梅西的投资版图里，出现了李飞飞。

一个是足坛球王，一位是“AI 教母”，原本没有交集的两人，如今因火热的具身智能连接在了一起。

随着美加墨世界杯落幕，球王梅西迈向人生“下半场”，并在投资界完成了一记漂亮“进球”。Play Time 官网显示，梅西旗下这家成立于 2022 年的 体育科技控股与投资平台，已经将李飞飞创办的空间智能企业 World Labs 纳入投资组合。

Play Time 由专业团队运营，兼具 VC 投资和项目孵化属性，聚焦科技与媒体。梅西并不直接参与投资决策，他更像是核心 LP 和品牌背书者。在其版图中，World Labs 与机器人公司 FieldAI、物理世界基础模型公司 Perceptron、3D 工具 Intangible 和 AI 数据平台 SuperAnnotate 并列，显示出 Play Time 对空间智能赛道的集中押注。

World Labs 也正在用实际行动回应这份期待。

继今年 2 月完成 10 亿美元融资后，公司开始加快上下游布局。昨天，World Labs 宣布收购机器人仿真公司 SceniX，该公司 由斯坦福时期同一实验室共事的学生李昀烛 等人联合创办。

SceniX 不生产人形机器人，也不参与整机竞争，而是为 机器人搭建虚拟训练与测试环境，覆盖交互数据生成、策略训练、性能评估，以及真实部署前的故障和极端情况测试。

如果说 Marble 模型解决的是如何快速生成一个世界，SceniX 要解决的，就是机器人进入这个世界后，推一下杯子、拽一下绳子，接下来究竟会发生什么。

球王押注世界模型 

过去，与世界模型联系最紧密的投资者，主要是英伟达、AMD 这样的芯片公司，Autodesk 这样的工业软件公司，以及专业风险投资机构。

现在，以体育明星为核心的投资平台也开始下注空间智能，这至少说明，“世界模型”正在从少数研究者和技术公司的内部议题，进入更广泛的资本叙事。

当然，明星资本的进入并不能证明一项技术已经成熟，更不能替代产品、客户和收入。它真正带来的，首先是关注度、品牌资源和跨圈层传播能力。对 World Labs 这样的前沿技术公司而言，这种价值不容小觑，但也不能被夸大成技术背书。

此外，Play Time 目前形成的投资组合也值得关注，这其中包括：

• FieldAI 研究能够在复杂户外环境工作的机器人智能系统；
• Perceptron 瞄准物理世界基础模型；
• Intangible 提供 3D 可视化和协作工具；
• SuperAnnotate 解决基础模型的数据问题；
• World Labs 则试图建立能够理解、生成并操作 3D 空间的世界模型。

这些项目并非一条严格的产业链，却共同指向 AI 正在发生的一次重心迁移：从理解文本、生成内容，走向理解空间、预测物理变化，并最终驱动机器在现实世界行动。

所以，梅西投资 World Labs 的意义，主要在于原本局限于技术圈的空间智能叙事，开始获得更加多元的资本认知，而 World Labs 需要面对的问题也随之变得更现实。

今年 2 月完成 10 亿美元融资后，World Labs 拥有了极其充裕的资金，也背负着同样庞大的商业化期待。官方将 机器人、科学发现、创意与内容生产 一同列为世界模型的潜在方向；但在公众认知中，它最具代表性的产品 Marble 仍然是一款生成 3D 世界的工具。

Marble 可以根据文字、图片、视频和空间草图，生成结构相对连贯、能够探索和编辑的 3D 环境。这项能力对游戏、影视、建筑设计和虚拟内容创作很有价值，却很难单独支撑起 World Labs 更长远的产业野心。

机器人提供了另一种可能。

在机器人场景中，世界模型 不再只是生产数字内容的工具，而可能 成为训练、测试和评估智能系统的基础设施。前者主要为人生成可以观看和编辑的世界，后者要 为机器生成可以反复行动、试错并验证结果的世界。

买下物理训练场 

早在 2025 年 11 月，World Labs 就已经展示过 Marble 在机器人训练和仿真中的应用。

研究人员使用 Marble 生成厨房、住宅和仓库等 3D 环境，再将场景导入 MuJoCo、RoboSuite 和英伟达 Isaac Sim，用于机械臂操作、四足机器人导航和工业搬运实验。

这证明 Marble 从一开始就 不只服务于内容创作。

但当时的实验也暴露了它的能力边界。Marble 主要负责生成 静态空间、视觉背景和碰撞网格，真正需要机器人操作的锅具、箱子、传送带、微波炉等物体，仍然要 从其他工具导入；机器人的复杂接触、柔性物体变化和策略评估，也要 依赖外部仿真系统完成。

换句话说，World Labs 已经能快速搭建机器人训练场，却还没有完整掌握训练场里的物理规律。

对普通 3D 生成来说，画面足够逼真通常已经完成了主要任务。但对机器人来说，视觉真实只是最低门槛。

一只杯子看起来再逼真，如果机械臂没有碰到它，它却凭空移动；或者机器人明明捏住了绳子，后续画面中的绳子却穿过夹爪，这个世界就没有训练价值。

因为机器人学到的不只是物体长什么样，而是动作与后果之间的因果关系。

今年 6 月，李飞飞和 World Labs 团队专门发表长文，把当前被统称为“世界模型”的系统拆分为三种功能：渲染器、仿真器和规划器。

• 渲染器 输出人眼能够看到的画面，核心指标是视觉逼真；
• 仿真器 输出几何、物理和动力学状态，要求世界结构和动作后果足够可信；
• 规划器 则根据观察和目标，决定智能体下一步采取什么动作。

三者之中，渲染最成熟，规划最受关注，仿真却往往被低估。

李飞飞在这篇文章里坦言，Marble 只是公司进入仿真领域的第一步。它能够同时生成用于视觉呈现的高斯点云和供物理引擎计算的碰撞网格，但距离 能够统一处理几何、材料、动力学和动作规划的世界模型 仍有很长的路。

SceniX 补的正是这一段。

这家公司的公开定位是 “混合仿真”。它试图把 传统物理模型 与 学习式模型 结合起来：

• 物理引擎负责提供可解释的几何、力学和因果约束，
• 神经网络则学习柔性物体、复杂摩擦和密集接触中难以用固定方程完整描述的变化。

团队背景也围绕这条路线高度集中。

领英显示，这家公司成立仅一年零 9 个月。公司官网除了三位联合创始人照片暂无更多介绍。

SceniX 联合创始人 Yunzhu Li （李昀烛）本科毕业于北京大学，随后在 MIT 师从 Antonio Torralba 和 Russ Tedrake 完成博士学位。他在斯坦福视觉与学习实验室从事博士后研究期间，与李飞飞和吴佳俊合作，目前担任 哥伦比亚大学计算机科学助理教授，主要研究机器人学习、结构化世界模型、可变形物体和多模态感知。

另一位联合创始人 Changxi Zheng （郑昌熙）是 哥伦比亚大学计算机科学副教授，拥有康奈尔大学博士学位，长期研究计算机图形学、科学计算和物理仿真，涉及流体、气泡、细杆、碰撞和声学等复杂物理现象。

Sonny Hu，曾任职于腾讯、亚马逊，主导图像生成等项目。

分工上，Yunzhu Li 负责机器人学习和世界模型，Changxi Zheng 提供计算机图形学与物理仿真基础，Sonny Hu 等成员推动工程实现。

填补现实 - 仿真鸿沟 

具体来看，SceniX 瞄准的是长期困扰机器人行业“Real-to-Sim”难题，也就是从现实到仿真之间的鸿沟。

当前人形机器人硬件迭代迅速，但智能能力的进化仍 受制于物理测试。实机调试成本高、速度慢，高危和极端场景难以反复复现，仿真因而成为规模化训练的必选项。

但问题在于，许多仿真环境依然过度理想化， 通俗来说，就是“太假”： 机器人在虚拟环境中完成的抓取、行走和操作，回到现实后可能因细微偏差迅速失效。

李昀烛曾在采访中表达过类似观点：“硬件已经到位，AI 也在快速进步，但我们仍在用过度简化的虚拟世界训练机器人。”

2025 年，SceniX 团队与哥伦比亚大学、Google DeepMind 合作发表《Real-to-Sim Robot Policy Evaluation with Gaussian Splatting Simulation of Soft-Body Interactions》。

研究从 真实视频 中重建 柔性物体数字孪生，并结合 3D Gaussian Splatting还原视觉环境，测试毛绒玩具装箱、绳索穿引和物体推动等任务，验证了 不同策略在模拟器中的性能变化，能够较准确地反映其真实硬件表现。

这让仿真的角色发生了变化，可以成为真机部署前的筛选和验证系统，先淘汰大量效果不稳定的模型版本，再将少数候选交给真实机器人测试。

此后，团队又沿着两条路线继续推进。

• Interactive World Simulator 利用  真机交互数据训练可实时响应动作  的世界模型，使仿真环境不仅能够评估策略，还能生成用于训练的新数据

• 最新的 PGRD（《Learning Physics-Guided Residual Dynamics for Deformable Object Simulation》）则将物理模型与神经网络残差结合， 以更低的数据成本刻画绳索、毛绒物体等复杂形变 。

前者扩展仿真的数据生产能力，后者提高其对复杂物理过程的可信度，SceniX 的技术边界也由“复刻现实并验证策略”，逐步延伸到 “持续生成机器人经验”。

李飞飞尤评价，SceniX 的能力不只停留在实验室演示，其技术已经在真实机器人硬件的实际部署中得到验证。

双方的互补关系也由此变得清晰。

Marble 擅长生成多样、可探索且具有持续性的 3D 空间，扩展机器人训练环境的数量和覆盖范围；SceniX 则让空间中的动作、接触与物体变化更接近现实，并检验机器人策略能否在真实硬件上成立。

前者解决世界如何被生成，后者则承接了生成的世界能否用于训练和验证。

声明：本文为 AI 前线原创，不代表平台观点，也不构成投资建议，未经许可禁止转载。

本文来自微信公众号 “AI前线”（ID：ai-front），作者：四月