15分钟扫描真实门店，机器人做冰淇淋成功率达99%

把一家冰淇淋店交给机器人，需要准备多少东西？机械臂、灵巧手、摄像头，以及负责感知和决策的模型，构成了看得见的系统。但在禾赛联合创始人兼CEO李一帆看来，要让机器人真正上岗，还要解决一系列与“空间”有关的问题。

在发布会上谈到Sharpa与DQ的合作时，他列出团队希望达到的三个目标：尽量不改造原有环境，完成任务的完整闭环，以及承担真正的制作工作。他介绍，制作冰淇淋包含五十多个步骤，团队希望机器人能接管整套流程。为此，团队先为它准备了一家“数字门店”：将真实门店的布局、设备和操作空间搬进虚拟环境用于训练。禾赛表示，过去专业团队人工建模还原一家门店需要约300个小时，他们的设备约15分钟即可完成扫描并生成高度还原的三维训练环境；Sharpa的失败案例降至原来的十分之一，任务成功率达到99%。

这也是空间智能正在讨论的问题。李飞飞将空间智能概括为AI在三维空间中感知、推理并行动的能力。与只回答“看到了什么”的视觉模型相比，它进一步要求AI理解物体在哪里、空间的几何关系，以及一个动作发生之后世界会怎样变化。

10月14日，禾赛发布三维世界数据引擎Kosmo，包括空间相机Kosmo One和云平台Kosmo World。前者负责采集真实空间，后者进行重建、理解与编辑，并将数据交付给机器人仿真、世界模型和三维创作等工作流。目前，这套数据也已进入皮克斯相关创作工作流，以及高德的空间展示应用。

一个可用于训练的数字环境，需要同时保留外观、几何和空间关系。专业团队可通过传统CG建模完成，但真实世界中的门店、工厂和酒店各不相同，若每进入一个新场景都从头建模，成本会随真实世界复杂程度快速增加。现场扫描提供了另一条路径：不再先假设一个标准空间，而是直接把具体场所记录下来。

Kosmo One将激光雷达、影像系统与高精度IMU集成在一台设备中。激光雷达提供空间测量，摄像头记录颜色与纹理，IMU为设备运动估计提供信息，再通过同步、标定和融合，把不同来源的数据放进统一的空间参照。向少卿在发布会上展示了一把网球拍，球拍网孔约为5毫米间距，Kosmo的定制激光雷达能够清晰呈现这些细小结构。影像系统采用一英寸大底CMOS，支持最高8K拍摄，最终导出文件最高分辨率为6K。Kosmo还为三维重建定制了ISP，兼顾跨相机、跨时刻的一致性，让不同画面共同描述同一个空间。向少卿强调了一个实体按钮和一个屏幕按钮，用户能够完成开机、扫描等操作，目标是让空间建模变得像拍照一样容易。禾赛表示，在普通室内条件下，约15分钟可以完成100平方米空间的扫描。

扫描完成之后，得到的还只是一份空间记录，关键是如何把它加工成能够反复使用的训练资产。Kosmo World的底层系统Kosmo Spatial Core可以在一次重建中生成3DGS、Mesh和Depth，三种表达分别服务于外观、几何表面和距离信息的需要，并保持空间对齐。禾赛介绍，Kosmo生成的数据能够针对目标机器人的相机特性进行视觉适配，让数字场景中的观测更贴近实际使用条件。Kosmo World还支持AI驱动的语义分割，可识别并提取椅子、沙发、相机等对象，再对其进行移动和编辑。在发布会演示中，Kosmo通过AI推断补全了沙发原先遮挡的区域。禾赛表示，基于同一个三维空间，可以自动生成上万条训练轨迹。

李一帆在采访中提到，机器人训练数据解决的本质是泛化问题：一个房间被数字化之后，可以成为类似场景的训练样本，但从餐饮走向零售、酒店，再进入家庭，真实世界中的空间差异仍然会不断增加。一个房间可以不断变化，更多真实房间则提供了新的结构、物体和空间关系。

过去十年，禾赛最为人熟悉的业务是激光雷达，应用从自动驾驶延伸到机器人等领域。李一帆回应了为何要做Kosmo：产品的起点来自客户，测绘、建筑等领域客户不断要求更高精度的激光雷达，从厘米级推进到毫米级，且拿到雷达后还要配置摄像头、惯导和计算平台才能搭出完整空间采集系统。不同团队反复完成类似集成工作，让禾赛看到了产品机会：将传感器、采集系统与后续数据处理放在一起设计。