人形机器人，可能不是正确答案

2026年盛夏，AI教母李飞飞在一场与顶级风投a16z的深度对谈中，抛出了一个让整个具身智能圈沉默的判断。与此同时，三条反认知观点迅速在行业内引发热议：

第一，数据和评测，会成为机器人行业的基础设施——这是最大的铲子；

第二，仿真训练是算力的新增量——机器人还没放量，仿真算力先放量；

第三，仓储物流这种半结构化场景里的专用机器人，大概率会比人形机器人先跑出来。

图片来源：Youtube

这一判断并非空穴来风。就在此前不久，李飞飞创立的World Labs宣布收购顶级机器人仿真公司SceniX，明确提出要构建一个可规模化的 “数字训练场” ——不造机器人本体，而是给所有机器人“办学校”。通过“真实-仿真-真实”（Real-to-Sim-to-Real）的完整训练闭环，利用仿真环境生成数据来替代昂贵、缓慢且危险的真实数据采集。

李飞飞在访谈中直言：“训练数据和评估数据都非常匮乏”。她指出，机器人落地的最大瓶颈不在硬件，而在于数据的极度稀缺和评测体系的低估。语言模型的数据在网上几乎无限，但机器人缺乏可规模化的数据来源。“真实环境评估不仅慢，而且还危险而昂贵。相比之下，仿真环境具备完全的可控性与可解析性，在可靠性和效率两方面都能提供独特价值”。

她进一步强调：“具体用哪个模型其实不重要，因为模型总会换代，但基础设施不会。”

如果说World Labs给地面机器人建的是“数字训练场”，天耀宏图给低空飞行器建的则是一个“数字安全考场”——EchoMos天耀蜂巢具身智能低空仿真训练场。

低空飞行器的安全验证难度远超地面机器人：城市峡谷、山区密林、电磁干扰——卫星信号随时可能丢失；气象突变、障碍物遮挡——极端场景难以复现。据预测，2026年低空经济市场规模有望突破万亿元。万亿赛道加速铺开，但安全保障如何跟上产业扩张速度？

EchoMos基于天耀万象GreatMap物理世界模型，依托空间真值数据生成引擎、物理仿真引擎、合成传感数据引擎三大核心引擎，让低空飞行器在飞向真实天空之前，先在数字世界中完成上万次极端场景的飞行训练与安全验证。从数据生成到场景应用，构建起完整的“虚拟训练→真机验证→数据回流”闭环。

正如李飞飞所言，仿真具备真实数据无法替代的关键价值——“反事实推理与极限边界测试” 。仿真能让机器人在数字世界中无成本地演练极端、高危或现实中极少发生的场景，在大幅提升训练速度的同时赋予系统更高的可靠性。

当World Labs为地面机器人建起“数字训练场”，天耀宏图为低空飞行器建起了“数字安全考场”。 让每一架无人机在飞向天空之前，先在数字世界中完成充分训练与安全验证——这正是天耀宏图的“低空答案”，也是物理AI时代中国企业在世界仿真训练场竞速中交出的答卷。