南京的具身智能产业，正在经历一场有趣的"路线之争"。一边是埃斯顿、天创这样的"本体派"——造机器人，出货量、可靠度、性价比，每一台都是硬碰硬的工业产品。另一边，一个叫跨维智能的公司，在WAIC 2026上展示了一条完全不同的路：不造本体，造"数据高速公路"。他们的DexVerse仿真引擎，是全球唯一能同时模拟刚体、柔体、布料、流体四种材质耦合的具身智能仿真平台，连英伟达的Isaac Sim都只能做到两种。他们发布的Aligned DexWorld数据集，包含200万条高质量异构数据，覆盖空间、动作、时间三个维度的对齐。他们拿下了WorldArena世界模型榜单Track 2赛道的全球第一。这些成绩，放在任何一家"本体派"公司面前，都是降维打击级别的存在。

但问题来了：一个不造机器人本体的公司，跟工业设计有什么关系？答案是：关系太大了。因为工业设计在具身智能时代的核心能力，正在从"设计一个好看的机器人"变成"设计一个能让机器人学会干活的数据系统"。这个转变，比工业设计从手绘到CAD、从CAD到参数化设计的任何一次范式转移都要深刻。

跨维智能在WAIC上的展台，被围得水泄不通的是两个Demo：一个是商超扫码分拣，一个是手机装盒产线。这两个Demo的"炫"不在于机器人动作多流畅，而在于机器人面对训练集里从未见过的饮料瓶、面对被遮挡的条形码、面对漏抓和物料偏移时，能自主涌现出"侧向掏取""扶正后抓取""重新规划路径"等策略。这种能力在工业设计里叫"容错"，但传统的容错是设计师在设计阶段预设的——"如果A情况发生，就执行B方案"。而跨维的机器人不是预设的，它是"涌现"的——它自己学会了怎么应对不确定性。这个区别，是工业设计从"确定性设计"到"不确定性设计"的范式跃迁。

南京的3600家AI企业，260亿核心产业收入，3.6万P智算规模——这些数字意味着南京不缺算力、不缺算法、不缺人才。但跨维的案例说明了一件事：在具身智能时代，最稀缺的资源不是算力，不是算法，甚至不是人才，而是"高质量的、可对齐的、能被共同学习的数据"。仿真数据的价值在于，它解决了"收集真实数据又贵又慢"这个物理世界不可逾越的瓶颈。在DexVerse里，24小时可以同时跑几千个训练场景，每一个场景都是物理级精确的——不是动画，不是预设轨迹，而是实时计算的刚体碰撞、柔体形变、布料褶皱、流体运动。这种数据生产能力，相当于在虚拟世界里建了一座"永不熄灯的机器人训练营"。

这对南京的工业设计产业意味着什么？意味着一个新的能力维度：数据设计。过去设计师做的是"物的设计"——产品的形态、结构、材质、交互。现在设计师需要做的，是"数据的设计"——什么样的训练数据能让机器人学会更好的操作策略？什么样的仿真场景能覆盖更多的长尾情况？什么样的数据对齐方式能让不同机器人共享同一套学习成果？这些问题，本质上都是设计问题，不是纯粹的算法问题。因为"数据怎么组织"和"产品怎么设计"一样，都需要对用户场景、使用方式和深层需求有深刻的理解。

在创品工业设计的四力五维方法论里，"专业力"帮客户回答"这个行业的水有多深"。在物理AI基建这个行业里，水之所以深，不是因为技术门槛高，而是因为"数据-模型-场景"三者之间的关系极其复杂。跨维的Dexterity-BEV统一表征技术，本质上是在做一件事：让不同机器人、不同相机视角、不同坐标系的数据，"说同一种物理语言"。这个工作，在工业设计里叫"标准化"——就像USB接口让不同设备能共用同一根线一样，数据对齐让不同机器人的训练数据能共同学习。而"标准化"这件事，从来都是工业设计最核心的能力之一。

诺曼在《设计心理学》中提出的"示能性"概念，在数据设计领域有了新的延伸。传统示能性说的是"产品形态暗示用法"，数据示能性说的是"数据格式暗示学习方式"。一组做了空间对齐的数据，暗示模型可以去学习"物体在三维空间中的真实位置"；一组做了动作对齐的数据，暗示模型可以去学习"跨机器人通用的操作策略"；一组做了时间对齐的数据，暗示模型可以去学习"动作的时序逻辑"。这些"暗示"不是算法自动产生的，而是设计师在构建数据集时主动植入的。数据设计的质量，直接决定了模型能学到什么、学到多好、学得多快。

南京的AI·镜界街区，以"楼上研发、楼下应用"为理念，把办公楼宇大堂改造为智能体集散中心。这个空间的物理设计，暗合了跨维在数据层面的设计逻辑——"数据生产和场景验证不能隔开"。跨维的DexWorldModel世界模型，在动作发生前能在"脑海"中进行物理预演，评估抓取成功率，跨视角补全3D场景，预测下一个状态。这种"预演"能力，本质上就是把"仿真"和"现实"之间的反馈回路缩到最短。而南京的AI·镜界街区，是把"研发"和"应用"之间的物理距离缩到最短。两者异曲同工，都是通过缩短反馈回路来提高系统效率。

帕帕奈克在《为真实的世界而设计》中说过，设计的终极目的不是创造更多商品，而是让人的生活变得更好。跨维的"物理AI基建"，让什么变得更好？它让机器人学会干活的门槛降低了——不需要买几百台真机去死磕数据采集，不需要养一支庞大的标注团队，不需要为每一个新场景从头训练模型。在创品工业设计的实践中，保障力是帮客户确认"出了问题有人兜底"。在物理AI基建的语境里，保障力意味着：当客户需要在新的场景中部署机器人时，有一套成熟的数据生产、对齐、训练、验证的完整流程可以依赖，而不是从零开始造轮子。这套流程的可靠性，就是最好的保障。

南京的工业设计产业，正在从"服务产品"走向"服务数据"。这不是一个替代关系，而是一个叠加关系。产品设计的能力依然重要——机器人本体的形态、结构、交互、CMF，每一项都需要工业设计师的专业判断。但在这些能力之上，新增了一个数据设计的能力——如何用DexVerse这样的仿真引擎构建训练场景，如何用Aligned DexWorld这样的数据集训练模型，如何用世界模型验证策略的可靠性。这个能力，不是让设计师变成程序员，而是让设计师的"场景理解力"和"用户洞察力"在数据层面发挥作用。一个最懂养老场景的设计师，可以设计出最高质量的养老场景仿真数据，这个数据的价值，比一个通用的仿真工程师随机生成的场景要高出一个数量级。

跨维智能在WAIC上的表现，给南京的AI产业提了一个重要的问题：在"造本体"和"造基建"之间，你的核心能力到底在哪里？南京有埃斯顿这样的"本体派"龙头，也有3600家AI企业构成的软件生态，这个"软硬结合"的基因，恰好是"物理AI基建"最需要的。数据基建需要软件能力（仿真引擎、数据对齐、世界模型），也需要硬件理解（机器人的运动学、传感器的物理特性、真实场景的复杂性）。南京是少数几个同时具备这两种能力的城市之一。把这个优势发挥出来，南京在具身智能产业中的位置，可能就不只是"出货量第一"，而是"数据基建的第一站"。