仿真训练出的导航模型，不调参、不改写，直接装到四款不同形态的机器人身上，一样能走能避障。亮源新创近日公开的Physical AI路线，把“仿真”从研发工具变成了通用能力的孵化器。这家公司给出的答案是：先把2000多个真实场景完整“搬”进虚拟世界，再让模型在复杂环境中自己学出通用的导航本领。
从“仿真到现实”的鸿沟说起
机器人导航一直是硬件之外最磨人的环节。传统做法是在真实场地里反复测试，每换一种机器人底盘，就要重新调参、重新跑数据，成本高、周期长。而仿真虽然能加速迭代，却长期被诟病“图上谈兵”——虚拟环境与现实差距过大，模型在仿真里跑得再好，一到真实世界就容易“水土不服”。
亮源新创的路线不同。他们没有把仿真仅仅当作测试场，而是把大量真实场景直接“复刻”进虚拟环境。厂房的地形、仓库的货架间距、园区里的坡道与台阶，这些真实世界的空间结构被高保真地还原到仿真系统中。模型在虚拟世界里需要穿越的路径，和现实中机器人将要面对的几乎一致。这一步，缩短了虚拟与现实之间的“代差”。
一个导航模型，四种机器人通用
真正的看点在于“零样本”迁移。同一个导航模型，不针对某一款机器人做专门优化，就能适配四种不同本体：轮式机器人、四足机器人、双足机器人以及搭载机械臂的移动平台。
这听起来有些反常识。不同机器人的运动方式差异巨大，轮式靠转向，双足要控平衡，四足则要处理复杂步态，导航策略按理说应该“一机一策”。但亮源新创的做法是，在仿真训练阶段就让模型面对大量多样化场景和运动模式的组合，迫使模型学到的是“环境理解能力”，而不是死记硬背某个特定机型的控制逻辑。于是，模型对机器人本体差异形成了天然的鲁棒性——只要输入传感器数据，就能输出可执行的导航决策，至于决策怎么映射到具体机构的运动，交给各机器人的底层控制系统。
突破还藏在“2000+”这个数字里。这不是2000个随机生成的虚拟房间，而是2000多个真实世界的“扫描复刻”——意味着模型在训练阶段见过足够多的“真实空间语法”：门在哪里、走廊多宽、障碍物如何分布、地面材质怎样变化。数据多样性达到一定程度后，模型开始具备泛化能力，面对没见过的空间也能做出合理的路径规划。
机器人导航，开始走向“通才”
这项进展对行业有更深远的意义。长期以来，机器人导航模型被视为“专用件”：换一个场地要重训，换一台机器要重调。这种碎片化开发模式，让机器人落地成本居高不下。亮源新创展示的路线，更像是在探索“通用导航模型”的可能性——一个模型，适配多种本体，覆盖多种场景，如同自动驾驶领域“一个基础模型跑多种路况”的思路。
一旦这种模式被验证，机器人行业的研发链条会被重塑。软件层面，导航能力更像是一种“即插即用”的基础服务；硬件层面，整机厂商可以更专注在机械结构和执行器上，不必从零开发导航算法。这也意味着，即使不会写底层算法的小团队，也有机会借助这类通用模型，快速造出“自己能走”的机器人。
当然，2000多个场景和四种机器人，仍只是起点。现实世界没有“标准答案”，更复杂的长尾场景、动态的人流、突发的异常状况，都是对这套路线的持续考验。但方向已经明确：与其让机器人在真实世界里磕磕碰碰地成长，不如先把足够真实的世界搬进仿真，让机器人在虚拟里“见多识广”，再一落地就游刃有余。