机器人学习正在被一个看似基础的问题卡住：它需要犯错，但现实世界不允许它低成本地犯错。一台机械臂在真实厨房里练习抓取杯子，滑落一次可能意味着传感器损坏、产线停摆，或者至少是一次需要人工复位的中断。真机采集能够提供最可信的交互经验，但成本高、效率有限，难以覆盖复杂任务和长尾环境；互联网图像和人类第一视角视频虽然规模庞大，却缺少准确的空间结构、物理状态和动作反馈。具身智能与世界模型的发展，由此陷入数据供给在规模与质量上的双重困境。
景立构（ScanArk）给出的答案，是把真实世界改造成机器人可以反复进入的数字训练场。这家公司试图让原生3DGS从“看起来像世界”，进化为“机器人可以进入、行动和学习的世界”。据36氪报道，景立构近日宣布完成Pre-天使轮融资，至此公司在4个月内已完成种子轮、种子+轮及Pre-天使轮三轮融资，累计融资数千万元人民币；本轮Pre-天使轮单独金额未披露，数千万元为三轮累计。投资方包括小苗朗程、国海创新资本、头部具身机器人公司及知名产投机构等。上述投资方为三轮累计披露口径，各轮次分别对应关系未披露；其中“头部具身机器人公司”“知名产投机构”为未具名表述。
这笔融资的特别之处不在于金额本身——数千万元在具身智能赛道并不算大——而在于它发生在公司成立不到两年的时间内，且连续三轮的节奏异常紧凑。更值得关注的是投资方结构：财务投资机构与未具名的头部具身机器人公司同时出现，意味着景立构的产品方向至少已经引起了产业方的兴趣。但这家公司尚未披露具体客户名称、本轮单独融资金额和资金用途，其技术路线能否从实验室叙事走向可复制的商业交付，仍然是一个开放问题。
| 字段 | 内容 |
|---|---|
| 公司 | 景立构（ScanArk） |
| 轮次 | Pre-天使轮 |
| 金额 | 本轮Pre-天使轮单独金额未披露；数千万元人民币为种子轮、种子+轮及Pre-天使轮三轮累计 |
| 投资方 | 小苗朗程、国海创新资本、头部具身机器人公司、知名产投机构（三轮累计披露口径，各轮次对应关系未披露；后两家未具名） |
| 总部 | 未披露 |
| 创始人 | 彭云（创始人兼CEO）、苏帅（联合创始人兼CTO）、刘创伟（联合创始人兼联席CTO） |
| 官网 | https://www.scanark.net/ |
原生3DGS的真正分歧点：不是“像”，而是“能响应”
3DGS自2023年提出以来，展示的是高质量重建和实时渲染的潜力。它以显式的三维高斯表示空间，能够保留真实场景丰富的纹理、光照和外观细节，并高效生成不同位置与视角下的画面。但景立构试图切入的问题比渲染更深一层：一个视觉上逼真的场景，如果机器人推门时门不会动、抓杯子时杯子不会滑落，那么它对机器人学习的价值就仍然停留在“看”的层面。
据公司介绍，景立构的技术路线是在生成视觉与空间结构的同时，生成物理与交互信息，将真实观测组织为视觉、几何、语义、物理和场景关系，支持碰撞、接触、关节运动及状态变化的模拟。这意味着机器人面对一扇门时，系统需要提供的不只是“这是一扇门”的语义标签，还包括门框、把手与墙的空间关系，铰链位置，以及朝哪个方向、用多大的力才能打开。传统人工建模通常从已有资产中挑选桌椅、柜子和家电，再按规则排列组合，这样的房间可以看起来完整合理，却难以保留真实生活中物品的摆放、遮挡、磨损，以及它们与空间、任务之间的关系。
这正是景立构与纯重建路线、纯生成路线的关键差异。以其域创新为代表的真实空间采集与三维重建路线，优势在于保留真实环境的布局、外观与空间细节，其LCC工作流已将真实场景重建、3DGS渲染与引擎应用连接起来，并提供结合碰撞几何的仿真接入能力；但进一步服务机器人操作训练，则需要完善对象状态、交互机制和任务定义。以World Labs为代表的生成路线，已通过Marble和Atlas探索从图像、视频等输入生成或重建三维环境，并展示了机器人视角观测生成及操作仿真；但生成内容的几何精度、物理一致性及任务有效性，仍需要结合具体应用检验。景立构选择的路线，是以真实环境为基础，通过自研模型在还原视觉与空间结构的同时生成物理属性和交互信息。从已披露的技术描述看，这意味着它同时承担重建的保真度压力和生成的物理合理性压力，而这两者之间的耦合关系，恰恰是尚未被公开验证的核心环节。
从RoboCup赛场到华为2012实验室：一支被竞赛训练出来的团队
景立构的创始团队有一个罕见特征：三个人来自同一实验室、同一导师门下，并且曾是RoboCup赛场上并肩作战的队友。据36氪报道，景立构的核心技术团队成长于同济大学机器人与人工智能实验室（RAIL），该实验室始于1990年，报道称其为国内最早开展机器人与人工智能研究的实验室之一。RAIL实验室的TJArk（同济方舟）团队曾在RoboCup机器人世界杯中国赛标准平台组实现十一连冠，并于2018年获得该组别国际赛季军，创下当时中国队在这一项目上的最好成绩。
公司名称ScanArk中的“Ark”沿用了TJArk的队名，既有“方舟”之意，也呼应同济“同舟共济”的含义。这个命名选择本身透露出团队对实验室身份认同的延续，但RoboCup的经验能否直接迁移到工业级具身智能基础设施，是另一个问题。竞赛环境有明确的规则、有限的变量和可重复的评分标准；真实世界的机器人部署则面临开放场景、长尾分布和无法穷举的失败模式。
三位创始人的履历提供了部分线索。创始人兼CEO彭云出生于1998年，据36氪报道，他的技术经历涵盖工业三维视觉、三维空间理解和仿真数据生产，曾在华为2012实验室三维栅格算法团队主导核心项目，并以第一作者发表多篇三维视觉相关论文。联合创始人兼CTO苏帅曾参与蔚来多传感器融合标定算法的早期研发，以及OPPO XR基于轻量化深度学习的视觉SLAM研究。联合创始人兼联席CTO刘创伟主导3DGS重建算法与生成模型研发，据36氪报道，他最早将视觉基础模型引入双目立体匹配领域，并多次在场景重建榜单KITTI Benchmark上登顶。这些经历覆盖了三维视觉、多传感器融合、SLAM和3DGS重建，但均未直接指向物理仿真引擎或机器人操作策略训练，这意味着团队在“可交互”这一环节的技术积累，仍需要更多公开证据来支撑。
投资方结构透露的信号：产业资本提前卡位，但商业化路径未明
本轮投资方名单中，“头部具身机器人公司”和“知名产投机构”的表述值得拆解。在Pre-天使轮阶段就出现产业方，通常意味着两种可能：一是产业方看好该技术路线对其自身机器人产品训练体系的补充价值，希望通过股权投资锁定合作优先级；二是产业方将这笔投资视为对潜在供应商的早期绑定，金额不大，但具有战略卡位意义。无论哪种情况，都说明景立构的产品方向至少在产业端引起了关注。
但投资方名称的模糊化处理也带来了信息不对称。小苗朗程和国海创新资本是明确披露的财务投资机构，而“头部具身机器人公司”和“知名产投机构”未具名，外界无法判断产业方的具体身份、投资金额占比以及是否存在排他性合作条款。景立构未公布各轮次分别对应的投资方，也未披露本轮资金用途。在Pre-天使轮阶段，这种披露策略并不罕见，但它同时意味着市场无法评估产业资本介入的深度和商业绑定的强度。
从资本结构角度分析，四个月内完成三轮融资的节奏，通常反映两种情境：要么是公司技术进展超出预期，投资方争相进入；要么是公司将原本可以合并的融资拆分为多个小轮次，以更快锁定不同背景的投资者。已披露信息无法区分这两种情境，但三轮累计数千万元的规模，相对于具身智能基础设施赛道动辄数亿元的A轮融资而言，仍然处于早期验证阶段。这家公司真正的资本考验，在于下一轮能否以更大规模融资证明其技术路线具备可扩展性。
商业模式的真正瓶颈：客户买的不是场景，是场景与真机之间的可信差距
景立构对其商业模式的描述是：为机器人及具身智能团队提供可生成、可编辑、可交互的训练环境与评测基础，客户得到的不只是可观看的三维资产或一次性数据集，还包括可供机器人反复进入、尝试和学习的环境。工程团队可以重设初始状态、改变任务条件，比较不同动作的结果，检查失败原因，并将仿真表现与真机结果对照。
这个价值主张的关键词是“对照”。仿真环境的价值不取决于它看起来多真实，而取决于仿真中的经验能否迁移到真机。如果机器人在数字环境中学会了以某种力度抓取杯子，但真机上的杯子材质、摩擦系数或重量分布与仿真不一致，那么学到的策略可能完全失效。景立构将真机执行、失败诊断与现实校准作为其技术闭环的一部分，但公司未披露这一校准过程的具体方法、误差范围和验证案例。
另一个被忽略的约束是成本结构。3DGS的高效渲染优势在反复交互中确实重要，但生成物理与交互信息需要额外的计算和标注投入。一个真实场景要成为可交互的数字副本，需要处理物体属性、部件关系、关节运动、碰撞响应和状态变化，这些信息的生成成本、更新频率和跨场景泛化能力，直接决定了产品的商业可扩展性。景立构未披露单个场景的生成成本、交付周期或定价模式，这使得外界无法判断其产品在商业上是否具备规模化的经济性。
竞争格局正在收敛：四条路线争夺同一个目标，但没有人证明闭环
机器人仿真赛道正在升温，但竞争的核心指标正在从“环境是否足够真实”转向“仿真经验能否有效迁移到真机”。围绕这一目标，不同公司形成了四条技术路径，且边界正在逐渐融合。
第一类以真实空间采集与三维重建为核心，代表是其域创新的LCC工作流。第二类以世界模型的生成能力为切入口，代表是World Labs的Marble和Atlas。第三类以物理资产与仿真工具链为基础，代表是光轮智能。据公开报道，光轮智能曾披露服务吉利人形机器人训练与部署的案例，RecodeX尚未独立核实该客户案例。第四类是景立构选择的重建与生成融合路线。据公开信息，英伟达、光轮智能与World Labs等已有相关合作或产品整合的报道，包括英伟达通过NuRec将真实场景重建接入Isaac Sim、利用Cosmos扩展环境变化，以及光轮与World Labs在生成式场景、物理资产、任务执行和评测体系上的合作；这些合作与产品关系尚未独立验证。
景立构在这张竞争地图中的位置，取决于一个尚未被验证的假设：重建与生成的融合，能否在保持真实环境分布的同时，以可接受的成本生成可信的物理交互信息。如果该假设成立，理论上景立构可能在交互能力上优于纯重建路线、在几何保真度上优于纯生成路线，但尚需公开基准测试验证。如果这个假设不成立，它将同时承受两条路线的成本压力，却无法在任何单一维度上建立足够深的护城河。景立构尚未公布任何公开的基准测试结果、客户验证案例或与竞品的直接对比数据，其技术优势的边界仍然模糊。
交互学习范式的赌注：验证周期比融资节奏更长
景立构的核心判断是：交互学习有望成为具身智能下一阶段的重要学习范式。公司看好的路径，是先利用人类示范等数据训练基础模型，再让机器人进入可反复试错的数字环境，通过行动、反馈和策略更新继续学习。示范数据提供初始能力，机器人自己的尝试则帮助它发现新的问题、比较不同做法，并学习如何应对示范中未曾覆盖的情况。
这个判断与当前行业的部分趋势一致。据36氪报道，部分递归自我改进方法和测试时训练将交互式学习视为关键机制。但交互学习范式的成立，需要更大规模的跨场景、跨任务和真机实验验证。景立构自己也在公司介绍中承认这一点。这意味着，投资方押注的是一个尚未被系统性验证的学习范式，而景立构的产品本身又是验证这一范式的工具——这种“用未验证的工具验证未验证的范式”的结构，决定了它的商业化进程必然伴随着较高的不确定性。
更具体的风险在于技术耦合的复杂度。原生3DGS可交互世界需要在视觉保真度、物理可信度和计算效率之间取得平衡。视觉保真度不足，机器人学到的策略可能依赖错误的视觉信号；物理可信度不足，仿真中的成功可能无法迁移到真机；计算效率不足，反复试错的成本优势将被抵消。这三个维度之间的权衡关系，景立构尚未披露任何量化指标。从已披露的技术描述看，公司强调“支持碰撞、接触、关节运动及状态变化的模拟”，但“支持”与“可信”之间的距离，恰恰是决定产品价值的关键。
资金用途与待验证假设：Pre-天使轮之后，真正的考题才开始
景立构未披露本轮Pre-天使轮的具体融资金额和资金用途。公司未披露资金用途；若参照早期硬科技公司常见安排，资金可能用于团队扩充、技术研发和早期产品化，但具体分配无法确认。
景立构面临三个层级的待验证假设。第一层是技术假设：原生3DGS能否在保持视觉保真度的同时，以可接受的成本生成可信的物理与交互信息。第二层是产品假设：机器人及具身智能团队是否愿意为“可交互的数字环境”付费，而不是继续使用内部搭建的仿真工具或购买现成的SimReady资产。第三层是范式假设：交互学习能否在跨场景、跨任务的真机实验中证明其相对纯示范学习和纯真机训练的优势。这三个假设的验证周期依次递增，而景立构目前只完成了第一层假设的初步技术探索。
从投资方结构看，未具名的头部具身机器人公司参与可能为第二层假设的验证提供便利。若产业投资方愿意开放其机器人平台作为测试环境，理论上可能加快产品迭代，但该合作是否存在尚未披露。产业投资的另一面是潜在的利益冲突：如果景立构的产品被绑定在单一机器人公司的硬件和任务体系上，其作为第三方基础设施提供商的独立性将受到质疑。已披露信息无法确认产业投资方与景立构之间是否存在排他性安排，这是后续观察的重要变量。
景立构的故事之所以值得关注，不在于它宣称开创了某种“全新形态”，而在于它把一个行业共同面临的瓶颈——机器人缺乏可交互、可试错、可校准的训练环境——转化为一个明确的技术命题。从RoboCup赛场走出的团队，对“让机器人在真实环境中完成任务”有长期积累；从华为2012实验室和蔚来走出的工程经验，为三维视觉和传感器融合提供了产业视角。但所有这些积累，都还没有回答一个最朴素的问题：当机器人真的进入景立构生成的数字世界，它学到的东西，有多少能带回现实？
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：景立构把赌注押在一个尚未被验证的闭环上——用原生3DGS重建真实世界，再让机器人进入其中试错学习。方向与行业趋势同频，但Pre-天使轮只证明了团队和叙事能够吸引资本，真正的考验在于：当第一个客户要求给出“仿真迁移到真机的成功率”时，这家公司能否拿出一个经得起追问的数字。
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。