世界数据引擎，由两部分组成。硬件是全球首款 8K 超高清 AI 空间相机 Kosmo One，软件是 AI 驱动的云平台 Kosmo World。前者负责采集真实世界的空间信息，后者把这些信息重建成能被 AI 理解、交互和训练的三维场景。

过去禾赛主要向汽车和机器人提供感知硬件。现在它想再往前一步，参与物理 AI 的训练过程，把真实世界转成可供 AI 使用的数据资产。按李一帆的说法，这是从零部件提供商走向物理 AI 核心基础设施提供商的第一步。

一台相机，15 分钟扫完 100 平方米

物理 AI 要规模化，绕不开两个问题：机器人怎么在真实世界里完成动作，AI 又从哪里拿到足够多、足够好的真实世界数据。禾赛围绕这两件事布了两项业务，机器人运动引擎和三维世界数据引擎，Kosmo 是后者的首次系统性产品化落地。

Kosmo One 是这套系统的数据入口。它把高空间分辨率激光雷达、8K 超高清影像系统、一英寸大底 CMOS 和高精度 IMU 集成在一台设备里，同步采集真实环境的空间几何、色彩、纹理和设备位姿信息。为了降低采集门槛，它支持即开即扫、智能指引和一键续扫，在普通室内场景中，完成 100 平方米空间的扫描约需 15 分钟。

扫出一个逼真的三维场景只是第一步。对具身智能来说，场景不光要看起来真实，还得能被机器人理解，用于训练和验证动作，这是 Kosmo World 的位置。它的底层是禾赛自研的 AI 原生三维空间重建与理解系统 Kosmo Spatial Core（KSC），能从同一份采集数据中同步生成 3DGS、mesh 和 depth 三种形态的三维数据。

3DGS 负责还原场景的视觉外观，让机器人训练时看到的画面更接近真实世界；

mesh 是由网格构成的三维模型，可用于物体的拆分、建模与交互；

depth 提供空间距离信息，帮机器人判断物体的位置和远近。

三种数据对应具身面临的不同问题，合起来，真实空间就不只是一个供人观看的三维模型，而能进一步转成适合机器人训练和仿真验证的环境，也就是 sim-ready 数据。

为什么不全靠 AIGC 生成

李一帆对生成式 AI 的态度很明确：物理 AI 对真实世界数据的需求，很难仅靠它满足。" 如果你完全用 AIGC 去生成完全虚拟的训练数据，真正获得的新鲜的信息就很有限。" 他的判断是，生成式 AI 可以基于已有信息补全场景，但缺乏新的真实世界信息时，模型对现实环境的理解仍然有限，训练效果也会受影响。

合成数据并非没有价值。对具身智能来说，它能帮开发者扩充训练场景、覆盖更多边界情况，前提是生成的环境和物理规律足够可信，且能补上真实数据里缺失的信息。Kosmo 想走的路是：从真实世界获取高保真空间信息，再借 AI 重建与补全，转成能反复使用的训练资产。

李一帆认为这条路径有机会同时缓解两个问题：仿真环境与真实环境之间的差距，即 Sim-to-Real Gap，以及在真实物理环境中采集训练数据的高成本。

商业化被分成了三个阶段。最直接的是硬件收入，卖 Kosmo One；其次是面向企业客户的数据与模型服务，客户提供场景，禾赛负责采集、重建并交付可用的三维模型，模式有些类似 MaaS（Model as a Service，模型即服务），客户买的是处理后的结果，背后涉及算力和模型生成服务；更长期的目标，是把采集和重建形成的三维数据沉淀为可反复使用的数字资产。

李一帆希望，随着平台积累的空间模型越来越多，用户不必亲自扫描每一个场景，也能直接找到符合行业需求的资产。" 这个可能需要至少 3 — 5 年才能建设出来。" 他预计。这意味着 Kosmo 的商业化不只取决于相机能卖多少台，还取决于它能否持续压低空间数据的采集、加工和使用成本，以及这些数据能否在不同客户和任务之间复用。

发布会上，禾赛 Kosmo 与银河通用机器人、原力灵机签署了战略合作，并展示了与迪士尼旗下皮克斯工作室、高德等合作的行业案例。这些合作指向的是三维世界数据在机器人训练之外的应用，比如影视媒体、文旅文博。

驱动器被类比成电池

" 今天看似我们是在聊 Kosmo，但我觉得真正想跟大家交流和汇报的，不是 Kosmo 一个产品。" 李一帆说。禾赛真正想讨论的，是从零部件提供商走向基础设施提供商的过程中，它看到了什么机会，以及为什么认为自己有能力参与其中。

在他看来，物理 AI 2.0 的终极目标是通用机器人，但行业注意力目前主要集中在模型和应用层，机器人硬件、计算和数据这些底层基础设施还有大量问题没解决。数字 AI 能快速发展，一个重要前提是底层基础设施已相对成熟；物理 AI 不同，机器人要在现实中移动、感知和操作，模型能力必须通过硬件执行，训练也离不开真实环境的数据。这是禾赛同时布局运动引擎与数据引擎的原因。

李一帆强调，这不是一次与原有业务割裂的转型，而是技术能力的外延。精密机械传动、芯片、伺服电机、电磁材料，以及集成、制造工艺和量产验证，都与禾赛此前的积累相关。Kosmo 只是第一步，后续还有机器人关节驱动器等产品布局。他把驱动器的重要性类比为电动汽车时代的电池，会直接影响整机性能、成本和产品化进程。

禾赛的思路是让机器人真实的动作需求反过来定义硬件，即 AI-Defined Hardware。硬件不该只是被动承接算法要求的部件，还要根据 AI 在真实环境中的任务需求，重新设计驱动能力与机械结构。

Sharpa 是这套思路的另一端落点。其灵巧手拥有 22 个主动自由度，首款旗舰触觉灵巧手 Wave（W01）正是基于禾赛的动力模组打造。禾赛称，相比同类产品，其动力模组体积缩小了 37%，功率密度提升至 3 倍。截至 2026 年第二季度末，禾赛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拓展，公司预计 2027 年动力模组出货量将达到六位数。

Sharpa 在操作端积累了大量需要验证的想法，能较快反馈给禾赛团队；禾赛改进动力模组后，又可以迅速交给 Sharpa 测试，形成研发闭环。

十年前从激光雷达出发，禾赛已经具备空间感知、芯片设计、精密制造和规模交付等能力，现在它希望把这些积累延伸到更大的产业链环节。但基础设施业务和零部件业务的成功条件并不相同：动力模组要证明性能、可靠性和成本优势，Kosmo 则还要证明生成的数据能切实改善训练效果，并在不同场景中形成可重复的价值。禾赛的 2.0 能否成立，最终不只取决于它推出了多少新产品，而取决于这些底层能力能否成为机器人公司真正愿意采用、持续使用的基础设施。