机器人抓取一个从未见过的门把手，需要先知道把手在空间中的位置、它与门板之间的连接关系、转动时可能遇到的阻力，以及手部施加不同力度后会发生什么。自动驾驶车辆在暴雨夜驶过一个积水路口，需要判断水面反光是否意味着深坑、对向车辆是否会突然变道。这些判断无法仅靠图像识别完成，它们依赖的是对物理世界空间结构、物理规律和行为后果的理解。而训练这种理解能力的前提，是拥有大量包含空间关系、物理属性和动态过程的数据。
现实世界的数据采集正在成为瓶颈。危险场景难以复现，极端工况采集成本高昂，低频事件可能几个月才出现一次。当机器人、自动驾驶等 Physical AI 应用对训练数据的需求持续膨胀，行业开始寻找另一条路径：先在数字世界中生成、重建和仿真物理环境，再让 AI 在虚拟空间里完成部分训练、测试与推演。2026 年，世界经济论坛将世界模型（World Models）列入“十大新兴技术”，据其描述，这类模型能够从视频、传感器、文本等多源数据中学习物理环境的运行规律，帮助 AI 理解并预测现实世界的变化。
广和通近期完成对北京飞渡科技股份有限公司（简称“飞渡科技”）的战略投资，进一步布局空间智能与世界模型领域，拓展 AI+机器人产业生态。飞渡科技长期专注空间智能领域，据公司披露，其致力于研发物理世界“生成、理解、推理与决策”的全链路全栈空间智能基础设施。本次投资金额与持股比例暂未披露。
| 字段 | 内容 |
|---|---|
| 公司 | 北京飞渡科技股份有限公司（飞渡科技） |
| 轮次 | 战略投资 |
| 金额 | 未披露 |
| 投资方 | 广和通 |
| 总部 | 北京 |
| 创始人 | 未披露 |
| 官网 | 未披露 |
从数据格式到空间智能模型：飞渡试图把“空间数据处理”重构成一条完整链路
飞渡科技在本次披露中被定位为空间智能基础设施提供商。据公司披露，其自主构建了 3DT 空间数据标准及数据引擎，支持 100+ 种多源异构空间数据格式处理，并积累百亿级真实空间数据语料。这一层能力解决的是空间数据入口的标准化问题：不同来源的三维数据格式差异极大，建筑信息模型、地理信息系统、激光点云、倾斜摄影、工业设计文件各有各的结构和语义，若不能统一解析和转换，后续的模型训练与仿真就缺乏可用的数据底座。
在数据引擎之上，据公司披露，飞渡自研了 DTS 渲染引擎，支持信创环境下的大体量数据实时渲染。信创环境通常意味着国产 CPU、国产操作系统和国产图形栈，其计算与图形性能往往弱于主流 x86 加独立显卡的组合。在这一约束下实现大体量三维数据实时渲染，需要针对国产硬件做底层优化，而非简单移植。这一能力对城市级三维场景、基础设施数字孪生等数据量极大的应用场景有直接意义，但它也意味着飞渡的技术栈与信创生态深度绑定，其性能上限和迭代节奏将在一定程度上受制于国产硬件的演进速度。
更关键的一步是模型层。据公司披露，飞渡推出“峥嵘”空间智能模型，将能力从空间数据处理进一步延伸至空间生成、理解、仿真与决策。从已披露的信息看，这一模型建立在 3DT 数据标准和百亿级真实空间数据语料之上，其逻辑是从“读懂空间数据”走向“生成和推演空间变化”。不过，公司未披露该模型的参数规模、训练方法、评测基准或与通用大模型的关系，因此其实际能力边界尚无法从公开信息中判断。
具身智能训练环境：SimReady 资产、物理仿真与合成数据构成一条尚未验证的供给链
飞渡科技在具身智能方向上的布局，据公司披露，是构建涵盖 SimReady 资产生成、物理仿真及合成数据等能力的训练环境，为机器人训练与算法验证提供支撑。SimReady 资产指的是那些不仅具备几何外观，还包含物理属性、碰撞体、材质响应、可交互部件等信息的数字对象。与普通三维模型不同，SimReady 资产可以直接进入仿真器参与物理计算，而不是只能用于视觉展示。
这条供给链的逻辑是：先用真实空间数据生成或重建 SimReady 资产，再在物理仿真环境中让机器人反复试错，最后生成带标注的合成数据用于训练。其价值在于将部分数据采集从现实环境前移至虚拟空间，降低危险场景和极端工况的获取成本。但这条链路能否跑通，取决于至少三个环节：资产生成的自动化程度、物理仿真的真实度、以及合成数据训练出的模型在真实环境中的迁移效果。目前公开信息只确认飞渡“正在构建”这一训练环境，尚未披露任何机器人客户、训练数据规模、仿真精度指标或 sim-to-real 迁移验证结果。
从产业链位置看，飞渡切入的是机器人数据供给层，而非本体、关节、控制器或端侧推理芯片。广和通作为投资方，据公司披露，此前已通过战略投资布局端侧 AI 算力等方向，此次进一步将投资视野延伸至空间智能与世界模型。从已披露的广和通业务动作看，其在机器人领域已有 RV-BOT 定位模组、VLA 端侧推理加速等布局。投资飞渡的产业逻辑，可能是为 AI+机器人战略补上“训练数据与仿真环境”这一环节。但这一推断的边界在于：双方未披露是否有具体业务合作协议、联合开发计划或客户协同安排，因此投资目前更接近战略卡位，而非已经验证的产业协同。
约 2,000 家客户与 100+ 解决方案：收入结构未披露，商业化重心仍不清晰
据公司披露，飞渡科技已服务约 2,000 家企业客户，形成 100+ 深度行业解决方案，业务进入全球 20 多个国家和地区，并在城市治理、低空经济、机器人等场景形成应用实践。这组数字描绘了一个跨行业、跨地域的客户版图，但未披露任何收入规模、客单价、续约率或各行业收入占比。约 2,000 家客户分布在 20 多个国家和地区，平均每个国家或地区约百家客户，如果客户集中在少数几个区域，则海外业务的实际深度需要重新评估；如果客户高度分散，则意味着交付和服务成本可能较高。
100+ 深度行业解决方案同样是一个需要拆解的数字。解决方案数量多，可能意味着产品化程度高、行业适配能力强；也可能意味着大量项目制交付，每个解决方案都需要定制开发，规模化能力受限。从飞渡的技术栈看，3DT 数据引擎和 DTS 渲染引擎属于可复用的平台层能力，但“深度行业解决方案”往往需要针对具体场景做大量适配。公司未披露标准化产品与定制化项目的收入比例，因此无法判断其商业模式的杠杆程度。
城市治理、低空经济和机器人是三个差异极大的场景。城市治理的客户多为政府和大型集成商，决策链条长、回款周期慢，但项目金额较大；低空经济尚处早期，空域数字化和飞行调度仿真需求在政策推动下开始出现，但商业闭环尚未稳定；机器人训练环境则是一个新兴市场，需求增长快，但付费意愿和采购规模仍待验证。飞渡同时覆盖这三个方向，意味着其需要维持多条产品线和多个交付团队，对组织能力和现金流管理提出更高要求。
广和通的战略投资逻辑：从端侧算力到空间智能，补的是数据缺口还是生态位
广和通在本次投资中的表态，据投资方声明，是“AI 正在从感知和生成，进一步走向对真实世界的理解、模拟与决策。飞渡科技在空间数据、空间智能模型及产业应用方面形成了长期积累，与我们对 Physical AI 发展方向的判断高度契合。”据公司披露，广和通此前已通过战略投资布局端侧 AI 算力等方向，此次将投资视野延伸至空间智能与世界模型，持续完善 AI+机器人前沿技术投资布局。
从投资节奏看，广和通正在围绕 AI+机器人产业链做多点布局。端侧 AI 算力解决的是机器人“大脑”在设备端运行的问题，空间智能解决的是机器人“理解世界”所需的数据和仿真环境问题。两者在技术链条上互补，但互补性不等于协同性。一家做无线通信模组起家的公司，能否通过投资有效整合空间数据引擎、物理仿真和合成数据能力，取决于投后管理和业务对接的实际执行，而非投资逻辑的纸面自洽。
本次投资金额与持股比例均未披露，这使得外界无法判断广和通对飞渡科技的控制力或影响力程度。战略投资与财务投资的关键区别在于，前者通常伴随业务协同、技术合作或供应链绑定。但截至目前，双方未披露任何具体的合作内容。投资方声明中的“前瞻布局”和“持续关注”措辞，更多指向一种长期观察和卡位策略，而非短期内可量化的业务回报。
世界模型的热度与空间智能的落地之间，还隔着数据、算力和验证三重约束
2026 年世界经济论坛将世界模型列入“十大新兴技术”，据其描述，这类模型能够从视频、传感器、文本等多源数据中学习物理环境的运行规律。这一背书提升了世界模型的行业关注度，但技术趋势的确认与商业价值的兑现之间存在时间差。世界模型目前仍处于早期阶段，通用世界模型在物理规律一致性、长时程推演稳定性和复杂场景泛化能力上仍面临显著挑战。
飞渡科技选择的空间智能路径，与通用世界模型有所不同。其基础是 3DT 空间数据标准和百亿级真实空间数据语料，这意味着它更强调真实空间数据的结构化积累，而非纯粹从视频中学习物理规律。这种路径的优势在于，真实数据可以提供更可靠的几何与语义约束；劣势在于，数据采集、清洗和标注的成本高，且百亿级语料的规模在通用大模型训练中并不算大。公司未披露这些语料的具体构成、标注质量和更新机制，因此其数据壁垒的实际高度难以评估。
另一个约束来自算力。空间智能模型的训练和物理仿真都需要大量计算资源，尤其是高精度物理仿真对 GPU 算力的消耗极大。飞渡科技未披露其算力规模、训练成本或模型推理效率。在信创环境下，DTS 渲染引擎已经需要针对国产硬件做优化，空间智能模型的训练和推理是否也受限于国产算力生态，是一个未被回答的问题。如果训练依赖进口高端 GPU，则成本与供应链风险并存；如果完全基于国产算力，则模型规模和训练效率可能受到制约。
资金用途指向“布局”，但未披露金额让战略意图难以量化
据公司披露，本次投资资金将用于进一步布局空间智能与世界模型领域，拓展 AI+机器人产业生态。这一表述属于方向性描述，没有涉及具体的研发投入、人才招聘、算力采购或市场拓展计划。在投资金额未披露的情况下，资金用途的表述缺乏可衡量的锚点。一笔数百万元的战略投资和一笔数亿元的战略投资，对公司业务的影响完全不同。
从飞渡科技的角度看，获得广和通战略投资的意义可能不止于资金。广和通在通信模组和物联网领域有深厚的产业积累，其客户网络覆盖大量设备制造商和行业集成商。如果飞渡能够借助广和通的渠道进入更多机器人、车联网和工业场景，其商业化速度可能加快。但这一假设的前提是双方建立了实质性的业务合作，而目前公开信息中并无此类内容。
从广和通的角度看，这笔投资的风险在于空间智能和世界模型的技术成熟度与商业化节奏。如果世界模型在短期内无法从技术演示走向规模化应用，这笔投资的财务回报将难以体现。广和通在声明中使用了“前瞻布局”一词，这本身就包含了对不确定性的承认。前瞻布局的潜台词是：现在投入是为了不错过未来可能的机会，而非因为当前已经看到了确定的回报。
待验证的核心假设：数据壁垒能否转化为模型能力，模型能力能否转化为客户付费
飞渡科技的故事建立在一条清晰的逻辑链上：真实空间数据积累形成数据壁垒，数据壁垒支撑空间智能模型训练，模型能力赋能具身智能和行业应用，最终转化为商业收入。这条链条的每一环都需要独立验证。
第一环是数据壁垒的真实性。百亿级真实空间数据语料是一个可观的积累，但数据量和数据价值并不直接等同。如果语料中大量数据来自公开数据集或低价值场景，其差异化优势有限；如果语料来自高价值行业项目，则可能面临客户数据授权和隐私合规的限制。公司未披露语料的来源构成和授权情况，因此数据壁垒的可持续性存疑。
第二环是模型能力的实际水平。“峥嵘”空间智能模型被描述为覆盖空间生成、理解、仿真与决策，但公司未披露任何评测结果、客户案例中的性能对比或与竞品模型的差异。在空间智能领域，模型能力的验证需要具体的任务基准，例如三维场景重建精度、物理仿真误差、决策推演的准确率等。没有这些指标，“空间智能模型”更像一个产品概念，而非可评估的技术实体。
第三环是商业转化的效率。约 2,000 家客户和 100+ 解决方案说明飞渡已有一定的市场覆盖，但未披露收入规模意味着无法计算客单价和收入质量。如果这些客户主要来自低客单价的标准产品，收入规模可能有限；如果来自高客单价的项目制交付，则增长可能受限于交付能力。空间智能基础设施的规模化，最终取决于产品化程度和交付效率，而非客户数量的简单累加。
从已披露的广和通投资动作和飞渡科技的技术布局看，这笔交易的核心价值在于将空间数据与仿真能力嵌入 AI+机器人产业链的早期位置。但投资金额未披露、双方合作内容未公开、飞渡的核心技术指标和财务数据缺失，使得这一价值判断目前只能停留在战略叙事层面。空间智能能否真正为具身智能补上物理世界训练数据的缺口，取决于飞渡能否在数据、模型和商业转化三个环节同时拿出可验证的证据，而不仅仅是技术路径的合理推演。
验证边界与可复核指标
本文涉及的“首个、唯一、最大、领先”、订单、出货、性能等表述，如无另行说明，均是公司、创始人或投资方在现有公开材料中的披露口径；RecodeX未在本次采集材料中找到独立审计或第三方测试结论，因而不将其视为已经独立确认的事实。文中的产业协同、竞争位置和商业路径属于基于已披露产品与融资用途的编辑分析，不代表相关结果已经实现。
- 技术侧应核验第三方测试条件、样本规模、良率、稳定性及与可比方案一致口径的结果；
- 商业侧应核验去重后的付费客户、可执行合同、收入确认、复购率以及订单转化；
- 资本与产业协同应以工商股权、关联交易、联合开发、采购或量产文件为准。
RecodeX 极客视：当机器人开始需要理解门把手的转动阻力，而不是仅仅识别它的像素，空间智能就从测绘和数字孪生的旧战场，进入了 Physical AI 的新前线。飞渡科技拿到的这笔战略投资，金额未披露、合作未公开，但它的价值不在于支票上的数字，而在于一个信号：通信模组厂商正在沿着 AI+机器人的链条向上游数据层渗透。真正的问题不是世界模型是否重要，而是谁能在真实空间数据、物理仿真和商业交付之间，先跑出一条可复制的路径。在答案出现之前，所有关于空间智能的叙事，都还只是对物理世界的一次昂贵建模。
信息来源
本文在采集与核验阶段引用了以下公开来源，按站点去重列出；来源内容归原发布方所有，其口径不代表 RecodeX 的核实结论。