9月28日，AMD宣布将以约82亿美元全股票方式收购“AI教母”李飞飞创立的World Labs。而就在1个月前，World Labs刚刚发布了全球首个多模态世界模型Atlas，并打出了“建模世界，移动相机，模拟空间和时间”的核心标语。
Atlas的推出，也标志着仿真与物理世界的差距被进一步缩小。稍早之前，World Labs还已完成对机器人仿真企业SceniX的收购。
种种迹象表明，仿真平台、仿真数据的价值正愈发被认可。
对此，谋先飞（Motphys）创始人兼CEO崔汉青认为，过去很长一段时间，仿真数据最受质疑的地方在于精度。但这一情况已经改变——当前仿真技术所达到的精度，在绝大多数训练任务中已经完全够用。加之成本低、效率高的既有优势，市场对仿真的认知正在从“能不能用”转向“为什么不用”。
不过，崔汉青坦言，至今还远未达到主流共识的程度。“我相信大家会越来越意识到仿真的重要性，只是这需要一定的时间，包括仿真技术本身的迭代也会促进这些共识的产生。”
这里不妨补充一点，成立于2021年的谋先飞作为国产具身仿真领域首批开拓者，依托全自研MotrixSim物理仿真引擎，打造具身智能全链路产品体系，涵盖模型训练、3D资产生成与虚实合成数据管线。此外，谋先飞的引擎已全面适配华为、摩尔线程、天数国产算力及芯片生态，同时兼容 NVIDIA、AMD、Apple等海外生态，形成了“国产+国际”的双轨支持能力。
就在9月中旬，谋先飞与华为还联合发布了具身智能仿真基座解决方案——这一方案以谋先飞 MotrixSim 物理仿真引擎与 MotrixLab 训练平台为核心，打造“仿真→训练→真机部署”全流程方案，标志着中国具身智能仿真训练基础设施从技术验证走向产业落地。
除了在业务层面的共创外，华为哈勃于2024年成为了谋先飞的重要投资方。此前，谋先飞还在成立之初就获得了红杉中国、高瓴创投、奇绩创坛等头部机构的投资。据了解，谋先飞的新一轮融资也即将完成。
“我们最初和红杉、高瓴、奇绩等投资人聊的时候，判断就一直没变——物理仿真是一项基座技术，是智能迭代的加速因子。持续做深做透，它终将通向物理智能。这个底层逻辑，五年来没有动摇过。”
崔汉青透露，变化的是载体。五年前，应用场景是手机和虚拟世界；今天，技术底座没变，但它服务的对象，从屏幕里的世界走向了真实的物理世界。
据了解，当时打动投资人的，是崔汉青团队对物理仿真的判断——它不是工具，是基础设施。
“今天回看，这个判断是超前的。当行业还在讨论‘要不要用仿真’，谋先飞已经把仿真变成了可交互、可探索的‘平行世界’；当全球资本开始押注，谋先飞已经在物理引擎、训练平台、数据管线三层完成了全栈自研。”一投资人说道，“物理仿真是一条‘难而正确’的路——需要底层数学、物理、计算机的交叉能力，需要长期投入，需要耐心。谋先飞从第一天起就选择了最难的方向，这件事英伟达也在做。最近，全球顶级玩家的行动也在确认这条路的战略价值。而谋先飞已经完成了从技术验证到商业落地的闭环。这是我们持续看好的核心原因。”
值得注意的是，谋先飞还已构建了SimReady资产体系——让三维资产“带着物理属性出生”，质量、摩擦、关节约束内嵌于资产本身，可直接用于仿真训练，无需后期手动标注。在崔汉青看来，谋先飞对SimReady资产的认知和理解也是超前的。
“在SimReady这个方向上，英伟达是走在最前面的，英伟达有USD（Universal Scene Description）这样一个事实标准去定义 SimReady 资产，也就是数字资产。但在我们的实践中，我们认为SimReady 是不够的——SimReady 只是让数字资产能在仿真引擎里可以使用，但不代表这些资产能够对最终的智能提升有效果。大家更关注的其实是把无论是仿真资产也好，还是数据也好，是不是能够让模型有提升、让模型越来越聪明，但SimReady没有定义后面这些。”崔汉青补充道，“而我们就一直在做这个事情，我们内部的很多工作就是让仿真资产和数据对模型效果有提升。接下来一段时间，我们也会陆续释放一些真正重量级的、有比较好公信力的成果出来，大家可以期待一下。”
谈及接下来的目标时，崔汉青透露，短期内谋先飞最重要的一个方向是让仿真在操作类的任务上变得真正可用，这样就可以给行业带来范式革命。
“进一步来讲，整个数据的需求端会逐渐从全真机数据、全真实世界数据转换成可能90%～99%都是仿真里面的数据，真实世界的数据只占非常小的一部分，我们会推动这个过程。最终，我自己认为可能99%都会是仿真的数据，只有1%会是真实数据。”崔汉青表示。
日前，谋先飞创始人兼CEO崔汉青向「IPO早知道」分享了对仿真技术及SimReady资产的最新理解与思考，以及谋先飞的价值所在。
以下系经「IPO早知道」精编整理的对话节选：
仿真数据的精度已完全够用
Q：在你看来，为什么今年大家对仿真数据的接受度有了一个质的改变？
崔汉青：最开始大家担心的点还是在于Sim-to-Real Gap，大家认为仿真和现实的差距很难被消除，所以起初大家都是靠真机数据采集。比如说通过人类操作机器来获取数据，后面发展到用无本体数采，还有第一人称视角、头戴式摄像头获取素材等等各种形式。但这些方式都没有脱离在真实世界中去采集数据这样一个主题，到2025年年底都这样。
到了今年，市场的共识发生了一定程度的转变，其中有几个比较关键的信号——其一，大家发现英伟达在持续性投入仿真技术，其实他们从2017年左右就已经开始布局了，至今快十年的时间；其二，李飞飞收购了SceniX（一家美国的机器人仿真初创公司）；此外，大家也注意到个别的机器人公司验证了仿真技术路线同样能训练出很好的具身模型，越来越多的机器人公司会使用仿真来做评测，来验证最后机器人大脑任务的成功率和效率。
综合这几个因素，市场上对仿真的认可度跟过去发生了比较大的转变，但还远未达到主流共识的程度。我相信大家会越来越意识到仿真的重要性，只是这需要一定的时间，包括仿真技术本身的迭代也会促进这些共识的产生。
Q：仿真数据和真实世界里的数据两者最大的差别有哪些？
崔汉青：最大的差别是成本。真实世界采数据，要人、要设备、要场地、要时间，每一样都是成本。仿真里生成数据，只烧电和算力。前者是人力密集型，后者是算力密集型。
其次就是效率，跑得快。在仿真环境中，算力可以是并行计算的，其可以同时产生1万个以上的并行环境在跑。
这里我想特别强调的一点是，长期以来仿真最受质疑的地方在于精度，大家会觉得仿真数据的精度存在不小的瑕疵。但事实上在模型训练的诸多环节，我们自研技术所达到的精度在绝大多数任务中完全够用，我们这套全自研物理仿真引擎的精度甚至已经超过了英伟达NVIDIA Isaac™等国际主流产品。另外可以分享一下，今年我们发表了两篇机器人领域顶级会议的论文，就讲述了怎么提升仿真引擎的精度和效率，大家也可以翻阅一下。
GS-Playground融合3D高斯渲染与物理仿真，相成果被RSS 2026录用
Q：有没有可能这些具身企业自己下场来做仿真这件事？
崔汉青：可能性的确是存在的，但这件事的投入产出比需要仔细权衡。组建并维护一支高水平的仿真团队，成本不低，周期也长，而且需要持续投入。最终能不能做好，也存在不确定性。所以我们觉得，对大多数企业来说，可能还是和专业的仿真平台合作，效率会更高一些。
模拟物理规律的难度超过训练模型本身
Q：刚才你提到仿真技术本身也需要一定的迭代，这种迭代主要会体现在哪些方面？
崔汉青：仿真本身的迭代其实就是持续不断地提升仿真精度、仿真效率、降低数据成本这三个维度，且这是一个不可逆的过程，我们只要改进一些，仿真技术的应用领域就会扩展一些。
除了精度、效率和成本以外，还有非常关键的一点——如何把真实世界搬到虚拟世界里？怎么构建虚拟世界？环境本身已经能够快速的低成本的完成构建，这点也是持续不断发展。尤其随着大模型的迭代，大家发现原先只能依托人来构建的虚拟资产，现在可以利用AI快速构建，人的干预因素可以降得越来越低，这也会极大程度上促进仿真技术的发展。
Q：本质上还是取决于上游对数据的需求。
崔汉青：具身行业对数据的需求无非是这几点——精度高、数量多、数据分布好、成本低。那么仿真数据只要做到精度可用，那这个优势就会变得非常大，因为另外几点本身就是我们的优势。
当然，我也承认，仿真合成数据今天没法完全替代真实数据，所以现在不少具身企业会做一个配方，比如十份仿真数据和一份真实数据混在一起训练，从而大幅降低了成本。
Q：国内乃至全球范围内真正跑出来的做仿真这个方向的企业多吗？其中的壁垒有哪些？
崔汉青：国际上还是有一些的，比如英伟达的Isaac、比如谷歌的MuJoCo，但国内做这领域的人特别特别少，其实仿真还是挺难做的。
技术壁垒就是最底层的物理引擎。要想自研物理引擎，就需要非常强大的技术力量才能实现。某种程度上来讲，模拟这个世界的物理规律，这个难度甚至超过训练模型本身。我们已经积累了很长时间，像主流的仿真器都是积累了十几年甚至或者二十年才能在这个领域达到一定的程度。
另一方面，相关的人才也非常非常难找。所以能够完成自研最底层物理引擎的公司可以说是凤毛麟角，这需要足够的技术人才储备、行业know-how以及持续不断的投入。有些做仿真路线的公司会选择借用开源的物理引擎或是主流的物理引擎，一旦没有对底层物理规律具备把控能力，就要依赖第三方迭代物理引擎提升精度，就不能做到上下贯通，效率也就没有那么高，我们和他们有着本质的区别。
Q：为什么人才如此紧缺？
崔汉青：这个领域的人才需要对于数学、物理和计算机技术都很精通并且能融合到一起，这还是挺难的一件事。高校里也没有特定的专业往这个方向培养人才，只有极少数的图形学仿真方向的博士，经过一定的培养后能达到我们的需要，但纵观全球这种人才都是极其稀缺的。
相对来讲，我们的技术团队储备还是比较扎实的——团队里有国内仿真领域的顶尖专家，覆盖实时物理仿真和工业物理仿真两个方向，同时还有一批来自顶尖高校的博士，具备数学、物理、计算机的交叉背景。
物理仿真技术对于智能的迭代是加速因子
Q：如何用简短的语言来介绍一下谋先飞的产品？
崔汉青：我们做的是一件事——从最底层的物理引擎开始，完全自研，然后向上生长出仿真、数据、训练三层能力，形成一个垂直整合的体系。这套体系的意义在于：它让具身智能的训练，第一次有了一个从底层到应用全部打通的基础设施。
Motphys的开源平台MotrixLab
Q：客户画像是怎样的？
崔汉青：主要分为三大类。其一、研究机构类客户，比如上海的国家地方共建人形机器人创新中心；其二、各个行业的龙头企业，比如徐工、头部车企等等，不久前我们在华为HC大会上也发布了联合解决方案；第三、具身智能企业，比如地瓜机器人、加速进化等等。
Q：所以适配国产芯片也是你们的一大优势。
崔汉青：没错，除了国际主流的英伟达、AMD、苹果这些算力外，我们还适配了华为体系内的鲲鹏、昇腾等，这都体现在我们和华为的联合解决方案里。同时，摩尔线程、沐曦、天数智芯等国产GPU我们也都适配了。
坦率说，适配国产芯片这件事对我们而言并不难，毕竟我们的底层物理引擎是自己的。只要了解了芯片的特性和设计后，我们很容易完成适配。但如果没有自研底层物理引擎的话，想要修改并调优的确是一件在技术层面挺困难的事情。
Q：其实华为哈勃也已经投资了你们，能否展开阐述下你们之间的合作？
崔汉青：仿真这件事，尤其是我们做的实时物理仿真，其实在华为体系内有很广的应用空间。
具身智能浪潮起来之后，我们和华为内部多个具身相关团队进行了深入沟通，最终决定联合面向市场提供解决方案。逻辑很简单：华为有算力，有强大的营销和商业化能力，但在具身这个场景下，仿真引擎、训练平台、数据合成管线这些软件技术栈相对空白——没有这些，算力在具身任务上就很难被充分调用。我们承担的正是这个环节，让需要用华为算力的具身企业，能够真正把算力用起来。目前能把这个环节打通的，行业内只有我们。
Q：你们刚成立的时候就获得了红杉、高瓴的投资，这5年你们的发展路径和当时的愿景一致吗？
崔汉青：我们最初的核心判断一直没变——物理仿真是一项基座技术，是智能迭代的加速因子。只要持续把这个技术做深做透，它最终会通向物理智能。
变化的是载体。五年前，我们讲的应用场景是手机和虚拟世界；今天，技术底座没变，但它服务的对象，从屏幕里的世界走向了真实的物理世界。而这，恰恰是我们五年前就认定它会到达的地方——只是比我们预想的更快。
SimReady资产的核心是要使它真正对模型有用
Q：除了自研物理仿真引擎，你们还构建了SimReady资产体系，在这个方向上你们的认知是怎样的？
崔汉青：在SimReady这个方向上，英伟达是走在最前面的，英伟达有USD（Universal Scene Description）这样一个事实标准去定义 SimReady 资产，也就是数字资产。
但在我们的实践中，我们认为SimReady 是不够的——SimReady 只是让数字资产能在仿真引擎里可以使用，但不代表这些资产能够对最终的智能提升有效果。大家更关注的其实是把无论是仿真资产也好，还是数据也好，是不是能够让模型有提升、让模型越来越聪明，但SimReady没有定义后面这些。
而我们就一直在做这个事情，我们内部的很多工作就是让仿真资产和数据对模型效果有提升。接下来一段时间，我们也会陆续释放一些真正重量级的、有比较好公信力的成果出来，大家可以期待一下。
Q：能不能理解为，你们的产品体系是对英伟达标准的一个延伸或者说升级？
崔汉青：当前，英伟达推行的这套标准只是对SimReady资产本身的规格有一个规定，但它不去测量资产最后对模型有多大用处。倘若缺失测量这个环节，其实是会无法保证效果的。
我们跟英伟达是有交流，很多SimReady 资产，客户反馈是下载回去用处不大，这些资产只是能在仿真里跑，但不提升模型效果，这就是非常现实的一个问题。所以我们升级了SimReady资产的概念，使它能真正对模型有用。
总的来说，我认为我们对SimReady资产的认知和理解是超前的，已经实打实的在做一些能最终提升模型效果的工作，我也相信明后年大家会慢慢形成一定的共识。
长远来看具身行业99%的数据都会是仿真数据
Q：在整个产业中你们处于一个怎样的身位？
崔汉青：从定位上讲，我们是生态的连接者——向下连接算力提供方，向上连接本体企业和零部件企业，同时为开发者提供开箱即用、高精度、高效率、低成本的仿真工具。我们跟生态里的每一方都可以是合作伙伴。
连接者这个角色，听起来简单，但它决定了整个生态能不能跑起来。当算力、本体、零部件、开发者通过同一个底座高效协作时，具身智能的规模化才有可能。这也是我们看到的长期价值——我们不是在做某一个环节，而是在做让所有环节都能跑起来的那一层。这一层的价值，会随着生态的扩大而持续放大。
机器人在仿真环境中反复训练高难度动作
Q：接下来你们有什么比较大的目标想要突破？
崔汉青：短期内我们最重要的一个方向是让仿真在操作类的任务上变得真正可用。
今年春晚大家看到的各种机器人表演其实都是在仿真里训练出来的。换言之，机器人移动运控这个环节仿真技术已经完全能解决了。那在操作任务这块，目前大家还大量依靠真实世界数据采集，我们的目标是让绝大部分的操作类任务也可以在仿真里面解决，这样就可以给行业带来范式革命。
进一步来讲，整个数据的需求端会逐渐从全真机数据、全真实世界数据转换成可能90%～99%都是仿真里面的数据，真实世界的数据只占非常小的一部分，我们会推动这个过程。最终，我自己认为可能99%都会是仿真的数据，只有1%会是真实数据。
Q：所有具身企业？
崔汉青：几乎所有的具身企业都会是这个比例，至少我们认为会是这个样子。
我从不否定真实数据的价值——它不可或缺。做数采设备、做数据运营的公司，同样有价值。比如第一人称视角数据可以进入真实的工作现场、走进家庭，去采集那些最贴近真实场景的信息，这些数据非常重要。但它们的原始形态往往是非结构化、噪声较大的，要让机器人真正用起来，中间还需要很长的转换链条。
仿真，正是在这条链条上承担关键角色——清洗、标注、把真实世界的数据，尤其是第一人称视角数据，转化成机器人可用的训练数据。真实数据让机器人“见过”，仿真让机器人“学会”。两者叠加，才是具身智能数据范式的完整答案。
