作者：彭堃方

这一次，我们站在了潮头。

中国一家公司没有等到李飞飞的 Atlas 出现，才开始相信 4D。

早在 2024 年成立之初，影身智能就从多视角采集和动态重建做起，向上训练原生 4D 世界模型，再把模型送进机器人和真实工厂。两年后，当 Atlas 以“预测下一个视角”为核心特征，让生成、重建与模拟世界的空间智能成为新焦点时，影身智能已经沿着相近的底层判断，跑完了从技术路线到产业应用的第一段路。

Atlas 在具身智能也有。李飞飞团队的认知一时间有拨乱反正的效果，因为被视为 “AI 下一程” 的具身智能始终过于沉醉在语言、视频的技术路径上亦步亦趋，模糊了具身智能与大模型应该有的技术边界。

这种路径依赖源于语言大模型的光环过于耀眼，其席卷了编程、搜索、办公、内容生产一个又一个行业。仅 2025 年，全球生成式 AI 应用市场规模便已突破千亿美元，用户数以亿为单位增长。

可予以厚望的具身智能，在试图复制这场神话时，却始终等不来属于自己的爆发。发布会越来越密集，demo 越来越惊艳，融资故事越来越动听，可一旦把视线从舞台移开，落到真实的工厂、仓库和家庭里，应用渗透率仍在个位数徘徊。

问题到底出在哪？

具身研习社曾和一位硅谷投资人深入聊过这个问题。他的判断很直接：问题不完全出在应用层，真正缺失的，是足够强大的技术底座。

这个判断并不新鲜，却切中要害。大语言模型已经给出过一次清晰的产业示范 ，基座模型能力不足时，应用公司再努力，也只能围绕有限能力做局部创新；而当模型的语言理解、推理和生成能力跨过临界点，编程、搜索、办公、内容生产等应用才开始集体涌现。

从这个角度看，具身智能还在等待自己的 “基模时刻”。

只是，等待的方式，可能从一开始就走偏了。

行业对 “底座” 的理解，正在形成一种危险的路径依赖。依赖语言模型的底座能力，依赖视频模型的预训练范式，虔诚地相信只要参数规模继续扩大、VLA 再训练几轮，模型能力就会从这类底座中自然爆发。

但物理世界和语言世界，并不遵循同一套规则。

人类生活在三维空间与一维时间共同构成的物理世界中。可当前大部分具身模型学习的，仍是图片和视频 —— 真实世界被拍摄成二维画面，再压缩进模型的隐空间，最后映射为机器人的动作。数据成本由此下降，训练规模迅速扩大，可与此同时，空间结构、物理属性和连续状态变化，也在投影过程中被压缩、被抹平。

某种程度上，这是一种 “降维”，一种 “取巧”。

要知道，在模型开始训练以前，如何记录和表达这个世界，已经决定了它能够学到什么。

如果输入从一开始就是扁平的，模型又如何学会理解立体？

这正是影身智能在做的事，把被压缩的维度，重新升回来。

在 2026 年服贸会上，影身智能把 “升维” 能力做成了一套仅需 6 台摄像头的 4D 直播方案。摄像头负责采集不同方向的真实画面，相机未覆盖的部分由模型实时生成，观众不再受固定机位约束，可以从任意新视角进入现场。机器人叠纸箱游刃有余，能精准把纸箱的一边塞进几毫米的空隙中对齐。

这双场景背后承载的，是影身智能为具身智能建设的同一套底层能力：从二维视频中重建 4D 世界，让模型理解空间和时间，再完成生成、预测与行动。

李飞飞 Atlas 的“子弹时间”、“机器人训练”等 demo 十分炫酷，其实拆解来看，它能做的、要做的就是偏向 4D 的“生成、重建和模拟世界”。这种技术判断并不是独一份的高深见解，如影身智能创始人兼 CEO 闵伟所说，“从第一性原理出发，物理世界就是 4D 的”，“物理智能只能从对 4D 时空的重建、理解、生成、预测中诞生”。

但过去两年，具身智能在很大程度上沿用了大模型已经验证过的成功路径。

大语言模型提供语义理解和任务规划能力，视觉模型负责识别环境和物体，VLA 进一步把视觉、语言与动作连接起来；视频生成模型能够根据当前画面预测下一帧，让机器人初步获得对未来状态的想象能力。行业希望通过更大的模型和更多数据，复制大语言模型的 Scaling Law。

这条路线的优势显而易见。互联网上已经存在海量图片、视频和文本，无须重新定义数据体系，就可以直接调用成熟的大模型能力。机器人面对的复杂物理问题也被转化为模型更加熟悉的任务：根据图片识别物体，根据语言理解指令，根据视频像素变化预测下一步动作。

但这种便利建立在一次“降维”之上。

视频能够记录物体看起来如何变化，却无法完整保留物体在三维空间中的位置、结构、遮挡、接触、受力和形变。视频生成模型可以让一段动作在视觉上足够连贯，却不一定知道物体为什么这样运动，以及机器人换一种动作后，物理状态将发生什么变化。

对内容生成而言，画面看起来合理已经足够；对机器人而言，一次不符合物理规律的预测就可能直接导致任务失败。世界模型需要预测的不只是下一帧画面，还包括动作介入之后，真实世界将进入怎样的状态。

这也是影身智能强调“升维”的原因。

“升维是一件难而正确的事。”闵伟对具身研习社表示。

这一判断来自影身智能对“信息瓶颈”的理解。无论语言模型、视频模型还是具身模型，都需要先通过编码器把大量信息压缩进隐空间，再从隐空间中抽取特征、完成推理。理想的隐空间应当“不重不漏”，既没有无意义的冗余，也不能遗漏完成因果推理需要的关键信息。

可如果输入模型的二维视频已经丢失了部分空间和物理信息，后续再强的编码器，也只能从一个不完整的世界里寻找规律。模型更容易学到画面与动作之间的相关性，很难保证自己掌握的是物理状态变化背后的因果关系。

因此，影身智能没有直接在二维图片和视频上继续叠加模型，而是先将多个视角记录的二维投影还原成三维空间随时间连续变化的 4D 状态，再从中提取特征、训练世界模型。

在影身智能的定义中，4D 由三维空间和一维时间构成。而业内常说的触觉、摩擦和受力甚至是声音也都属于发生在四维时空中的物理现象。四维时空构成描述物理世界的基础骨架，其他模态与物理属性则在这套骨架上进一步丰富模型对世界的理解。

如果把时间拉回到 2024 年，这仍是一条相当孤独的路线。行业主流围绕 VLA、真机数据和视频模型展开，大量公司希望通过建设数据采集中心，将机器人数据迅速 Scaling 起来。4D 数据则意味着多视角同步、空间重建、动态建模以及更高的计算复杂度，无论融资叙事还是产品节奏，都不够“短平快”。

但到了 2026 年，行业的判断正在发生变化，影身智能所选择的路线也开始出现越来越多的同行者。

李飞飞创办的 World Labs 近期发布 Atlas，将文本、图像、视频、相机位姿和 3D 深度图放进统一的空间上下文。Atlas 并不只是生成一段看起来连贯的视频，而是把相机位置作为原生输入，让模型同时完成可控视角生成、三维空间重建和时空模拟，并进一步服务机器人的 Real-to-Sim 训练。World Labs 对 Atlas 的定位，是统一生成、重建与模拟能力的空间智能世界模型。

其重要意义在于，空间不再只是模型从二维像素中间接猜测的信息，而是成为模型训练和推理的基础坐标。模型需要知道每一幅图像从哪里拍摄，不同视角属于同一个怎样的空间，以及这个空间如何随时间变化。

国内也在出现类似动向。近日媒体报道，字节跳动也正大力开发一款面向实时空间视频生成的 AI 模型，由一向退居幕后的张一鸣亲自督战，预计年内发布。这些团队的具体架构、数据体系和应用方向并不完全相同，但共同指向一场底层变化：世界模型正在走出二维像素空间，开始把三维结构、时间变化和物理交互放进统一表征。

4D 还没有成为行业唯一答案，却正在从少数团队的技术选择变成一条越来越清晰的产业路线。具身智能所等待的底座，也开始从“一个更大的动作模型”，转向真正能够记录、理解和推演物理世界的基础模型。

把真实世界还原为 4D，仅仅是影身智能技术链路的第一步。

4D 数据比普通视频更复杂。它需要多个视角同步采集，需要完成空间对齐、动态重建和信息补全，还要把不同时间的物体状态连接起来。与直接架摄像头、积累视频相比，这是一项明显更重的数据工程。

闵伟提出了一个值得关注的概念“数据冶炼”。他用中国稀土产业作比喻，稀土资源分布在很多国家和地区，但真正拉开产业差距的是提纯和冶炼能力。

数据同样如此，单纯架设摄像头、增加人员和建设采集中心，只能线性扩大原料规模。

“数据采集本质上是劳动密集型行业，如果只是架摄像头、堆人力和设备，更像是在做‘包工头’的生意。真正关键的是数据冶炼能力。”闵伟说。

影身智能的技术领先性就集中在此。其采用环绕摄像头进行无侵入采集，再通过模型将不同摄像头记录的二维画面对齐，还原成统一的 4D 状态，实现物理信息在四维时空中的富集。原始视频不再只经历简单清洗和标注，而是先被加工成更加接近真实物理世界的数据。

相比第一视角设备，这种采集方式不需要工人或者用户长期佩戴头环。摄像头布置在工位或房间周围，正常操作本身便可以持续产生数据。采集得到的也不只是单一视角下“人做了什么”，还包括动作发生时物体处于什么位置、不同视角如何对应，以及空间状态怎样连续变化。

高维数据的直接价值，在于提高单条数据的物理信息密度。同样是一段人抓取物体的视频，二维数据主要包含像素和动作轨迹，4D 数据则可以进一步恢复几何结构、空间位置、遮挡关系、接触过程和状态变化。每条数据不再只是一段动作记录，更接近一次完整的物理实验。

这使影身智能有机会同时解决具身模型中的两类能力问题：学习速度和泛化性。

近期集中出现的 ICL，已经展示出无本体数据在快速学习上的价值。人类或者另一台机器人先示范一个动作，机器人将示范视频作为上下文输入，再根据其中的动作轨迹和目标状态复现任务。Physical Intelligence、Skild AI、Generalist AI 等公司的相关成果，都说明模型正在建立人类动作与机器人本体之间的映射。

ICL 擅长快速学习一个具体任务。机器人看过示范后，可以利用上下文中的丰富提示完成模仿，无须为每项任务重新经历完整的后训练流程。但在闵伟看来，这也容易制造一种错觉：机器人看一遍就会做，似乎等同于它已经理解了任务。

“它把原本基于理解的泛化，变成了基于更多信息的模仿。”语言指令只提供抽象目标，机器人需要理解环境和物理约束；视频则已经包含动作轨迹、关键位置和目标状态，模型可以利用更多提示还原动作。闵伟将其形容为一种更复杂的示教逻辑：过去的示教器直接告诉机器人关键点位，现在则给它一段视频，再由模型将视频映射成相应的位置和动作。

因此，ICL 解决的是“如何迅速学会眼前这个任务”，世界模型追求的则是“如何理解不同任务背后共同的世界规律”。前者单点学习速度快，后者拥有更强的跨任务泛化潜力，却通常需要更大规模的数据和训练才能形成稳定的世界表征。

影身智能希望利用 4D 数据的高物理信息密度，把这两种能力结合起来。

模型看到的不再只是某个动作的表面过程，而是空间、物体、动作和结果之间更完整的关系。一条 4D 数据中包含的物理信息越充分，模型理解任务所需的样本就越少；一旦模型学习到更加稳定的物理因果，它又不必针对每个新物体和新场景重新开始训练。

也就是说，ICL 解决“学得快”，世界模型解决“泛化强”，影身智能的 4D 世界模型则试图做到既学得快，又泛化得远。

影身智能曾使用大量生成数据做过预训练。按照闵伟的说法，在内部柔性操作实验中，模型成功率可以比较容易地从 20%多提高到 70%—80%，继续向上则仍然需要精细微调、强化学习和一系列后训练。数据规模能够迅速提高基础能力，却很难补回二维投影中已经缺失的物理信息。

换成 4D 数据之后，模型训练的起点发生了变化。影身智能内部已经观察到，基于 4D 数据训练的模型，在柔性操作中的成功率和泛化能力明显优于二维图片和视频方案。原因不只在于模型结构变化，更在于每条训练数据都携带了更完整的空间与状态信息。

由此，影身智能建立起一条贯穿数据、模型和机器人的训练闭环：多视角采集、4D 重建、物理信息富集、世界模型训练、动作规划、真机执行，再由执行结果回流数据体系。

这套闭环也揭示了影身智能与许多视频世界模型的不同。很多世界模型从生成出发，用画面是否逼真来反推模型有没有理解世界；影身智能则从重建出发，先恢复真实世界的空间结构和连续状态，再从中抽取因果特征。

先重建，让真实世界在模型中拥有明确的空间位置和时间关系；再理解，让模型找到动作、物体与状态变化之间的物理因果；再生成，补全摄像头没有观察到的视角和空间；最后预测，推演机器人采取某个动作后，世界将会发生什么。

4D 世界模型没有更早成为主流，原因并不神秘。

它需要更复杂的数据采集和重建能力，需要处理远高于二维视频的信息量，也需要把模型与仿真、规划和机器人执行连接起来。对于追求快速发布模型、快速展示 Demo 的创业公司而言，这显然不是一条“短平快”的路线。

两年前，行业对 VLA 和真机数据 Scaling 抱有很高期待。只要在全国建设更多采集中心、积累更多真机数据，通用具身智能的拐点似乎就会自然到来。两年后，数据规模依然重要，但期待中的能力涌现并未按计划发生，行业开始重新审视数据质量、表征方式和训练效率。

影身智能的特殊之处，在于它没有等到 4D 成为共识之后再进入。2024 年成立以来，公司从多视角采集、动态重建做起，进一步训练原生 4D 世界模型，并把模型送入制鞋等柔性制造场景。

制鞋是检验物理理解能力的典型任务。不同鞋款、尺码和材料带来持续变化的三维曲面，胶水状态、鞋体位置和柔性形变也会影响机器人轨迹。传统自动化设备擅长在结构稳定的环境中重复确定动作，一旦产品频繁切换，调试和重新编程成本便会迅速提高。

搭载世界模型后，机器人需要持续识别鞋体状态，根据实际工况调整动作。影身智能目前已经在福建晋江工厂推进相关机器人作业。对一套 4D 模型而言，这类场景的意义远超过完成一段演示视频：只有当机器人连续面对不同鞋款、材料和状态时，所谓空间理解、物理预测与泛化能力才会受到真正检验。

但一条前期投入如此之重的路线，仍要回答商业效率问题。影身智能给出的办法，是让同一套 4D 基础能力同时服务工业具身和数字娱乐。

服贸会的 4D 直播，便是这套技术能力的一次外溢。6 台摄像头提供稀疏视角，模型负责实时重建动态空间，并生成相机未覆盖位置的画面。对于直播、电影、演唱会和互动影游而言，这种能力有望降低 4D 内容的制作门槛；对于影身智能而言，它展示的仍是多视角数据经过实时“冶炼”后，生成可观看、可交互 4D 空间的能力。

直播间与制鞋工厂看起来相距甚远，底层面对的却是同一个问题：如何记录一个随时间变化的物理世界。数字娱乐最终输出内容，机器人最终输出动作，但二者共享多视角采集、4D 重建、空间生成和模型训练等基础能力。

闵伟将 4D 直播和互动影游形容为公司建设具身智能主航道时“沿途下蛋”的结果。它们带来的也不只是现金流。影身智能希望借助内容工具，把主播、导演和制作人转化为生态合作伙伴，让 4D 数据采集从机器人和工业场景延展到更广泛的社会生活。

由此形成的，是一套与多数具身智能企业截然不同的增长逻辑：4D 模型形成直播和互动内容产品，产品吸引更多创作者，创作者持续生产新的 4D 内容，回流的数据又成为基座模型的训练养料；数据冶炼能力在真实业务中持续迭代，模型能力反过来降低 4D 内容生产和机器人部署的门槛。

工业具身负责验证模型能否理解并改变物理世界，数字娱乐则打开更大范围的 4D 数据入口。两条业务最终汇入同一个数据飞轮，也让采集、重建和模型训练的前期投入，可以被更多产品和场景共同消化。

这也解释了为什么影身智能选择了一条更重的路线，却反而较早进入了产业。影身智能从一开始建设的就不只是一个模型，而是一条覆盖 4D 采集、数据冶炼、基座模型、硬件执行和场景应用的完整链路。前面的每一步都更难，但当链路被打通，单项技术便可以在不同场景中复用，并形成彼此反哺的增长闭环。

其实闵伟对终局的判断十分明确：“原生 4D 模型将成为与大语言模型、视频生成模型并列的下一代基座”。大语言模型理解人类通过文本沉淀的知识，视频模型工作在二维像素空间，4D 模型则与真实世界的时空结构直接对齐，更适合作为具身智能理解和作用于物理世界的底层模型。

从服贸会上的 4D 直播到晋江工厂里的机器人，影身智能已经让这一判断呈现出具体的产业形态。4D 不再只是一种关于未来的技术设想，它正在进入内容生产、工业制造和机器人训练，并逐渐成为可以被产品化、商业化和规模复用的基础能力。

写在最后：这次没有 follow

坦白说，整个科技行业始终存在一个无奈的现实：海外科技公司一有动作，国内舆论和资本市场便迅速将其设为新的坐标，用它重新评价国内的技术路线和企业价值。许多时候，我们习惯等海外给出答案，再回过头寻找“中国版”；习惯先确认国际巨头在做什么，再判断国内团队的选择有没有意义。

某种程度上，默认了中国科技产业一直在 follow。

李飞飞团队发布 Atlas 后，在具身智能和世界模型圈一石激起千层浪。空间智能、生成与重建统一、稀疏视点输入、时空模拟迅速成为行业讨论的焦点。国内随之出现的一个问题是：有没有一家公司，可以与 Atlas 形成对应？

但这个问题或许问反了。

早在 2024 年，Atlas 还没有出现时，影身智能就已经选择了原生 4D 路线，从多视角数据采集和动态重建做起，向上训练 4D 世界模型，再把模型送入机器人、工厂和真实业务。如今，Atlas 还在展示一款通用空间模型可以生成、重建和模拟怎样的世界，影身智能已经把相近的底层判断做成实时 4D 直播，也把模型带进了柔性制造现场。

Atlas 的发布当然是一次重要的行业事件。但它对于影身智能更大的意义，或许不是为国内提供了一个新的海外对标，而是让影身两年前作出的技术判断，获得了一次来自全球前沿的验证。

所以，与其追问今天中国有没有一家企业能够“匹配”李飞飞的 Atlas，不妨换一个问题：影身智能已经沿着这条路，跑出去多远了？

特别声明：本文为合作媒体授权DoNews专栏转载，文章版权归原作者及原出处所有。文章系作者个人观点，不代表DoNews专栏的立场，转载请联系原作者及原出处获取授权。(有任何疑问都请联系idonews@donews.com)