刘郴（左）王华民（右）
推荐语
2026年，具身智能行业最激烈的争论之一是：机器人究竟该如何学习这个世界。一直以来，具身智能领域对于仿真、真机、视频等各种数据路线的分歧争执不下。今年随着人类第一视角数据的热度持续上升，相关的讨论又在持续发酵。
但一个越来越明确的趋势是：无论是机器人公司，还是基础设施巨头，都开始重新把目光投向仿真。
访谈中，凌迪科技首席科学家王华民几乎开场便否定了这个二元对立的问题本身。“不能单一化、绝对化，核心看落地场景。具身智能的训练数据一定是多源融合，不会全靠仿真，也不会全靠真机，不同落地场景会有不同配比。”
在他看来，当下行业最大的误区，不是数据不够，而是很多人并没有真正理解：为什么高质量物理仿真，会成为未来 Physical AI 的核心基础设施。“仿真从来不是真机的平替，而是泛化能力的基础。”
对于具身领域的仿真技术发展，王华民的判断也很直接：当下整个具身领域的仿真技术，整体水平非常落后。当下具身行业所用的仿真技术，对比图形学学术圈已成熟的前沿技术，至少落后10到20年。“很多还停留在十年前的技术框架，或者直接借鉴游戏引擎改造而来。”
这个判断，并不只是来自学术视角。从2015年创立开始，凌迪科技几乎一直埋头于一个极难的方向——形变体物理仿真，瞄准服务领域。过去十年，凌迪科技一边服务全球服装产业，一边持续打磨底层仿真引擎。如今，其客户已超过3000家，并与全球多家具身智能公司、科研机构建立合作关系，是仿真领域真正的隐形冠军。
更关键的是，它并不是一家典型意义上的“产业软件公司”，也同时拥有着全球科研密度最高的仿真研究团队——近两年，凌迪在计算机图形学与人工智能国际顶会顶刊 SIGGRAPH 上发表论文20余篇；十年间，以第一作者或通讯作者身份发表50余篇顶级论文。在全球形变体仿真领域，这样的研究密度极为罕见。
这种“产业+研究”的双线布局让凌迪的技术突破也处于全球领先的位置，王华民透露，目前公司实现了衣物这种高难形变体场景Zero-shot仿真泛化能力，“在现有公开可落地的案例里，没有第二家做到。”
本次访谈中，凌迪科技创始人刘郴、首席科学家王华民，首次系统性拆解：从服装仿真到具身智能，十年技术沉淀背后的底层逻辑、全球竞争格局，以及对Physical AI规模化卡点的冷静判断。
在这个越来越喧闹的具身智能赛道里，凌迪科技代表的是另一种少见的路径：它没有从机器人开始，却最终走向了机器人；没有先追逐风口，而是在一个极难的技术方向里，提前埋下了通向下一代 Physical AI 的基础设施。
以下是本次访谈的内容实录，经编辑修改，enjoy～
我们在全球柔性体仿真领域处于第一梯队，天然能承接需求。多年积累的面料数据、形变体数据，也能在具身赛道全新复用。底层技术、核心产品逻辑没有本质变化，更多是工程落地和产品定义的微调。
当下整个具身领域的仿真技术，整体水平非常落后。当下具身行业所用的仿真技术，对比图形学学术圈已成熟的前沿技术，至少落后10到20年。
行业有多条技术路线，但任何一条路线，都要先把技术做到极致，才有资格评判好坏、适配场景。如果连自身技术框架都还停留在落后状态，根本没法客观对比路线优劣。
我首先不认同「有现实鸿沟就必须依赖真机」这个逻辑，这是对AI泛化能力的不自信。举个通俗例子：人在地球会走路，到月球重力环境不同，依然会走路；会叠普通衬衫，换丝绸材质衣服照样会叠，这就是泛化能力。
可形变物体是机器人落地最难、挑战最大的板块。刚性物体AI很容易理解、传统规则算法也能处理；但可形变物体没有固定形态，需要AI理解物理形变规律、材质属性，才能完成操作交互，这是当下最大技术瓶颈。
业内目前只有我们实现了衣物Zero-shot仿真泛化能力，目前公开可落地的案例里，没有第二家做到。零样本仿真泛化有人做过刚体、普通物体，但衣物这种高柔性形变体难度极高，目前只有我们跑通。有创业团队做过相关方向，但也不是衣物高难形变体场景。
所有仿真技术、仿真数据的优劣，最终都要在模型效果上落地验证。不布局模型层，没法直观评判仿真真实度、泛化能力到底好不好。模型和数据耦合度非常高。尤其灵巧手、触觉这类前沿方向。
我们复杂场景下仿真效率比Isaac Sim提升5-10倍，误差降低近20%，这个数据主要是对比十年前的传统老旧技术框架，本身基准技术就落后，所以提升幅度很明显。
01 形变体仿真的初心、卡点与星辰大海
ZP：2015年创立凌迪的创业契机是什么，当时看到了什么样的技术机会和行业机遇？
刘郴：2015年前后电商、O2O商业模式创业热潮高涨，我们判断物理世界数字化是下一波时代大机遇。我始终坚信未来会诞生一个和真实物理世界平行、遵循严格物理规律的数字孪生世界，和游戏建模、自动驾驶扫描建模都不一样，是具备真实物理属性的数字世界。
做物理世界数字化赛道太大，必须找精准切入点，我们选择从纺织服装+柔性体仿真切入，这是当时的核心创业初衷。选择服装赛道有三点考量：
第一，我自身深耕服装产业多年，行业认知足够深；
第二，衣食住行是万亿级刚需赛道，中国产业基础全球领先，可辐射全球市场，海外空间是国内的3-5倍；
第三，服装行业数字化程度极低，属于长坡厚雪赛道，深耕本身就能做出巨大价值；同时物理世界大量物体都是柔性形变体，服装赛道能持续沉淀海量柔性体数据，为未来搭建数字孪生世界做底层储备。
我们初心多年从未改变：从服装虚拟样衣、仿真提效切入，经历元宇宙热潮沉淀技术，再自然延伸到具身智能、Physical AI，本质都是在推进物理世界数字孪生布局，只是赛道叫法不同，底层逻辑完全一致。
ZP：当时从技术层面判断，形变体仿真落地服装赛道，有哪些明确需求和技术可行性？
刘郴：一方面行业本身有布料仿真、三维工业软件的刚需；另一方面我们集结浙大CAD等院校博士、硕士团队，梳理全球前沿论文后，判断技术路径完全可行，所以果断下场。
ZP：王老师是什么时候加入凌迪科技的？
王华民：我是2021年加入的。最早凌迪科技主打服装赛道，而我长期做形变体仿真，尤其深耕服装仿真这块，契合度非常高，加入算是顺水推舟。我自己之前也有过创业经历，不算成功，刚好那时候凌迪发展势头很好，机缘下选择加入。
ZP：我看过王老师一些论文，研究主线都是围绕仿真相关方向延伸。我很好奇，大家做形变体仿真研究时，为什么服装会是落地首选的行业场景？
王华民：首先形变体仿真属于计算机图形学里的仿真分支。图形学大致分三块：渲染、几何、动画；动画又分仿真、人体动画两块；仿真再细分物理仿真、形变体仿真，我的研究就聚焦在仿真这个板块。
服装仿真算是我近十年深耕最多的方向，它本身也是仿真领域里最难的问题。另外现在具身智能、大模型圈子里，很多从业者最早都是做动画出身，和图形学、仿真本身渊源极深。
ZP：您本来可以深耕学术研究，为什么会选择走向创业、做技术落地？
王华民：我一直认为学术研究要围绕解决现实问题，不能纸上谈兵。一方面服装仿真技术和整个服装产业契合度极高；另一方面，衣食住行是人类基础刚需，但服装行业长期缺少硬核科技公司入局。
衣食住行每一个刚需领域，只要真正解决痛点，都是万亿级市场。食、住、行赛道早已挤满巨头玩家，唯独服装赛道，早晚一定会诞生能用技术解决行业深层痛点的科技公司，这是我看好并选择落地的核心原因。
ZP：站在行业角度，形变体仿真技术，到底解决了服装产业哪一个最关键的环节？在落地过程中，核心技术卡点、行业卡点主要在哪些地方？
王华民：核心解决设计与生产之间的衔接断层。设计师可以天马行空做创意设计，但最大难题是设计如何落地量产；而生产制造在大众认知里偏传统、偏制造业。仿真的核心价值，就是把设计师的创意方案，转化成可制造、结构化、可数字化描述的标准模型，打通设计师和制造商的对接链路。
从行业未来愿景来看，出行的终极想象是自动驾驶、人人拥有无人车；穿衣的终极想象，是人人都能拥有个性化定制服装。每个人身材、喜好都不一样，让消费者拿到真正适合自己的衣服，也是所有服装品牌的终极诉求——设计精准匹配用户需求，成为完美供给方。
ZP：我前两年去过SHEIN广州工厂，他们核心模式是快速上新、多款式高速迭代，靠海量SKU跑出爆品，这也是当下服装行业非常主流的趋势。这种极致速度、高频迭代的行业需求，是不是也对仿真新技术提出了更高要求？
王华民：没错。服装行业长远未来一定是定制化、按需生产，但这套模式最大瓶颈就是成本太高。
传统模式下定制成本极其昂贵，古代只有皇室、有钱人能拥有私人裁缝做专属定制；工业化之所以走向批量量产，本质就是为了压低定制成本。我们做仿真技术，核心目标也是希望通过技术革新，破解定制化的高成本难题。
ZP：这套仿真系统最初面向的用户，主要是工厂端吗？
王华民：其实不只是工厂，品牌方、制造商都是核心服务对象。而且制造商也不能简单等同于工厂，很多制造商本身兼具设计、生产多重身份。
ZP：我们以服装行业为样本，整套形变体仿真系统落地产业，关键环节有哪些？技术门槛最高、研发成本最高、最难攻克的部分在哪？
王华民：核心一大卡点不在纯技术，而在行业数字化程度不足。
要实现仿真可生产、可制造，版型数据、行业数字资产是核心根基，但整个服装行业至今没有完成全面数字化沉淀。没有充足的数字化数据资产，AI、3D仿真都很难深度落地，这是行业现状带来的底层挑战，甚至比技术问题更难突破。
ZP：这么说的话，数字化基础越好的企业，仿真技术落地效率是不是越快？
王华民：是，但只靠单一企业数字化还远远不够。未来AI、仿真技术发展，需要的是全行业数据共建，不是一两家企业就能支撑起来。
服装行业和互联网、视频、搜索赛道不一样，很难出现一两家垄断式巨头，每个国家都有自己的本土服装品牌；但互联网很多赛道容易诞生超大型平台，自身就能沉淀足量数据。服装行业天然分散，必须全行业共同沉淀数据，才能支撑仿真和AI的长期发展。
02 被低估的仿真：它不是真机的"替代品"，而是泛化能力的基石
ZP：凌迪大概从什么时间点，开始拓展布局Physical AI、具身智能这个新方向？当时为什么要拓展这个方向？
王华民：大概2024年年底开始正式拓展布局。完全是技术能力自然外溢、顺理成章。下游客户有仿真数据、柔性体仿真的刚需，而我们在全球柔性体仿真领域处于第一梯队，天然能承接需求。多年积累的面料数据、形变体数据，也能在具身赛道复用。底层技术、核心产品逻辑没有本质变化，更多是工程落地和产品定义的微调。
ZP：当时转向布局这条新赛道，核心驱动因素有哪些？
王华民：凌迪本质是一家技术驱动型公司。行业里有产品驱动、销售驱动不同类型企业，我们核心底色是技术驱动。
从技术逻辑来讲，用自研仿真引擎服务不同行业，本来就是我们长期探索的方向；而具身智能和仿真引擎技术关联极强，是我们核心技术能力的自然延伸，布局具身是顺理成章的选择。具身智能的难点要看是否和服装场景结合。在我看来，服装只是AI、机器人理解物理世界里形变体场景的其中一部分，真实物理世界里存在大量各类形变体，不局限于服装。
ZP：你们2024年切入具身赛道时，已经有相关的仿真、具身创业公司，也了解过市面各类仿真系统。当时你们对行业整体现状的判断是什么？
王华民：我的判断很直接：当下整个具身领域的仿真技术，整体水平非常落后。当下具身行业所用的仿真技术，对比图形学学术圈已成熟的前沿技术，至少落后10到20年。
仿真引擎核心就两个评判标准：仿真速度够快、物理还原够真。
现在具身领域用到的大部分仿真技术，基本还停留在十年前的技术框架，很多都是直接借鉴游戏引擎改造而来。但游戏引擎的天然短板就是物理真实度不足，这也是行业一直有争议、大家质疑仿真引擎无法弥合现实鸿沟的核心原因。
我们自身拥有更领先、更成熟的图形学仿真技术，初衷就是把学术圈已验证的先进技术，引入到当下具身仿真行业里。
ZP：现在行业争议大多集中在数据路线选择、模型路线选择，但很少有人提到底层仿真技术本身滞后这个问题。
王华民：核心原因是当下做具身的从业者，对底层仿真的技术认知度不太够，真正深耕仿真底层研发的人很少，大部分团队只是直接拿来用现成工具，比如直接套用英伟达现成仿真引擎，对底层原理的研究有限，自然也没有能力评判技术优劣、发现技术短板。
行业有多条技术路线，但任何一条路线，都要先把技术做到极致，才有资格评判好坏、适配场景。如果连自身技术框架都还停留在落后状态，根本没法客观对比路线优劣。
ZP：今年年初行业有机器人创始人的两种极端观点：一派坚持真机数据路线，一派坚持纯仿真合成路线，认为未来只会二选一。您怎么看这种争论？
王华民：不能单一化、绝对化，核心看落地场景。
适合用真机低成本采集数据的场景，没必要强行用仿真；有些场景真机采集不方便、成本高、还有隐私问题，就必须依赖仿真。而且仿真本身在部分场景还有明显价格成本优势。
举两个例子：扫地机器人、工业园区巡检场景，用真机实地重建、实地采集反而更简单高效，优先真机路线更合理；但如果做通用人形机器人、要走进千家万户，不可能跑到每个家庭实地采集数据，还涉及用户隐私，这种场景就必须靠仿真。
ZP：行业普遍有个观点：仿真天然存在现实鸿沟，就像大模型的幻觉一样难以根除，所以必须依赖真机数据兜底。从您技术视角来看，一套顶级先进的仿真系统，能把这种现实鸿沟压缩到什么程度？技术先进性主要体现在哪里？
王华民：我首先不认同「有现实鸿沟就必须依赖真机」这个逻辑，这是对AI泛化能力的不自信。
举个通俗例子：人在地球会走路，到月球重力环境不同，依然会走路；会叠普通衬衫，换丝绸材质衣服照样会叠，这就是泛化能力。
同理，不能因为仿真和现实有差异，就否定仿真价值、完全依赖真机。未来AI一定是持续进化的，泛化能力会越来越强，对真机原始数据的依赖会逐步降低。
如果非要追求100%复刻现实、照搬真机动作，那就变成简单的复读机、机械复刻，完全失去了AI本身的意义。AI的核心价值就是举一反三、泛化推理，不是机械复刻。
真机数据看似采集门槛低，但迭代过程中沉没成本极高；仿真数据可以持续复用、持续迭代，长期性价比优势非常明显。所有AI模型训练，归根结底都是用多大成本，换取多高的模型精度。
ZP：真实世界里的遥操作、触觉感知、力控这类精细动作，大家觉得仿真系统很难学习、复刻和沉淀这类数据，您怎么看？
王华民：刚好相反，仿真反而更容易做多模态精细数据采集。真实物理世界里，触控、力控、触觉、声音这类多模态数据，采集限制多、难度大；反而在仿真环境里，可以低成本、大批量、高精度生成这类多模态数据。
现在很多用视频做世界模型的方式，只有视觉数据，缺失触觉、力控、声学这类多模态信息；而真机采集模式，高度依赖现有硬件，硬件一旦迭代更新，旧采集数据很容易被淘汰、无法复用，存在巨大局限性。但只要仿真引擎持续迭代，就可以源源不断生成全新适配的数据，不存在硬件迭代带来的数据沉没成本。
ZP：是不是可以理解为，一套足够完备、技术领先的仿真引擎，本质上已经接近虚拟世界「世界模型」的雏形？
王华民：可以这么理解。理想路径就是：机器人先在虚拟仿真世界学习训练，再到真实世界做少量强化适配。
而且仿真还能做风险测评、高危场景演练，很多危险操作不可能在现实世界直接部署、真机测试，在虚拟仿真环境里提前演练、测试风险，成本极低、也不会有设备损坏、安全隐患。现在人形机器人行走、动作训练，基本都是靠仿真完成，不然真机反复摔倒、损耗成本太高。
ZP：服装仿真的技术积累，通用到全品类形变体仿真，相通的核心点在哪？
王华民：第一，仿真引擎运算速度领先，同等算力下能支撑更高精度、更高粒子度的仿真模拟；
第二，可搭载更复杂的形变体物理模型，不用做简易简化模型，更贴近真实物理规律、真实物体属性；
第三，整套技术有顶会论文做理论支撑，底层算法经过学术和产业双重验证。
ZP：今年黄仁勋也重点提Physical AI，认为是未来必然趋势，英伟达也在重点布局。在你们看来，仿真一定是Physical AI、具身智能不可或缺的数据环节吗？未来不会是单一路线独占，而是仿真、真机按场景配比结合？
王华民：没错。具身智能的训练数据一定是多源融合，不会全靠仿真，也不会全靠真机，不同落地场景会有不同配比。
长期来看，如果具身智能的终极形态是人形机器人走进家庭、进入日常民生场景，那仿真一定是不可或缺的底层基础设施。
03 形变体仿真的技术壁垒，远不止"叠衣服"那么简单
ZP：能不能从行业发展脉络梳理一下全球仿真技术演进路径，以及凌迪引擎一步步搭建的过程？
王华民：早期2002-2003年左右，以皮克斯为代表率先做形变体、服装仿真，核心诉求是极致真实度，服务影视电影制作，仿真速度可以很慢，行业不追求效率。
2006-2008年左右，英伟达收购相关团队，推出PBD（Position Based Dynamics）技术，面向游戏开发，主打高速仿真、GPU加速，但牺牲物理真实度，为了形变效果简化物理模型。这套技术沿用近20年，Isaac Sim本质还是这套老旧框架。
2013-2014年之后，行业开始意识到：快和真并不矛盾。Projective Dynamics等新框架出现，我们受到启发，把这套框架迁移优化到GPU上，2015-2016年搭建起我们底层技术地基。
近十年我们持续在这套框架上叠加技术：引入IPC稳定碰撞、域分解、预分解等算法，一点点完善壁垒。相当于2015、2016打好地基，之后每年持续迭代打磨，像盖房子一样逐步完善。
ZP：行业常把仿真分为三维仿真、刚性仿真、复杂物理仿真、形变体仿真。从技术视角看，为什么形变体与复杂物理仿真，是具身落地最关键的一环？三者核心差异在哪？
王华民：刚性物体结构固定、物理规则简单，目前机器人处理刚性物体的技术已经很成熟。难度核心在非刚性物体，非刚性又分两类：一类是结构化功能型非刚性，比如冰箱门、抽屉这类可开合结构；另一类是可自由形变物体，窗帘、快递袋、外卖包装、衣物都属于这类。
可形变物体是机器人落地最难、挑战最大的板块。刚性物体AI很容易理解、传统规则算法也能处理；但可形变物体没有固定形态，需要AI理解物理形变规律、材质属性，才能完成操作交互，这是当下最大技术瓶颈。
ZP：上一代机械臂、生成AI之前的传统机器人，基本都只能处理刚性规则物体。现在具身机器人真正要落地，核心考验就是处理各类形变体的能力。
王华民：这也是为什么行业都喜欢拿「叠衣服」做Demo样板。衣服形态多变、褶皱状态无规律，能在任意杂乱状态下完成折叠，才能证明机器人具备形变体理解和操作能力；如果衣服都是规整平铺状态，普通模板机械就能完成，不需要AI和仿真。
ZP：机器人展上很多企业会展示抓玩偶，玩偶也属于形变体？
王华民：这类玩偶形变小、材质硬度高，基本可以近似按刚性物体处理，但这和衣物这类高柔性形变体完全不是一个难度层级。
ZP：聚焦具身领域，你们这套面向形变体的具身仿真平台，核心关键环节有哪些？
王华民：平台只是载体，核心还是底层仿真能力。如果拆解模块，两大核心：
第一，虚拟资产生成能力，批量产出可用于仿真的场景、物体、形变体资产；
第二，高保真高效仿真能力，实现又快又真的物理模拟。
资产生成是不是类似虚拟资产工厂，但高精度、可物理适配的资产生成成本不低，我们研发重点也是降低资产生成成本、提升建模效率。
ZP：行业各家仿真平台真正的差距在哪？
王华民：本质差距还是底层自研仿真能力。市面上绝大多数公司没有真正自研仿真引擎的能力，要么直接套用第三方框架，要么号称自研但实际可用性、稳定性不高。
我们的优势在于，仿真引擎最早服务于服装工业软件，经过大量真实客户场景长期打磨、反复验证，经过产业实战考验沉淀下来，不是纯实验室技术。
而且技术从来不是凭空诞生，都是长期积淀的结果。我们十多年持续深耕，每年顶会论文产出量、技术沉淀厚度，业内同梯队公司很少，就连英伟达在细分形变体仿真领域，和我们也不在同一个水平层级。
业内目前只有我们实现了衣物Zero-shot仿真泛化能力，目前公开可落地的案例里，没有第二家做到。零样本仿真泛化有人做过刚体、普通物体，但衣物这种高柔性形变体难度极高，目前只有我们跑通。有创业团队做过相关方向，但也不是衣物高难形变体场景。
ZP：你们具身仿真平台SynReal分为底座、场景层、通用智能模型层，可以具体拆解每层的技术优势和领先性吗？
王华民：首先底座对应内容资产生成板块。目前行业刚体、固定场景建模相对成熟，自动驾驶、巡检类场景靠点云、三维重建就能搭建；但可形变物体快速建模是全行业难题，比如厨房家电、可开合家具、柔性包裹物体，没有高效标准化建模方案，这是我们当前研发重点。
场景层现状和资产生成类似，行业整体都不成熟。
模型层不是我们研发重点，我们更多复用通用开源模型。核心思路是：用同款通用模型，分别接入凌迪自研仿真数据、别家仿真引擎数据、真机采集数据，横向对比效果。在同等模型前提下，验证我们仿真数据成本更低、效果更好，直观体现技术价值。
ZP：为什么会布局模型层？
王华民：所有仿真技术、仿真数据的优劣，最终都要在模型效果上落地验证。不布局模型层，没法直观评判仿真真实度、泛化能力到底好不好。
模型和数据耦合度非常高。尤其灵巧手、触觉这类前沿方向，没有标准通用模型可用，如果只做仿真不做模型验证，研发进度会严重滞后，也没法及时判断技术价值。自己布局模型层，可以快速闭环、快速迭代验证。
04 一家中国公司如何在形变体仿真赛道做到全球顶尖？
ZP：把凌迪自研仿真系统，和英伟达传统仿真引擎做直观对比，核心差别集中在哪几个维度？
王华民：还是回归两个核心：更快、更真。快，就是仿真运算速度、单位时间数据产出量；真，就是物理还原精度。
我们的求解器、模型架构、底层算法经过长期打磨，运算效率更高，同样计算量下可以做到更高仿真精度、更高粒子度；同样时间内可以完成更深层次的仿真推演。而且我们在服装仿真领域十年积累的技术，底层逻辑可以通用到所有形变体仿真场景。
在仿真效率和稳定性上，我们核心突破包括：碰撞检测算法、碰撞稳定性处理、域分解（domain composition）、预分解等前沿技术。
这些技术目前在全球都处于最领先梯队，也是我们和合作伙伴深耕多年形成的技术壁垒，在细分领域几乎处于垄断优势。
「快」和「真」两者是相通且可互补的。要做到仿真更真实，势必会增加计算量、拉高成本；但如果引擎本身运算足够快，就可以腾出部分算力去弥补真实度，实现速度与精度双向兼顾、互相置换。
ZP：单纯对比仿真数据和真机数据，除了快、真之外，还有哪些本质差别？
王华民：核心还有成本优势。如果单论绝对真实度，仿真数据暂时还略逊于真机数据，行业也有大概折算标准，比如多条仿真数据等效一条真机数据。
但仿真数据成本和计算成本强绑定，未来算力成本只会越来越低；而真机数据绑定人力、硬件成本，人力成本长期只会稳定走高，不会下降。
另外，真机采集的数据高度依赖当下硬件型号，硬件一旦迭代、机型更换，旧数据很难复用，沉没成本极高；仿真数据不存在这个问题，引擎迭代就能持续产出适配新场景、新硬件的数据。
ZP：业内很多团队基于英伟达框架开发，主要是因为知名度高、生态成熟、易用性强吗？
王华民：Isaac凭借先发优势和生态积累，目前行业使用率还是最高。
核心是市面上除了我们之外，没有知名度更高、可用性更强的第三方形变体仿真引擎可供选择，大家没得选，只能基于英伟达框架做二次开发。
在复杂场景下我们的SynReal Sim仿真效率比Isaac Sim提升5-10倍，误差降低近20%，这个数据主要是对比十年前的传统老旧技术框架，本身基准技术就落后，所以提升幅度很明显。
ZP：如果凌迪技术持续迭代，这套系统未来是否具备和英伟达仿真系统对标？
王华民：从技术能力层面完全可以，但还要考虑生态迁移成本。用户已经习惯英伟达生态，很难一次性全盘切换。所以我们的思路不是直接做替代、做全新独立系统，而是把自研技术和英伟达现有生态做融合互补。
我们现在在Newton仿真平台上做开发，把凌迪自研仿真引擎作为平台核心能力模块嵌入进去，用户可以直接在Newton平台里调用我们的形变体仿真技术，不用替换原有生态，实现无缝补充。
ZP：你们和英伟达在Newton平台具体合作形式是什么？
王华民：主要在开源Newton生态内技术嵌入合作。我们是早期开发者，2025年五月份就已经入驻开发。更早Omniverse时代，我们也是官方协议合作方。
ZP：Newton未来会不会成为行业通用基础设施？还是创业公司还有很大突围机会？
王华民：英伟达想做成行业标准，而仿真平台的核心根本不是平台，是底层仿真引擎。
我们现在自研引擎已经能实现衣服零样本（Zero-shot）叠衣能力，其他仿真引擎很难做到。只要底层仿真引擎足够领先，我们完全有能力自己搭建仿真平台，主动权在自己手里。
ZP：除了英伟达，全球还有哪些海外公司在形变体仿真领域技术实力较强？
王华民：几乎没有。严格来说英伟达在形变体仿真细分领域做得也并不算特别突出，凌迪目前在全球形变体复杂物理仿真赛道，属于技术顶尖梯队，全球同类研发团队非常稀缺。
ZP：国内目前和你们有合作的具身机器人公司主要有哪些？
王华民：银河通用以及很多机器人相关创业公司、各大院校科研机构都有合作。头部主流玩家基本都在对接或落地合作。
ZP：凌迪全球超3000家客户，海外营接近一半，客户画像、行业占比如何？服装行业占比大概多少？
王华民：服装行业占比80%左右。客户主要分几大类：服装服饰、CG影视、家纺家居、家具、汽车相关柔性材质仿真等。
比如丹麦户外品牌 Eventyrsport 选择我们的Style3D 为核心数字化工具，在 9 个月内构建起完整高效的 3D 开发流程，大幅缩减样衣成本与周期。依托在3D 工作流方面的丰富经验，Eventyrsport 从基础版型入手，直接在 3D 环境中进行设计构思与开发。
借助Style3D，团队基于供应商提供的 DXF 版型文件进行试衣与版型验证，包括对压力点与合身度问题的模拟，从而在实体样衣制作前，提前校准版型尺寸与虚拟人台之间的匹配关系。这一虚拟打样流程显著提升了准确性，并有效减少了潜在的成本损耗。
05 谈Physical AI规模化卡点：模型泛化能力才是真正的瓶颈
ZP：长短期来看，凌迪未来技术与产品重点布局是什么？
刘郴：第一，深耕原有工业赛道，完善服装行业端到端全链路解决方案，迭代AI产品、CAD产品，给客户实打实提效降本；
第二，具身智能作为新赛道，独立设立事业部、内部创业小团队，推出从数据合成到仿真平台的标准化产品，对外商业化售卖。
王华民：技术上，我们长期目标是做完整的仿真生态平台，不只是单一仿真能力模块。
接下来两大重点：第一，和国产芯片深度适配合作，做出英伟达生态做不到的本土化、软硬件协同能力；第二，拓展仿真多元应用场景，不止局限VLA，同步探索强化学习、触觉仿真、灵巧手训练、机器人损耗适配等方向。
比如机器人马拉松场景，机器人长时间奔跑会过热、避震不足、肢体损耗，给机器人穿戴柔性防护、鞋子等形变体配件后，运动状态完全改变，都需要靠仿真提前训练适配，这都是仿真可以落地的全新场景。
ZP：公司人员结构、研发占比、全球化布局思路是什么？
刘郴：公司员工超300人，研发人员占比50% ；全球营收目前海外占比30%-40%，未来稳定维持1/3以上。
研发以中国为核心基地，人才密度高、供给充足；德国慕尼黑设研发补充中心，依托当地工业CAD、西门子、汽车工业人才积淀，补强传统工业仿真能力；同时和美国高校开展前沿学术合作，全球整合人才资源。
行业本身具备全球化属性，服装供应链、影视CG、具身智能都是全球协同赛道，跟着客户市场自然做全球化布局，核心市场聚焦中国、美国，欧洲为补充。
ZP：你们顶会论文产出很多，怎么把学术研究快速转化为技术和产品？
王华民：我们不是先做论文再找应用，而是先有产品和产业技术卡点，再针对性做学术研究。
顶会论文、专利，都是产品研发、技术攻坚的副产品，不是为了发论文而做研究。研究立项本身就贴合产品需求，研究完成的同时，技术直接集成到产品里，不存在额外转化环节。
我负责的研究院团队，偏Research Lab风格；但公司整体不盲目以论文作为考核KPI，公司整体还是商业化导向，底层研发团队保留前沿探索的微生态，允许做长线不确定性技术布局。
ZP：作为创始人，如何平衡公司商业化导向和高浓度科研研发氛围？
刘郴：公司和高校科研机构最大区别，就是所有研发最终都要为商业化、为长期技术壁垒服务。
整体公司基调以商业化目标为核心，同时打造小范围研发微生态，比如王华民的研究院团队，允许长线前沿探索、容忍不确定性，不强行短期商业化KPI。
底层基础研发是为公司明天的产品壁垒布局，工程化研发服务当下商业化落地，两者分层兼顾、兼容并包。
ZP：当下世界模型、Physical AI被视作通向AGI的关键，您怎么理解行业定义和未来价值？
王华民：行业对世界模型的定义五花八门，说法很多。真正深耕底层研发的团队，反而不会过度乐观炒作，中间还有大量现实技术挑战要攻克。
仿真的价值也不只是给具身机器人做训练数据，同样可以训练世界模型、视频基础模型。我们也在和一些海外基础模型团队合作，用仿真生成海量视频、物理场景数据，供给视频模型训练，应用场景很多元。
ZP：今年很多团队主打第一视角（Egocentric）真机数据采集，戴设备采集人类视角数据，这条数据路线您怎么看？
王华民：这类路线高度依赖硬件本体，硬件一变、形态一改，原有数据价值就大幅缩水。而且人类真实感知是多维度的：视觉、触觉、平衡感、力控感知协同，人闭着眼睛也能走路、上台阶；但现在第一视角采集只偏重视觉，缺失大量多模态感知信息。
这类堆真机数据的模式，只能快速适配单一特定任务，为了落地而落地，但违背了AI和机器人通用性、泛化性的本质价值。为单一特定任务海量堆数据，最后做出来的只是定制化专用机器，不是通用智能。
ZP：现在很多通用机器人理念是：少量数据就能跨场景、跨任务适配，靠大脑大小脑融合能力。
王华民：我很认可这个方向。可以类比人看宜家安装说明书，只用简易线条草图就能理解装配逻辑，不需要超高保真真实图片。未来机器人也应该具备这种低依赖数据、强泛化理解的能力。
我坚持认为要把大脑、小脑拆开研发，不赞成强行端到端VLA混为一谈。更合理的模式是：沉淀基础技能库（走路、抓取、揉捏、开合等基础动作），由大模型大脑根据场景调度基础技能，而非从头端到端硬训。
ZP：如果类比大模型发展阶段，当下Physical AI、具身智能处于什么时刻？未来爆发期会在什么时候？
王华民：现在还处在极早期阶段。大模型能快速发展，核心是具备可规模化（Scalability）的路径，堆数据就能稳步提升能力；但Physical AI目前还没找到真正可规模化的路径。
现在VLA路线很快会遇到瓶颈，真实物理世界场景无限、数据量庞大，现有模型泛化能力不足，只能重度依赖海量数据，哪怕仿真也很难完全满足。
只有未来模型泛化能力大幅提升、对数据量级依赖显著降低之后，Physical AI才能真正实现规模化，仿真和真机的数据价值才能彻底释放。当下连GPT-2的早期阶段都还没到，核心卡在模型泛化能力、数据依赖度没有突破。
本期嘉宾的更多信息：
刘郴，凌迪科技创始人兼CEO，浙江理工大学89级染整工程毕业生、比利时布鲁塞尔自由大学（VUB University）应用计算与分子生物学双硕士学位、浙江大学电子与信息工程学博士学位。任中国服装协会副会长，杭州市人民政府参事。是一位在服装行业深耕的连续创业者，在外贸及中国纺织服装品牌管理领域拥有逾十年的经验。此外，还是数字孪生世界的构建者与探索者，致力于凭借技术实力推动规模达万亿级的传统纺织服装行业实现数字化转型，助力中国智能制造发展。
王华民，凌迪科技首席科学家，国家级海外高层次人才，浙江省海外高层次人才，杭州市“西湖明珠工程”顶尖人才，俄亥俄州立大学前终身教授、博士生导师，发表计算机图形学与人工智能顶级期刊论文80多篇，四篇SIGGRAPH计算机图形学顶级会议唯一作者（迄今为止全球不超过3人），2025年度ACM杰出会员，IEEE资深会员。
请注意，此次访谈内容已经过精心编辑，并得到了刘郴和王华民的认可。欲了解更多关于凌迪科技的信息，敬请访问公司网站https://www.style3d.com/和具身产品https://www.synreal.ai/的更多信息。我们也欢迎读者通过留言互动，分享您对本访谈或凌迪科技的看法。
Z Potentials将继续提供更多关于人工智能、全球化市场、机器人技术等领域的创业者访谈。我们诚邀对未来充满憧憬的您加入我们的社群，与我们共同分享、学习、成长。
