点击下方卡片，关注“具身智能之心”公众号
先说句有点反直觉的话。
机器人要学走路、学巡检、学在真实世界里干活，它得先摔，摔很多次。
不是比喻。真机测试里，一台机器人实测一百来次基本就到它的体力上限了，再摔就得停机检修。可要让它在陌生地形、复杂扰动、突发状况里不露怯，算法要的试错量，是以万次计的。让人形机器人在真实车间里摔一万次学走路？成本、时间、设备损耗，哪家都扛不住。变电站、隧道、火场，根本没法反复实测，极端工况更是想都别想。
所以行业很早就盯上了另一条路，先在虚拟世界里把机器人练熟，再搬到现实。这套思路叫仿真训练，Sim-to-Real，被普遍看作具身智能从实验室跨向规模化的那道必过之坎。从 NVIDIA 的 Cosmos 世界模型，到各家仿真平台，行业都在把「在仿真里规模化生成合成数据」当成填补真实数据缺口的关键路径。
可惜理想很丰满，真用起来，今天的仿真平台普遍卡在四道坎上。
第一道坎，是“物理准”和“视觉真”的单选题。仿真圈有个心照不宣的尴尬，物理算得准的，画面糙得像打了马赛克；画面美成电影级的，足式机器人的腿又「飘」在棉花上。工程师永远卡在选择题里，要物理准，还是要视觉真。
第二道坎，是场景得一笔一笔「画」出来。今天绝大多数仿真环境，是工程师拿鼠标一点一点搭的。一个变电站，采数据动辄几个月；隧道、火场这种地方，根本没法反复实测。你每多想要一种地形，成本就往上叠一层。可等机器人一脚踩进没见过的地形和光照，当场就露怯。
第三道坎，是多机协同。编队巡检、集群调度、协同搬运，听着都是多智能体的活儿，可主流平台还停在单机任务设计阶段，群体智能至今缺一块可扩展的训练验证场。
第四道坎，最现实，挡的是人。配环境、管依赖、调兼容性，光是进门这一步，就能耗掉开发者几天到几周。不少中小团队，算法还没摸到，先被门槛劝退了。
这四道坎串起来，其实就一句话，今天的仿真平台，大多还停留在「辅助验证工具」的定位，没能进化为物理 AI 真正需要的「训练基础设施」。
行业要的，从来不是一个好看的演示窗口，而是一个能在虚拟世界里规模化生产交互经验、还能让开发者快速上手的数据引擎。
这，就是智身科技做 MATRiX 的出发点。
2025 年，智身科技在 IROS 大会开源了高保真机器人仿真平台 MATRiX。作为首个把 MuJoCo 高精度物理引擎与 Unreal Engine 5 高保真视觉渲染「捏合」在一起的联合仿真平台，MATRiX 把那道「物理准」和「视觉真」难以兼顾的墙，拆了。在此之上持续迭代，动力学精度和视觉真实度进一步拉高，部署门槛也大幅压低。最新发布的 MATRiX 2.0，正是冲着上面那四个痛点去的，给出了一套系统性的解法。
开源主页：https://github.com/zsibot/matrix
01.
从 1.0 到 2.0：高保真只是地基，
数据飞轮才是目的
真实场景的数据采集，给机器人训练提供了最初的素材底子。但机器人能在固定场景里稳稳当当，却未必扛得住陌生地形、复杂扰动和突发变化；场景泛化高度依赖人工搭建，评测也很难统一。算法每迭代一轮，工程侧往往就要重新投入一轮繁重的环境配置和验证。
让机器人在踏入真实世界之前，先经历足够复杂、连续、且可评测的环境考验，这正是 MATRiX 持续迭代的核心出发点。
MATRiX 1.0 解决的是机器人仿真「够不够真」的问题。通过 MuJoCo 与 UE5 的深度融合，它为运动控制、强化学习和感知算法，提供了一套力学精度和视觉真实度都经得起推敲的验证环境。
MATRiX 2.0 往前多想了一步，开始回答三个更现实的问题，环境怎么快速建起来、机器人怎么规模化协同、数据怎么持续流动。平台能力从预设场景下的单机训练，扩展到了开放世界里的多机器人协同、动态数据生成以及虚实闭环，让机器人的能力更快地从仿真走向现实。
如果说 1.0 搭起了一套足够真实的数字地基，那么 2.0 是让这个数字世界长出了持续生长、开放连接和协同进化的能力。
顺着这条脉络往下看，MATRiX 2.0 的核心能力可以拆成四块，每一块都对应前面那道坎。
02.
MATRiX World：
把训练场，变成一块能自己生长的土地
在传统的范式里，仿真环境是被「搭」出来的。而在 MATRiX 2.0 里，环境是可以持续生长、按需扩建的。
真实世界从来不是单一地形。基于实时动态地形技术，MATRiX 2.0 突破了传统仿真场景的空间限制，支持构建数百平方公里级的超大规模开放环境，从复杂山地、密布森林到月球地表、火星荒原等极端地貌，都能一键生成，并且自带完整的物理碰撞属性。机器人在更丰富的地貌和任务条件下，完成感知、规划、控制与决策的验证。
落到具体体验上，三个层次把「建环境」这件事重新做了一遍。
最实在的，是它把门槛压到了最低。MATRiX 2.0 同时支持 Windows 和 Linux，没有一堆外部依赖要伺候，下载就能直接跑；地图资源走 DLC 按需下载，做什么任务下什么图就行。平台上还直接集成了 RGB 相机、深度相机、激光雷达、全景相机、鱼眼相机等一整套传感器，建图、导航、采数据一把抓，开发者能更快进到训练和验证的正题。
搭场景这件事，被它玩成了「建造游戏」。地形加载后，摆一摆建筑、塞几个障碍物，障碍关卡、野外森林，甚至一整座城区，都能自己拼出来。不用改一行底层代码，开发者几分钟就能搓出一个专属训练「副本」。
最妙的一步，是 AI 自己也下场了。你下条指令，它能生成不同范围的地图，顺手把障碍物和行人一并铺上。那些行人由AI Agent 驱动，自己规划路线、自然地走，训练环境一下子就活了。AI 不再是仿真里那个被动的摆设，而是参与搭世界的「搭档」，环境生成也从死板的预设，走向按需配置、持续变化。
过去你想测一台巡检机器人在园区巡逻的表现，得等美术建模、等渲染、调光照，几周才出一个场景。在 MATRiX World 里，你拖几块地形、放几栋建筑，几分钟就是一片小园区；你说一句「让行人在环境优美的园区中行走」，树木、道路和走动的人就一并铺开了。环境从「被搭出来」，变成了「自己长出来」。
03.
MATRiX Multi-Agent：
让一群机器人，第一次在同一个世界里协作
MATRiX 2.0 把仿真对象从一台机器，扩到了一群机器，测试目标也从「单机跑得通」升级成「多智能体之间能互动、能协同决策」。这一步，是把机器人从单体智能，推向群体智能。
过去要测多机协同，得像联机打游戏一样，每台设备各自配环境、对时钟、对齐坐标系，麻烦得让人想放弃。MATRiX 借了 MOBA 那套在线交互框架，把分布式网络部署与多机器人实时联网仿真捏合在一起，不同设备上的机器人直接「进同一个房间联机」，既能分头在多任务线上并行推进，也能在共享世界里实时会合、互相补位。团队协作、任务对抗、大规模联合训练，都在这同一个世界里跑了起来。
编队巡检、协同搬运、集群调度，这些过去只能纸上谈兵的课题，终于有了能跑、能对抗、能复盘的真实训练场。
04.
MATRiX Real2Sim2Real：
把真实世界搬进仿真，再把机器人送回现实
从虚拟到现实的跨越，是具身智能落地的最后一道门槛。
MATRiX 2.0 能把真实世界「搬」进仿真，再让机器人「回」到现实，跑通一条虚实闭环。你拿采集设备把一间真实车间扫一遍，3DGS（3D Gaussian Splatting）就实时把它的样子重建出来，MATRiX 再自动补上物理碰撞模型，机器人就能在这个「数字孪生」的车间里反复练，全程不用手工建模。真实采集、数字重建、虚拟训练、现实验证，四步串成一条线，训练环境也更贴近实际部署条件。
比如，要让机器人在一家书店里做巡检，传统方式往往需要前往现场测量、拍照，对书架、动线、收银台等环境要素进行建模，并经过多轮调试。
现在，可以先通过手机或者全景相机采集并重建书店的 3DGS 场景，再将其导入 MATRiX 2.0，进一步配置机器人、任务流程及物理交互要素，模拟书架倾倒、通道被堵、地面湿滑等情况。
机器人可在虚拟环境中开展训练和验证，再将相关策略部署至真实场景；真实运行数据也可继续用于调整仿真场景和训练策略，形成“场景导入—虚拟训练—现实验证—持续优化”的迭代流程。
05.
MATRiX Eval：让机器人在出厂前，
先在数字世界里摔够一万次
回到开头那句话，机器人学走路，得先摔够一万次。
真机测试这件事，又慢又金贵。真机要排队、场地要协调，一台机器人实测一百来次往往就到顶了。可在 MATRiX 2.0 的数字世界里，这个量级能轻松拉到一万次以上。
打个比方，有个团队要验证一套导航算法。在真实世界里，他们得提前约测试场、协调档期，一天跑下来往往就几十次，还大多是重复路况，一旦摔了得停机检修，当天基本就废了。可在 MATRiX 2.0 里，你头天晚上挂上任务去睡，第二天早上就能收一份跑了一万多次的报告，光照、材质、坡度全被自动调试过，哪次在哪个弯摔的、为什么摔的，一目了然。
平台跑着 VibeTesting 和 7×24 小时自动化测试，研发团队能在仿真里持续攒下那些极端的 Corner Case，无限制地扩展不同光照条件、复杂材质障碍与极端坡度，让机器人在虚拟世界里把能犯的错都犯一遍。你甚至可以头天晚上一键派发一万次任务，第二天早上收一份标注好失败环节的报表。
除此之外，它把研发的并行调试闭环也打通了。机器人的感知、定位、建图、导航、运控，各模块的算法都能直接接进来，支持软件及处理器在环（SIL/PIL）仿真。研发调试从过去的「真机排队、单线调参」变成了「仿真并行、多线调参」，开发者能更快定位问题出在哪个环节，把八到九成的测试验证，提前到仿真闭环里解决。真机少占、并线多跑，硬件损耗压下去了，算法迭代的效率，也被实实在在地提了上来。
06.
一套谁都能用的 infra，才真正重要
MATRiX 在设计之初就确立了平台中立原则。它不局限于智身科技自有的钢镚 L1、铜锤 M1 等机型，而是开放支持跨品牌、跨品类的机器人本体，从四足机器人到人形机器人，从轮式底盘到复合机械臂，都能接入 MATRiX 进行训练与验证。说到底，MATRiX 并不是某一款机器人的专用仿真工具，而是一套面向全行业、全品类的通用训练基础设施。每一位开发者都可以享受 MATRiX 带来的高保真仿真与数据生产能力。
把视角移回具身智能本身，平台的意义才真正显现。
在物理 AI 的语境下，具身智能的核心约束，不是某一个算法够不够聪明，而是规模化的、可交互的、能试错的经验从何而来。真实世界的经验采集成本高、周期长，危险工况难以实测，这部分缺口只能由仿真来填补。这也决定了仿真平台的角色必须改变，从「展示工具」进化为「训练基础设施」，从被动呈现，变为主动生成经验。
在这一转变里，平台本身就是关键变量。
硬件会迭代，模型会换代，单一机器人也会过时。而一套开放、中立、低门槛的训练基础设施，一旦建成，受益的是整个行业。它把场景、数据与开发者连成一张网，让不同团队搭建的环境与积累的数据得以复用和叠加，形成复利。平台的价值不在于归属，而在于开放程度，门槛越低，参与者越多，整个具身智能的进步速度也就越快。
场景越丰富，数据越多元，机器人面对未知环境的迭代能力，也就获得更大的提升空间。
MATRiX 2.0 现已在 GitHub 开源，作为业内首个开源的开放世界高保真仿真平台，智身科技方面表示，希望与全球高校、科研机构、开发者及产业伙伴深化合作，共同推动具身智能从技术验证走向规模化应用。
7月17-20日，智身科技也将重磅新品与全新一代仿真平台MATRiX 2.0带到了WAIC 2026现场，大家也可以去H3-D321展台中亲身体验MATRiX 2.0的能力。
机器人学走路，得先摔够一万次。过去这一万次，贵得没人摔得起。现在 MATRiX 2.0 把训练场搬进了一个能自己生长、能协同、能闭环、能反复摔的数字世界，而且选择开源。
当一个足够好的平台选择开源，具身智能共同的进度条，才算真正开始转动。
