李飞飞造世界，扫地机攒数据

李飞飞在造世界，扫地机器人在攒数据，Claude 在写自己的代码——这三件事看似不搭界，其实在 2026 年拧成了同一个问题：具身智能的数据，到底从哪来，往哪流。

World Labs 的 Marble、xLean 的 TR1、Anthropic 的 80% 代码占比，三份来自不同赛道的产品动态，拼在一起就是具身智能飞轮的三块拼图。哪块都缺不得，哪块也都还没完全成型。这篇文章就掰开揉碎，看看这三块拼图各自到了什么程度，飞轮又卡在哪一环。

💡 李飞飞把「造世界」做成了产品

从论文到产品，中间隔着的不只是工程。

2025 年 11 月 13 日，李飞飞的创业公司 World Labs 正式放出 Marble——一款生成式多模态世界模型，也是这家公司成立以来首款可商用产品。相比两个月前的早期预览版，Marble 支持更多种模态的输入，生成的 3D 世界更丰富、更细致。用大白话说：你给它一张图、一段文字甚至任意模态的输入，它给你还一个能走进去的 3D 世界。

消息放出后，a16z、YC 的几位活跃投资人第一时间在 X 上转评，热度不用多讲。但比热度更值得注意的是节奏：2024 年 5 月公司成立，2025 年 9 月预览版亮相，2025 年 11 月商用版上线，同期 李飞飞 还发布了长文《From Words to Worlds: Spatial Intelligence is AI's Next Frontier》，把「空间智能」这个概念正式推到台前。

从理论研究到可用产品上线只用了一年半，这个速度在基础研究公司里并不常见。业内私下也有人说，World Labs 是典型的「学者创业」里少见的赶上了模型工程化窗口期的案例——很多顶会团队卡在 demo 和产品之间，一卡就是三年。

产业逻辑上，世界模型解决的是具身智能最贵的一环：训练环境。让机器人在真实家庭里试错，成本高、周期长、还危险；如果能用世界模型批量生成物理合理的 3D 场景，合成数据就能在真实数据之外补一个大口子。李飞飞押注空间智能是 AI 的下一个前沿，落到产业层面，本质就是在给具身智能修一条「虚拟训练场」的高速路。路修没修好，要看 Marble 生成的世界经不经得起物理推敲——这恰恰是当前世界模型和真实世界之间最难的一层窗户纸。

🧹 扫地机的尽头是数据生意

成熟到不能再成熟的市场里，藏着最稀缺的数据。

xLean 颗粒进化创始人 薛轲翰 的判断很直接：通用机器人不会从实验室里突然蹦出来，它必须先进入真实场景，在每天发生的任务里积累数据和能力。而他选的切入点是家庭清洁——高频、刚需、几乎每个家庭每天都在发生。更关键的是，扫地机器人是目前唯一已经大规模进入家庭、每天自主工作的机器人品类。

但 2026 年再做清洁机器人，还有空间吗？科沃斯、石头、追觅、云鲸已经打了好几轮价格战，产品高度同质化，智能上限却像是卡住了。多位接近渠道的人士透露，头部厂商普遍的体感是：硬件卷到头了，智能化差异化找不到抓手。

xLean 的解法是 TR1——全球首款双形态洗地机器人。放在地上，自主完成日常清洁；拔出手持杆，秒变洗地机，处理突发污渍和重度清洁。这一拔一插之间，藏着真正的算盘：用户每一次手持操作，都在自然地告诉机器人哪里脏、怎么清、什么时候算干净，留下的是传统扫地机根本采不到的高密度示范数据。这是教科书级的「任务即数据采集器」设计。

在手持杆结构接口之上，TR1 再被构建成可移动、可感知的 Family Agent 入口，配套的原生系统叫 EvoMate OS。成绩单也算拿得出手：继 IFA 2025 拿下 Best of IFA Next 和 Design Honoree 之后，2026 柏林 IFA 上 TR1 又获 Smart Home、Home Appliances 两个领域的官方荣誉奖，并现场演示了 Family Agent 的实际交互；超过 40 个国家和地区的 100 多位经销商给出了约 15 万台意向订单；Kickstarter 上已有 2000 多名早期支持者。

产业逻辑很清楚：在红海市场里，xLean 卖的不只是一台洗地机，而是一个数据入口。当竞争对手还在卷吸力和噪音时，TR1 在悄悄构建家庭场景里最脏、最真实的操作数据集。这也是我对「人形机器人进家庭」这条叙事最务实的一层判断——先别问机器人长什么样，先问它每天替你干了什么活、顺手学了什么。

🔁 RSI 的慢速版本已经跑通了

模型参与训练模型，已经不是预言，是惯例。

RSI（Recursive Self-Improvement，递归自我改进）最近成了行业热词。说穿了很简单：模型参与训练和提升模型自己。两个数字值得记住——Anthropic 六月发布的 When AI Builds Itself 里披露，截至 2026 年 5 月，合并进生产代码库的代码超过 80% 是 Claude 写的；OpenAI 也在 GPT-5.3-Codex 的发布说明里承认，早期版本的模型曾「参与创造自身」。

但行业真正期待的不是这种「辅助写代码」，而是理想状态的 RSI：模型自己推动模型研究，越强的研究能力带来越强的下一代模型，最终触发围绕自我改进的快速起飞。

在 Dwarkesh Patel 最近一期播客里，三位背景迥异的研究者——OpenAI 前联创、Thinking Machines 首席科学家 John Schulman，Zyphra CTO Beren Millidge，Baseten 模型训练负责人 Charlie O'Neill——辩论了近两个小时。几个结论值得产业人抄进笔记：

• 今天的模型迭代已经实现了一种慢速 RSI，只是周期是三个月；
• 当目标足够明确，AI 可能把研究速度提高 10 倍，但最难的部分恰恰是一开始就找到正确的目标；
• RL 的效果很大程度上建立在高质量 mid-training 之上，目前最明显的泛化是让模型在更长时间里持续完成任务；
• 越接近能力前沿，能推动进步的有效信号就越少，下一阶训练环境会越来越难构造。

这最后一条，恰恰是具身智能的机会所在。数字世界的代码任务，reward 好写、环境好造，所以 RSI 先在这里跑通；而物理世界的任务，奖励信号稀疏、环境不可枚举、试错成本高昂——越难构造训练环境的地方，世界模型和真实场景数据的价值就越大。数字世界的飞轮转得越快，物理世界的「环境瓶颈」反而越凸显。

⚠️ 物理世界的飞轮，缺的还是那一环

三条线索，一个飞轮，一个卡点。

把三份素材拼到一张图上，具身智能的数据飞轮长这样：

三条路线各自的进度和卡点，摆在一张表里看更清楚：

这三块拼图目前是分离的。Marble 能造环境，但造出的环境和物理世界之间还有一层没捅破的偏差；TR1 能采数据，但采的是清洁这一个场景的数据，泛化到其他家务还有距离；RSI 在代码领域慢速运转，但把它搬到机器人训练上，reward 从哪来、环境怎么批量构造，都还没有答案。据多位接近具身智能公司的从业者说，大家私下共识基本一致：数据是当前最大的瓶颈，而数据瓶颈的本质是环境瓶颈——你造不出足够多、足够真实、可规模化复制的训练环境。

有意思的是，三件事正在互相靠近：世界模型越强，虚拟环境越便宜；真实场景产品卖得越多，示范数据越厚；模型自改进越成熟，从混合数据里榨出能力的效率越高。飞轮的三块拼图哪一块先突破，都会加速另外两块。

结语

别再问机器人像不像人了，问它每周替你干了多少活、攒了多少数据。

李飞飞 把造世界做成了生意，薛轲翰 把扫地做成了数据入口，Anthropic 们把自我改进写进了生产流程。2026 年的具身智能，叙事重心已经从「造出多炫的本体」悄悄转向「数据飞轮转不转得起来」。接下来一两年，值得盯的信号有三个：Marble 这类世界模型能否生成物理可信的训练环境；TR1 这类真实场景产品能否用出货量换出高质量数据；以及代码领域的慢速 RSI 何时向物理世界渗透。三块拼图合拢之日，才是具身智能真正起飞之时——在那之前，务实的产品和真实的场景，比任何概念发布会都值钱。