【独家】对话汤元科技任冬淳：物理AI的瓶颈，在于训练体系｜甲子光年

把真实世界变成AI可以训练的世界。

过去一年，物理AI、世界模型、具身智能，成为AI行业最热的关键词。

如果说大语言模型的爆发，得益于互联网把人类知识变成了训练数据，那么物理AI的下一次突破，取决于真实世界能不能被精准表达，并成为训练环境。

而这，就是汤元科技要解决的问题。

具身智能很热。

新闻里越来越多Demo看起来已经非常接近“可用”。但真正决定具身智能能否走向大规模落地的，不是演示能否“成功一次”，而是离开演示环境能否“一直成功”，并泛化到成千上万个真实场景。

换句话说，具身智能真正的突破，不是做出一个更漂亮的Demo，而是训练出具备泛化能力和长程任务能力的大脑。

而大脑的发育程度，最终取决于它经历过什么样的训练。

汤元科技联合创始人、CEO任冬淳把这件事概括为一句话：物理AI的瓶颈，在于训练体系。

任冬淳博士毕业于中科院自动化所，长期从事机器人、视觉感知相关研究，他毕业前师从中国具身智能与机器人领域代表性学者、中国科学院院士乔红。

过去多年，他曾带队多次获得国际算法竞赛第一名。但在创业之后，他越来越明确地意识到：科研是比拼“长板”，产业落地则受限于“木桶短板”

2024年，任冬淳与团队共同创立汤元科技。公司以具身智能为核心方向，以世界模型为技术底座，首先就要回答一个更底层的问题：如何把真实世界变成物理AI 可以训练、试错和验证的体系。

1.物理AI的瓶颈，为什么是训练体系

问：现在大家谈物理AI，往往先谈更强的算法。你为什么强调训练体系？

任冬淳：算法当然重要。

无论是自动驾驶，还是机器人，最终都需要更好的感知、预测、规划和控制能力。

但算法不是凭空变强的。

任何大模型能力的提升，背后都离不开数据和训练体系。大语言模型之所以能快速发展，是因为互联网文本、代码、图像、视频这些数据可以被大规模采集和训练。

但物理AI不一样。

物理AI面对的是真实世界。

真实世界是一个连续变化的4D世界（3D空间坐标+时序信息）。里面有空间结构、对象关系、运动状态、光影变化、物理约束，也有动作之后的状态变化。

所以，物理AI首先要解决的，不是让模型生成一个“看起来像”的世界，而是让模型在一个足够可靠的训练体系中理解真实世界和预测变化。

这个训练体系至少要满足三个方面的要求。

第一，是数据的结构和质量。

物理AI首先需要能表达真实世界的空间结构、几何尺度、遮挡关系、物体状态、动态轨迹、光影变化和物理约束。

行业留存了大量视频数据，它可以告诉模型“看到了什么”，却很难稳定告诉它“世界真实是什么样”。

第二，是训练和验证闭环。

物理AI最终要进入真实世界行动。但真实世界不允许无限试错。

自动驾驶不能靠在真实道路上反复犯错来训练。机器人也不能在客户工厂、机房、仓库里无限失败。

它们需要先在一个足够真实、可控、可复现、可评测的训练世界中完成大量试错，再回到真实世界验证和迭代。

第三，是数据的规模和生产效率。

真实世界的数据采集很贵、很慢，也不可控。

几种主流的方式是真机采集、遥操作采集和数据采集厂供应。这些数据很重要。但它们也有局限性，比如成本高，场景有限。

我们首先是把真实世界转化为AI可以训练、可以仿真、可以验证、可以持续进化的数据资产和训练环境。

2.世界模型不是为了生成视频，

而是为了训练物理AI

问：现在很多公司都在讲世界模型。汤元理解的世界模型，和普通视频生成有什么区别？

任冬淳：世界模型现在很热，也很容易被误解。

很多人一听世界模型，首先想到的是非常逼真的视觉呈现：画面清楚，光影自然，运动流畅。

这当然是能力的一部分，但远远不够。

给人看的视频，和给AI训练用的世界，不是一个标准。

给人看，只要视觉真实就可以。给AI训练，就必须回答更硬的问题：空间结构准不准，物体位置对不对，尺度关系稳不稳，动作之后世界状态有没有真的变化。

问：是否有直观的例子？

任冬淳：比如机器人抓苹果。画面里夹爪碰到了苹果，不代表机器人真的理解了抓取。苹果的位置、桌面的高度、夹爪和苹果之间的接触关系、抓取后的状态变化，都必须成立。

所以我们对世界模型的理解，不是先追求“生成得像”，而是先追求“结构对”。

真实世界首先是空间，也是时间。它有几何结构、尺度关系、遮挡关系、对象状态、动态轨迹、光影变化，也有动作之后的状态变化。

这也是汤元为什么强调4D真值和4D结构约束。

我们不是让模型只从视频里猜世界，而是先把真实场景转化为4D数据资产。让模型知道世界真实是什么样，再进一步学习世界如何变化、动作如何改变世界。

从NVIDIA的Omniverse、Isaac到Cosmos，也能看到类似思路：物理AI不只需要端侧模型，也需要合成数据、仿真环境和训练评测工具链。

但工具链最终要落到真实任务里。机器人要会抓取、搬运、巡检、插拔，自动驾驶要能处理极端情况。世界模型如果不能支持训练、验证和部署反馈，就很难成为物理AI的基础设施。

世界模型应该成为物理AI的训练世界：让机器人和自动驾驶系统在真实部署之前，先在一个可控、可复现、可评测的环境里完成大量学习和试错。

3.汤元做的是物理AI的训练底座

问：所以你们现在对汤元的市场定位是什么？

任冬淳：汤元科技正在构建面向物理AI的训练底座。

目前，我们面向具身智能、智能驾驶企业提供4D数据资产、仿真训练、评测全链路基础设施。上游对接真实场景采集，下游为各类机器人、自动驾驶提供服务，通过4D数据资产与生成式世界模型，构建可理解、可推演、可交互的真实世界数字底座。

同时，汤元也在训练机器人“大脑”。

机器人基础模型的预训练，核心是数据规模和数据质量；但到了mid-train、post-train阶段，必须回到具体场景，把仿真训练和真机验证结合起来。基于自身积累的高质量4D数据资产，汤元正与多家机器人本体公司合作，围绕精密制造检测、柔性化搬运、家庭陪伴与整理等场景，构建虚拟训练场，训练机器人在真实任务中的感知、决策和动作能力。

问：从客户角度看，汤元具体提供什么？

任冬淳：我们现在主要提供三类能力与产品。

第一，真实场景4D数据资产构建，Yootta SimWorld。

基于真实场景。比如工厂、仓库。

汤元把这些场景转化为几何结构准确、空间结构清楚、时序稳定、物理规律合理的4D数据资产。

这个资产不是普通视频，也不是普通三维模型，它是可以服务训练和仿真的真实世界表达。它包含环境结构、动态目标、物体状态、轨迹关系、光影关系。也包含具身场景中进一步需要引入的机器人本体状态和动作信息。

SimReady环境与资产构建：将真实场景转化为可训练、可编辑、可仿真的4D世界资产

第二，面向训练的数据生成和场景泛化，Yootta SynData。

真实数据采集的成本高、效率低、多样性不足。

汤元可以基于真实4D场景，结合4D结构约束和世界模型能力，生成更多可训练数据。

比如改变光照、背景、物体颜色、相机视角、机器人轨迹、任务条件和交互对象。

对具身智能来说，这可以显著提升数据覆盖度。

具身数据泛化：基于有限真实数据生成大规模、多样化、高保真的训练数据

第三，任务级仿真与评测闭环，Yootta LoopSim。

物理AI不只需要数据。它还需要可控、可复现、可评测的训练环境。

汤元可以围绕具体任务，构建仿真和评测闭环。比如抓取、搬运、插拔等。

客户可以在这些环境中测试不同策略，评估模型表现，观察状态变化和任务结果，并把反馈继续用于数据和模型迭代。

这三类能力最终形成一套完整的训练闭环。

真实场景进入系统，转化为4D数据资产。再生成更多训练数据，进入仿真和评测。最后回到真实部署反馈中持续迭代。

具身训练与评测：从闭环仿真中不断试错，验证策略，提升决策质量

问：客户从汤元科技面向物理AI的训练闭环中，能获得什么价值？

任冬淳：本质上是三件事：更低成本的数据、更大规模的泛化、更高效率的试错。

SimWorld把传统数据采集变成数据生产。通过真实场景4D化，汤元可以持续生产高质量4D数据资产，实现百倍级数据获取效率提升，并将数据成本降低90%以上。

Yootta SynData解决规模和多样性问题。真实采集无法覆盖足够多的场景、任务和失败状态。基于场景泛化，汤元可以把有限真实场景扩展为大规模可训练数据，目前已具备每月超万平米场景、百万级SimReady资产和百万小时视频数据的生产能力。

Yootta LoopSim解决训练和试错问题。基于高质量4D数据资产和带物理引擎的仿真工具，汤元可以构建可编辑、可复现、可评测的虚拟训练场，让机器人在真实部署前完成大量强化学习和策略验证。相较于完全依赖真机试错，虚拟训练场有机会实现千倍级试错吞吐和单位成本效率提升。

这就是汤元训练闭环的价值：用SimWorld生产高质量数据，用SynData放大数据规模，用LoopSim让机器人在虚拟世界里完成大规模训练和验证，再与真机验证结合，形成从虚拟训练到真实部署的闭环，让具身智能的规模化测试、持续迭代和商业化落地成为可能。

4.具身智能为什么尤其需要训练体系

问：为什么你们现在把具身智能放在核心方向？

任冬淳：因为具身智能可能是未来十年物理AI最大的增量场景。

具身智能没有天然的数据飞轮。

智能驾驶至少有量产车、测试车和路测车队，可以持续采集真实道路数据。但机器人还没有大规模进入真实世界，也很难通过终端设备自然沉淀训练数据。不同本体、末端执行器、任务和场景的排列组合，会持续放大数据缺口。

同时，具身智能不是只“看见”世界，而是要和世界发生交互。抓取、搬运、插拔，每一个动作都需要理解空间结构、物体状态、接触关系和动作后的状态变化。真机采集和遥操作数据很重要，但成本高、覆盖慢，也很难支撑大规模强化学习。

我们判断，具身智能商业化的关键，不只是更强的机器人本体，也不是单点算法突破，而是谁能提供足够高质量、足够大规模、可用于训练和试错的数据与环境。汤元在4D数据资产、SimReady资产、场景泛化和虚拟训练场上的能力，正好对应这个缺口。

简单说，具身智能最缺的是训练体系；而汤元的优势，正是把真实场景变成机器人可以大规模学习、试错和验证的训练世界。

5.智能驾驶是基础业务，

也是高标准验证场

问：外界可能看到汤元现在智能驾驶案例更多。你怎么解释智驾和具身的关系？

任冬淳：汤元的定位是面向物理AI的训练底座公司。

智能驾驶和具身智能，是这套训练体系在不同场景中的落地。但它们在商业阶段上不同。

智能驾驶产业更成熟。对汤元来说，智驾是非常重要的基础业务，也是行业最接近落地最后一公里的场景。

智能驾驶对数据质量的要求非常高，因为车今天就是一个已经在路上跑的真实机器人，容错率极低。一个前视角视频看起来真实，不代表它能用于训练。物理一致性、多视角一致性等，都无法接受偏差。

具身智能比智能驾驶在某些方面更复杂，更需要高质量的4D数据资产和完整的训练体系。汤元在智驾方向完成的工程化打磨，包括时序稳定、动态目标建模、合成数据生成、工具链接入、客户交付和质量验证，都会成为我们服务具身智能的重要基础。

汤元世界模型在智驾中的应用：从4D数据资产到高保真训练数据构建与泛化

6.为什么是汤元团队

问：这条路听起来很重，既要模型能力，也要数据工程、仿真和客户交付。为什么汤元能做？

任冬淳：确实很重。物理AI的训练底座不是单点算法问题，既要有前沿研究能力，也要有复杂工程系统的落地能力。

汤元团队的一个特点，就是学术能力、工程化能力和商业化兼备。

我过去长期做机器人、视觉感知和轨迹预测工作，也参与过很多前沿技术研究。

但真正做产业落地时，你会不断被系统和客户需求“捶打”。

把技术做成能用、能集成、能长期依赖的系统，是更难的事情。

我后来形成的认知是：学术能力当然重要，但前沿技术如果不能进入客户系统，就很难真正产生产业价值。

这也是汤元的公司气质。

汤元是一支“工程型科学家”团队。很多客户问题，其实比论文题目更硬。

时序是否稳定、动态目标能否准确重建、数据能不能规模化生产、训练数据能不能真正提升模型效果，这些问题越往交付走，越会暴露出来，也越能检验技术路线。

7.面向具身智能，把真实世界变成AI可以训练的世界

问：未来汤元的业务重心会是怎样的？

任冬淳：智能驾驶是汤元率先完成商业化交付和工程能力验证的场景。

但从更长期看，具身智能会带来更广泛、更复杂的物理AI训练需求。

从战略选择上，汤元也会更明确地面向具身智能。

具身智能需要的不只是更多数据。汤元接下来要做的，是把已经验证过的4D数据资产、基于4D约束的世界模型、数据生成与场景泛化、闭环仿真和工程交付能力，进一步产品化为面向具身智能的训练底座。

未来，物理AI的竞争不会只是谁拥有更强的大脑，也是谁拥有更好的训练世界。

（封面图、文中配图、视频来源：汤元科技）

END.