InSpatio（影溯）想解決的，不只是機器人訓練資料「不夠多」，還有場景變化不夠豐富的問題。公司於 2026 年 10 月 29 日在杭州啟用以模擬為主的具身 AI（能在實體環境中感知並行動的人工智慧）資料中心，並提出每月產出 100 萬小時訓練資料的目標。這是公司宣布的目標，並非已獲獨立驗證的實際產能。 425

重點不只增加示範，而是擴充場景變化

在真實場地收集機器人資料，往往需要反覆布置環境、調整物件位置，再重新執行任務。InSpatio 所採取的方向，是把重建或生成的 3D 場景接上模擬系統，讓場景和任務能在虛擬環境中修改、重用與擴充。相關報導將這套做法描述為可編輯、可重複使用的環境與資料供應體系，目標是讓資料不只增加，也涵蓋更多空間配置。 25

這個差異很重要：若機器人只在固定布局中反覆示範，即使資料時數增加，也未必代表它見過更多情況。可編輯的場景理論上能讓物件位置和任務條件更容易變化；不過，現有報導沒有量化這種方式相較實體場地收集資料，究竟能節省多少時間或成本。

產能數字也需要放在一起看。報導提及的目標包括每月 100 萬小時，以及每日約 10 萬小時。若每日 10 萬小時是持續產出，30 天就約為 300 萬小時，和每月 100 萬小時並不相同。現有報導未說明每日數字是尖峰產能、另一項目標，還是採用了不同的計算方式。 25

從真實空間建立模擬場景

其中一種場景來源是掃描真實環境。禾賽於 2026 年 10 月宣布推出 Kosmo 三維世界資料引擎。 23 有報導指出，Kosmo 可在約 15 分鐘內掃描 100 平方公尺的室內空間，並輸出 3D Gaussian Splatting（3DGS，三維高斯潑濺）、網格模型（mesh）及深度資料。這些是報導所述的功能，並非經獨立測試確認的重建品質指標。 2526

InSpatio 將 Topos 描述為支援 3D 場景生成、真實世界重建與具身模擬的工具。 14 其 InSpatio-World 研究則介紹了從參考影片重建及生成動態互動場景的方法。 17 這些資料支持其整體場景建構方向，但不足以獨立確認所有輸入格式，或某些報導所描述的完整 Topos Pro 工作流程。

掃描完成，不等於場景已能供機器人訓練

場景看起來逼真，不代表其中的物件移動和碰撞方式也符合現實。關於 Kosmo 的報導指出，物理屬性等資料仍須補充或設定；單靠掃描，無法自動建立完整規格的模擬環境。 26

對機器人訓練而言，物件必須以能進行互動的方式表示，環境也需要在機器人推動、抓取或移動物件時作出合理反應。現有來源並未證實 InSpatio 如何指派物件屬性、重建被遮擋的表面，或校準接觸物理特性。不能只憑資料中心的產能目標，就把這些細節視為已確認的能力。

任務越複雜，模擬要求越高

機器人任務從避開障礙物、在環境中移動，到抓取物件、處理接觸與可動機構，複雜度各不相同。任務越仰賴物件互動，場景的視覺效果就越不夠；幾何結構和模擬出的物理行為，都會影響訓練資料是否有用。

模擬的優勢在於，可能不必每次都重設實體場地，就能反覆執行並改變任務情境。但物理規則若不準確，也可能產生誤導性的訓練資料。現有報導未能證實 InSpatio 有正式的 L1–L3 交付分級、真實機器人驗收測試，或已量測的模擬轉移成果。要判斷模擬訓練能否應用於實體任務，仍需要真實機器人測試。

公告說明了什麼，又尚未證明什麼

目前來源可以確認，InSpatio 已在杭州啟用以模擬為主的資料中心，並宣布每月產出百萬小時資料的目標；相關報導也描述了串接空間掃描、3D 重建與模擬的整體方向。 425

但這些資料並未證明中心已達到該產量、訓練資料足以涵蓋各類機器人任務，或在其中訓練的策略能讓實體機器人表現良好。這項構想的核心很清楚：讓 3D 環境可重複使用，藉此創造更多不同的訓練情境。至於能否達成宣布的規模，並帶來真實世界的成效，仍有待驗證。

InSpatio（影溯）想解決的，不只是機器人訓練資料「不夠多」，還有場景變化不夠豐富的問題。公司於 2026 年 10 月 29 日在杭州啟用以模擬為主的具身 AI（能在實體環境中感知並行動的人工智慧）資料中心，並提出每月產出 100 萬小時訓練資料的目標。這是公司宣布的目標，並非已獲獨立驗證的實際產能。 425

重點不只增加示範，而是擴充場景變化

在真實場地收集機器人資料，往往需要反覆布置環境、調整物件位置，再重新執行任務。InSpatio 所採取的方向，是把重建或生成的 3D 場景接上模擬系統，讓場景和任務能在虛擬環境中修改、重用與擴充。相關報導將這套做法描述為可編輯、可重複使用的環境與資料供應體系，目標是讓資料不只增加，也涵蓋更多空間配置。 25

這個差異很重要：若機器人只在固定布局中反覆示範，即使資料時數增加，也未必代表它見過更多情況。可編輯的場景理論上能讓物件位置和任務條件更容易變化；不過，現有報導沒有量化這種方式相較實體場地收集資料，究竟能節省多少時間或成本。

產能數字也需要放在一起看。報導提及的目標包括每月 100 萬小時，以及每日約 10 萬小時。若每日 10 萬小時是持續產出，30 天就約為 300 萬小時，和每月 100 萬小時並不相同。現有報導未說明每日數字是尖峰產能、另一項目標，還是採用了不同的計算方式。 25

從真實空間建立模擬場景

其中一種場景來源是掃描真實環境。禾賽於 2026 年 10 月宣布推出 Kosmo 三維世界資料引擎。 23 有報導指出，Kosmo 可在約 15 分鐘內掃描 100 平方公尺的室內空間，並輸出 3D Gaussian Splatting（3DGS，三維高斯潑濺）、網格模型（mesh）及深度資料。這些是報導所述的功能，並非經獨立測試確認的重建品質指標。 2526

InSpatio 將 Topos 描述為支援 3D 場景生成、真實世界重建與具身模擬的工具。 14 其 InSpatio-World 研究則介紹了從參考影片重建及生成動態互動場景的方法。 17 這些資料支持其整體場景建構方向，但不足以獨立確認所有輸入格式，或某些報導所描述的完整 Topos Pro 工作流程。

掃描完成，不等於場景已能供機器人訓練

場景看起來逼真，不代表其中的物件移動和碰撞方式也符合現實。關於 Kosmo 的報導指出，物理屬性等資料仍須補充或設定；單靠掃描，無法自動建立完整規格的模擬環境。 26

對機器人訓練而言，物件必須以能進行互動的方式表示，環境也需要在機器人推動、抓取或移動物件時作出合理反應。現有來源並未證實 InSpatio 如何指派物件屬性、重建被遮擋的表面，或校準接觸物理特性。不能只憑資料中心的產能目標，就把這些細節視為已確認的能力。

任務越複雜，模擬要求越高

機器人任務從避開障礙物、在環境中移動，到抓取物件、處理接觸與可動機構，複雜度各不相同。任務越仰賴物件互動，場景的視覺效果就越不夠；幾何結構和模擬出的物理行為，都會影響訓練資料是否有用。

模擬的優勢在於，可能不必每次都重設實體場地，就能反覆執行並改變任務情境。但物理規則若不準確，也可能產生誤導性的訓練資料。現有報導未能證實 InSpatio 有正式的 L1–L3 交付分級、真實機器人驗收測試，或已量測的模擬轉移成果。要判斷模擬訓練能否應用於實體任務，仍需要真實機器人測試。

公告說明了什麼，又尚未證明什麼

目前來源可以確認，InSpatio 已在杭州啟用以模擬為主的資料中心，並宣布每月產出百萬小時資料的目標；相關報導也描述了串接空間掃描、3D 重建與模擬的整體方向。 425

但這些資料並未證明中心已達到該產量、訓練資料足以涵蓋各類機器人任務，或在其中訓練的策略能讓實體機器人表現良好。這項構想的核心很清楚：讓 3D 環境可重複使用，藉此創造更多不同的訓練情境。至於能否達成宣布的規模，並帶來真實世界的成效，仍有待驗證。