苏州的制造业有一个"幸福的烦恼"：16万家工业企业，4.89万亿工业产值，从螺丝到芯片都能在方圆五十公里内搞定。但如果你问苏州的工厂老板"你们用上没有？"——指的是一台真正能自主干活、不需要人工编程的具身智能机器人——答案大概率是"还没有"。不是买不起，不是不想用，而是"不知道怎么让它学会干我们厂的活"。

这个问题，在WAIC 2026上被跨维智能用一个叫DexVerse的仿真引擎给出了答案。DexVerse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。它的意义不在于"技术多先进"，而在于它解决了一个苏州工厂最头疼的问题：怎么让机器人快速学会干一个新活，而不需要花几个月时间去采集数据、标注数据、训练模型、反复调试。

在传统制造业里，部署一台工业机器人，需要工程师花几天甚至几周时间编写程序、调试轨迹、优化参数。这个流程在标准化产线上是可行的，因为产线一旦跑起来就不会频繁变化。但苏州的16万家工厂里，大多数不是标准化产线，而是多品种、小批量的柔性制造。今天做A产品，明天换B产品，后天客户临时改个规格——这种场景下，传统编程方式根本跟不上。而跨维的DexVerse，让"教会机器人"这件事从"工程师编程"变成了"仿真训练"。在虚拟世界里，机器人可以在几百个不同的场景中同时训练，覆盖各种可能的变体——不同的零件尺寸、不同的摆放位置、不同的光照条件、不同的干扰因素。训练完成后，直接把模型部署到真实机器人上，就能干活。

在工业设计的方法论里，这引出了一个核心问题：产品的"可学习性"应该由谁来设计？传统工业产品的"可学习性"体现在使用说明上——用户看说明书就能学会怎么用。但具身智能机器人的"可学习性"体现在训练数据上——模型"看"数据就能学会怎么干。这两者的区别，就是"给人设计"和"给AI设计"的区别。给人设计，设计师掌控的是交互界面、操作流程、反馈机制。给AI设计，设计师掌控的是训练场景、数据分布、评估指标。这个转变，对苏州的工业设计产业来说，是一个全新的能力要求。

在创品工业设计的四力五维框架里，"量产维"一直是衡量设计能否被稳定制造的标准。在物理AI基建的语境下，"量产维"的含义被扩展了：不只是机器人本体能不能被量产，更是"训练数据"能不能被量产。跨维的DexVerse，本质上就是一个"数据量产工厂"——24小时不间断运行，数千个场景同时训练，每一条数据都是物理级精确的。这种"量产能力"，放在苏州的制造业语境里，是完全可以理解的——苏州的工厂每天都在做"量产"，只不过量产的是物理产品，而DexVerse量产的是数字产品。工业设计师要做的事情，就是把"量产思维"从物理世界迁移到数字世界。

诺曼的"示能性"概念，在仿真设计中有独特的意义。一个仿真场景，如果它的视觉呈现太过完美——没有阴影、没有噪点、没有环境干扰——那它训练的模型到了真实场景中就会"水土不服"。因为真实场景中充满了"不完美"——光照不均匀、物体表面有污渍、背景有干扰物。好的仿真场景，应该"示能"出真实世界的混乱和不确定性，而不是一个干净的实验室环境。这个"混乱度"的设计，是工业设计师在定义仿真场景时需要主动控制的——不是越干净越好，而是越真实越好。跨维的DexVerse之所以强，不仅因为它能模拟四种材质，更因为它能模拟这些材质在真实世界中的"不完美"——布料的褶皱、流体的飞溅、软体的挤压变形。

苏州的人工智能产业办公室刚刚挂牌，意味着苏州正在从"世界工厂"走向"AI+制造"枢纽。这个转型的关键，不是建多少数据中心、买多少算力卡，而是打通"仿真训练→真机部署→产线验证"的闭环。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，预测下一个状态。这个能力，放在苏州的工厂里，相当于每个机器人都有一个"数字孪生"——在真正动手之前，先在虚拟世界里"演练"一遍，确保万无一失。这种"先演练再执行"的流程，在工业设计中叫"原型验证"，跨维把它做到了实时、自动、可复现的程度。

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"好的仿真平台是尽可能少地需要真机数据"。理想情况下，机器人应该完全在仿真中训练，只有在最终验证时才需要真机。跨维的DexVerse正在逼近这个理想——通过多物理场耦合，让仿真数据和真实数据的差距缩小到可以忽略不计。对苏州的工厂来说，这意味着部署一台具身智能机器人的成本，将从"买机器+雇工程师+采数据+训模型"变成"买机器+租仿真服务"。这个成本结构的变化，将决定具身智能在制造业中的渗透速度。

创品工业设计在服务装备类客户时，有一个核心原则：设计不是炫技，是替客户算明白账。在物理AI基建的语境下，"算明白账"意味着帮客户理解：用仿真训练比用真机训练，能省多少时间和成本？什么场景适合用仿真，什么场景必须用真机？数据对齐到什么程度，才能保证仿真训练的模型在真实场景中不掉链子？这些问题，本质上是工业设计问题，不是纯技术问题。因为它们需要设计师对"场景"有深入的理解——理解客户的产线是怎么跑的、操作工是怎么干的、哪些环节最容易出错、哪些环节最需要柔性。这种"场景理解力"，是工业设计师在物理AI基建时代最不可替代的价值。

苏州的16万家工厂，每一家都有自己的"独门绝活"——独特的工艺、独特的流程、独特的经验。这些"绝活"在过去是通过师徒传承、标准作业指导书来传递的。在具身智能时代，它们可以通过仿真训练数据来传递——老师傅的操作手法，被采集、对齐、转化成训练数据，然后"教"给机器人。这个"从人到数据到机器"的传承链条，是苏州制造业在AI时代最值得做的事。而物理AI基建，就是这个链条的"高速公路"。