对话谋先飞联合创始人兼COO周恩凯
作者 / 卡布
编辑 / 橙子
Xbotics具身朋友圈 ，记录那些把机器人推向真实世界的人。
这是一个新栏目。我们想和那些在一线做机器人的人聊聊。融资和估值之外，我们更关心他们为什么选择一条技术路线，怎样把技术做成产品，以及机器人在仿真中跑通后，为什么仍会在真实世界里出错。
这一期，我们对话了北京谋先飞技术有限公司联合创始人兼COO周恩凯。
机器人进入真实世界之前，通常要先在虚拟环境中训练、试错，甚至摔倒成千上万次。但虚拟世界里的成功，无法直接兑换成真机上的成功。摩擦力偏了一点，传感器多了一些噪声，或者关节响应慢了几十毫秒，都可能让一套在仿真中运行顺利的策略，到了现实里重新摔一遍。
谋先飞选择从这段误差入手，做机器人训练所依赖的物理引擎和仿真工具。
2025年8月，周恩凯加入谋先飞，担任联合创始人兼COO。他与创始人崔汉青的交集可以追溯到2011年，两人曾在微软共事，此后一直保持联系。推动周恩凯作出决定的，是他离开大厂后对AI产业长达两年的观察。
01 九年微软、六年腾讯之后，他为什么选择物理引擎
周恩凯学计算机出身，职业生涯的大部分时间都在大厂度过。微软九年、腾讯六年，他经历了传统软件和移动互联网两个阶段，也做过大量产品工作。
他这样形容自己，
「我并不是一个AI background的人。」
离开大厂后，周恩凯没有马上创业。他用两年时间观察AI产业，也基于已有模型能力做过一些应用探索。他逐渐形成了一个判断，通用大模型已经聚集了大量资金、人才和算力，创业团队继续沿着这条路线追赶，需要承担很高的投入。具身智能的工具链仍有不少基础能力没有补齐，这里存在另一种机会。
与崔汉青一通电话后，周恩凯加入公司，两位相识十多年的老同事由此成为创业伙伴。
我们对这个选择的理解是，物理引擎是一条前期很慢的创业路线。它研发周期长，验证要跟着客户的机器人和任务走；一旦进入研发流程，又会和场景资产、训练参数及工具接口一起沉淀。它不容易迅速制造声量，更依赖长期的工程积累。
谋先飞这个名字，也来自团队对这条路线的理解。英文名称Motphys由motion与physics组合而来，指向运动背后的物理规律。团队对中文名的解释是，要往前看，也要愿意进入更难、更靠前的位置。
周恩凯说，
「谋先飞的先，就是要吃点苦，也要试点错。」
这份选择最终落在了物理引擎上。客户检验这类产品的方法很具体，训练速度有没有提高，部署时少走了多少弯路，机器人到了真机上能不能完成任务。
02 机器人从仿真走到现实，中间差了什么
具身智能已经有不少技术名词，物理引擎、仿真平台、训练框架和数字孪生又经常同时出现。周恩凯把物理引擎比作一台解物理题的计算器。
一个滑块有多重，需要多大的力才能拉动；两个物体碰撞后会怎样运动；机器人关节受到摩擦、重力和外力时会有什么反应，这些问题都需要物理引擎计算。对于机器人训练，它要同时解决两件事，算得准，也算得快。计算结果与真实世界偏差太大，机器人学到的策略很难迁移；计算速度太慢，又无法支撑成千上万个环境并行训练。
仿真平台在物理引擎之上继续搭建场景。机器人模型、可交互物体、任务设置和训练接口都被放进来，机器人可以在其中不断行动、失败和调整策略。数字孪生更多用于状态映射、运行监控、流程预测和可视化。三者可以先做一个直观区分，物理引擎计算规律，仿真平台搭建场景、训练机器人技能，数字孪生映射状态。
沿着这条链路，谋先飞正在建立一套面向具身智能研发的工具体系。核心物理仿真底座MotrixSim负责刚体、关节、摩擦、碰撞和闭链结构等复杂计算。在机器人灵巧操作、车辆悬架和履带结构等接触密集型任务中，精度、稳定性与并行效率都很重要。训练平台MotrixLab则连接机器人训练与机器学习流程，集成PPO、SAC等强化学习算法，并为运动控制和数据合成提供工具。MotrixGen数据合成管线，可规模化生成高质量训练数据，加速策略迭代。三大产品协同，形成兼具高精度、高效率与高可靠性的Real2Sim2Real链路——让机器人在数字空间中完成大规模训练，在可交互、可探索的环境中持续获得丰富变化的反馈，最终将能力迁移至真实世界。
周恩凯介绍，在特定任务和评测口径下，团队希望把仿真与真实表现的一致性提高到90%至95%。他关心的是，这个数字能否减少工程师在训练、部署和调试之间来回试错的次数。
我们理解，这个数字只能放进具体任务和指标里看。移动机器人关注轨迹、速度和碰撞，灵巧操作还要衡量接触力、物体姿态与任务成功率。相比一个笼统的一致性分数，工程师更需要知道误差出现在哪里，以及能否通过标定把它稳定地缩小。
机器人训练中，工程师常把无法解释的失败称为「炼丹」。数据放进去，集群跑起来，几天后才发现模型没有收敛，却很难快速判断问题出在算法、参数还是仿真环境。仿真工具的价值，就体现在能否让这些问题更早暴露。
周恩凯用一句很直接的话概括迭代速度：
「天下武功，唯快不破。迭代的速度越快、次数越多，就越有机会接近最终目标。」
03 不卖钻头，客户要的是那个孔
谈到技术如何转化为客户价值时，周恩凯用了一个比喻。
「如果我们是卖电钻的，我不会只告诉客户钻头有多硬。客户真正关心的是，它能不能打出想要的孔，多深、多光滑、直径是多少。」
这也对应着谋先飞与客户沟通的方式。物理引擎公司很容易沉浸在精度、速度和算法指标里，客户看到的则是另一套结果，研发周期有没有缩短，真机试错有没有减少，训练任务能不能收敛，部署后的机器人能不能完成任务。
周恩凯说，客户最容易理解的结果是，原来的工具没有训练成功，换用新的方案后，任务跑通了。
从客户的成本结构看，仿真的价值最终落在真机占用和研发周期上。机器人测试需要设备、场地和工程师，一次碰撞还可能带来硬件损耗。越多问题能提前在仿真中发现，真机阶段付出的成本就越低。
目前，谋先飞面对的客户包括机器人本体厂商、制造业企业和应用开发者。机器人公司更关注训练效率与数据生成，3C电子、新能源汽车等制造业客户则关心复杂工业场景中的建模、验证和交付能力。
周恩凯观察到，近一年多，汽车企业对具身智能仿真工具的需求正在增加。有的希望把相关技术应用到汽车内部，有的在评估进入机器人产业的可能性，两条路线都需要仿真、训练数据和真机验证。
以汽车底盘为例，多连杆或麦弗逊悬架包含复杂的闭链结构，传统仿真系统在长时间计算中可能出现误差累积，甚至发生模型失稳。物理引擎的差异，到了这种具体任务里，才会变成客户能够判断的价值。
客户的选型通常会同时考虑建模、训练和部署流程能否顺畅衔接。这也推动仿真公司的产品边界从单一引擎逐渐延伸到完整工具链。
04 做仿真的公司，为什么还要建真机训练场
2025年，全国首个全链条自主可控机器人仿真训练场在武汉国家网安基地启用。做仿真的公司仍然需要真机，因为虚拟环境中的每一个参数，最终都要回到真实世界校准。
轮胎与地面的摩擦、机械结构的细微形变、传感器噪声和环境扰动，都可能让机器人在仿真与现实中表现不同。谋先飞采用的路径是Real2Sim2Real。团队先从真实世界采集数据，完成场景和物理参数标定；再在仿真中进行规模化训练与验证；模型部署到真机后，真实结果继续用于校准虚拟环境。
谋先飞建设真机训练场，核心逻辑在于：物理引擎的精度不能只在虚拟环境中自证。真实世界具有不确定性、个体差异、噪声和漂移，仿真系统需要对这些因素进行建模、采样和鲁棒化处理。真机与真实交互物的作用，是提供比纯仿真更可信的物理参照，用于物理属性的测量、标定和参数反哺，从而服务于更广泛的仿真训练。真实任务产生的参数、失败样本和评测结果，也应经过清洗、归因和分布建模后重新进入仿真系统，形成“真机测量—仿真训练—真机评测—失败回灌”的闭环。这个循环转得越快，平台对现实世界的描述才可能越准确。训练场因此既是数据入口，也是长期运行的校准场和回归测试场。
动力学之外，视觉差异也开始影响机器人从仿真走向真机。随着视觉模型和VLA进入机器人训练，场景既要在画面上接近现实，也要遵循可信的物理规律。画面足够逼真，物理参数出现偏差，策略仍然可能学错；动力学计算准确，视觉分布与现实相差太大，感知模型也可能失效。
清华大学智能产业研究院团队联合谋先飞等机构完成的GS-Playground研究，正是在这一背景下，将3D Gaussian Splatting带来的高真实感视觉呈现与高性能并行物理仿真结合，并被RSS 2026接收。
我们观察到，仿真平台的竞争正在从单次性能比较转向完整闭环。每一个真实任务都会产生新的参数分布、场景资产和失败样本。它们能否重新进入仿真系统，影响着平台下一次训练的可靠性。物理、视觉、数据与训练流程，也因此被放进同一套系统里检验。
周恩凯认为，前沿研究会反过来影响公司的战略与产品线。
「只有亲自在这个层面做事，才会形成真正的认知和理解，才能反过来推导公司的战略和产品线。」
05 把单点能力接成一条链
当被问到中国机器人公司最应该向全球证明什么时，周恩凯没有沿着竞争输赢回答。
「我们不需要向任何海外公司证明什么。真正要做的，是统一标准、协同作战，把整条链路打通，做出更好的应用，再一起把机器人卖到全世界。」
他提到了中国高铁。高铁在庞大的地理空间中稳定运行，依赖统一标准、基础设施、产业协作和长期投入。机器人产业也面临相似的问题。不同企业使用不同的数据格式、硬件接口和评测口径，每次合作都要重新适配，优秀的单点能力也很难顺利接成完整系统。
仿真平台处在这条链路的中间。它要兼容不同机器人的结构、传感器和数据，还要让训练结果能够进入不同芯片和真机系统。谋先飞目前已参与具身智能相关标准化工作，并成为工信部WG6具身智能训练场标准的联合起草单位之一。
我们更关注标准化带来的直接变化。数据格式、硬件接口和评测口径不统一，企业就要在每次合作中重新适配，很多工程时间也因此被消耗。标准能否发挥作用，最终要看它被多少产品和任务采用，而不能只看参与起草的机构数量。
周恩凯把这份期待概括为：
「只要证明我们是团结的，就好了。」
这句话落到工程里，是统一的数据格式、硬件接口和评测口径，也是不同公司的模型、芯片和机器人能够真正接在一起。各家可以选择不同的技术路线，但产业链上的每次合作，都不该从重新适配开始。
对谋先飞来说，产业协同最终还要回到产品。一个标准能否被采用，一套仿真工具能否留在客户的研发流程里，都要在具体任务中验证。
机器人迟早要走出仿真。仿真公司的价值，就看它能在那之前解决多少问题。
-END-
点击下方卡片，关注【Xbotics具身智能实验室】公众号
你想要的这里都有~~
Ask Me Anything｜提问箱
对文章有疑惑，或想聊更深？欢迎把你的问题丢给我们：技术方案、实操踩坑、课程与资料、项目合作、职业发展，都可以问。
怎么问：在评论区留言，或私信公众号
我们会做什么：每周集中整理高质量问题并公开回复，重点问题邀请作者或嘉宾深度解答；典型问题会加入知识库并持续更新。
提问小提示：尽量说明「你的目标—当前做法—期望产出」，附上必要信息（硬件/软件版本、数据规模等），能更快获得有用答案。
一起把问题变成知识，推动社区进步 🚀
