上海世博中心，WAIC 2026的具身智能展区，是整场展会最拥挤的赛道。人形机器人跑酷、四足机器人翻跟头、灵巧手弹钢琴、双臂协作炒菜——每一个展台都在用最直观的方式告诉观众：我们的机器人能做什么。但跨维智能的展台，是全场最"不直观"的一个。没有炫技的动作，没有拟人的外观，甚至没有一个完整的机器人本体。他们展示的，是一台机器人在DexVerse仿真引擎里"学习"——切面包、叠衣服、扫码分拣、手机装盒。这些画面看起来远不如翻跟头刺激，但任何一个在工业设计行业深耕了十年以上的人，都会在这个展台前停留很久。

因为跨维展示的，不是"机器人能做什么"，而是"机器人怎么学会做什么"。这两个问题的区别，就是"本体派"和"基建派"的区别。本体派回答的是"产品能做到什么程度"，基建派回答的是"产品的能力上限在哪里"。前者是工业设计一直在做的事情，后者是工业设计在具身智能时代需要学习的新能力。

跨维的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。英伟达的Isaac Sim只能做到两种。这个"四种vs两种"的差距，在技术上意味着多物理场耦合的复杂度呈指数级增长，在工业设计上意味着什么？意味着一个设计师可以在仿真中定义更复杂、更接近真实世界的产品使用场景。比如一台服务机器人在家庭环境中，它需要同时处理刚体（餐具）、柔体（沙发靠垫）、布料（窗帘）、流体（水杯里的水）——这四种材质在真实生活中是同时出现的，不是轮流出现的。如果仿真引擎只能模拟两种，那训练出来的机器人进了真实家庭就会"水土不服"。DexVerse的四种耦合，让仿真训练的场景和真实使用场景之间的差距缩到了最小。

跨维在WAIC展示的"商超扫码分拣"Demo，是全场唯一一个还原零售扫码场景的展台。机器人要从一筐随机堆放的饮料瓶中抓取，找到瓶身上的条形码，扫码，然后放到指定位置。这个任务听起来简单，但它的挑战在于"非标准"——饮料瓶的形状、硬度、条形码的位置和朝向，在训练集里是随机分布的。机器人面对从未见过的瓶子，自主涌现出了"侧向掏取""扶正后抓取"等策略。当抓取滑脱或扫码失败时，它不需要人工复位，能实时感知错误并自主调整策略重新执行。这种"涌现"式的智能，不是靠任何单一算法实现的，而是靠跨维的"基模预训练+场景Finetuning+世界模型"三层架构共同作用的结果。

在工业设计的方法论里，这引出了一个核心问题：当一个产品的行为不是"设计"出来的，而是"涌现"出来的，设计师的角色是什么？传统的工业设计，设计师定义产品的每一个功能、每一个交互、每一个反馈。但涌现式智能意味着，产品的某些行为是模型在训练过程中自己"学会"的，设计师无法预先定义。这听起来像是设计师的地盘被AI抢了，但实际上恰恰相反——设计师的角色从"定义行为"升级为"定义行为空间"。一个设计师不需要告诉机器人"遇到滑脱时执行A方案"，而是需要设计一个足够丰富的训练场景，让机器人在这个场景中自己学会"遇到滑脱时应该怎么办"。这个"场景设计"的能力，就是工业设计在物理AI基建时代最核心的新能力。

诺曼在《设计心理学》中提出的"示能性"概念，在这里有了一个全新的延伸。传统示能性是指产品形态暗示用户如何使用，数据示能性是指训练数据暗示模型能学到什么。一组包含200万条、覆盖空间/动作/时间三维对齐的数据集，它的示能性在说："任何操作策略，只要你能在物理世界中找到对应的案例，我就能学到。"这种示能性不是靠说明书传达的，而是靠数据本身的"丰富度"和"对齐度"来保证的。一个设计师在设计训练数据时，他的工作不是标注数据，而是判断"什么样的数据能让模型学到最通用的策略"。这个判断，需要设计师对产品使用场景有极其深刻的理解。

跨维的"手机装盒产线"Demo，是另一个让工业设计师深思的案例。不少厂商展示的同类Demo，用的是遥操作方案——人远程操控机器人完成装盒，本质上是"人在干活，机器在执行"。但跨维用的是世界模型DexWorldModel直接驱动，机器人自主识别物料位置和姿态，自主识别漏抓和偏移，自主重新规划路径。这个区别的工业设计意义在于：遥操作方案把"智能"放在了人身上，机器人只是执行器；世界模型方案把"智能"放在了机器身上，机器人是决策者。这两种方案对应的产品设计逻辑完全不同。前者需要设计师优化"人机交互界面"——让人更方便地操控机器。后者需要设计师优化"机器人自主学习环境"——让机器更高效地从数据中学习。

在创品工业设计的四力五维方法论里，"控制力"帮客户算"做出来成本能不能hold住"。物理AI基建对控制力的要求，不是让机器人本体更便宜，而是让"机器人学会干活"的成本更低。跨维的DexVerse，通过仿真批量生产训练数据，让真机数据采集的消耗大幅降低。Aligned DexWorld的200万条数据，如果用真机一台一台采集，成本是天价。但通过仿真+自动标注+标准化闭环，成本被压缩到了可商业化的程度。这个"成本压缩"的设计，本质上和工业设计中的"可制造性设计"是同一个逻辑：不是让单个零件更便宜，而是让整个制造流程更高效。只不过，这里的"制造"不是造机器人本体，而是"造训练数据"。

拉姆斯说过"好设计是尽可能少的设计"。在物理AI基建的语境里，这句话可以翻译为"好的数据基建是尽可能少地需要人工干预"。跨维的Aligned DexWorld，在数据标注上跑通了全自动标注流程，在数据对齐上搭建了"人工校准+几何求解+模型辅助+人工核验"的标准化闭环。这个闭环的设计，和工业设计中的"自动化产线设计"如出一辙——把人的判断力用在最关键的地方，把重复劳动交给系统。设计师的思维，在"设计数据产线"和"设计产品产线"之间，是完全相通的。

上海WAIC的展馆，年复一年地见证着AI从"更聪明"走向"更懂人"。2026年，多了一个新的维度：从"更会炫"走向"更会学"。跨维的展台，没有炫技，但它展示的"机器人怎么学会干活"这件事，比任何炫技都具有更深远的意义。因为在具身智能的竞赛中，谁能用更低的成本让机器人学会更复杂的任务，谁就掌握了产业链的定价权。而"让机器人学会"这件事，说到底，是一个设计问题——不是算法问题，不是硬件问题，是"如何组织数据、如何设计场景、如何验证效果"的问题。这些问题，正是工业设计师最擅长回答的。