梅西的投资版图中出现了李飞飞的身影。一位是足坛球王，一位是"AI 教母”，原本毫无交集的两人，因具身智能热潮而紧密相连。
随着美加墨世界杯落幕，梅西正式开启人生“下半场”，并在投资界完成了一记漂亮“进球”。Play Time 官网显示，梅西旗下成立于 2022 年的体育科技控股与投资平台，已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，聚焦科技与媒体领域。梅西虽不直接参与投资决策，但作为核心 LP 和品牌背书者，其版图显示出对空间智能赛道的集中押注：World Labs 与机器人公司 FieldAI、物理世界基础模型公司 Perceptron、3D 工具 Intangible 及 AI 数据平台 SuperAnnotate 并列其中。
World Labs 正以实际行动回应这份期待。继今年 2 月完成 10 亿美元融资后，公司加速上下游布局。昨日，World Labs 宣布收购机器人仿真公司 SceniX，该公司由李飞飞在斯坦福时期同一实验室的学生李昀烛等人联合创办。
SceniX 不参与人形机器人整机竞争，而是专注于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。
若说 Marble 模型解决的是如何快速生成一个世界，SceniX 则要解决机器人进入这个世界后，推杯子、拽绳子等动作引发的物理因果变化。
球王押注世界模型
过去，与世界模型关联最紧密的投资者多为英伟达、AMD 等芯片厂商，Autodesk 等工业软件公司，以及专业风险投资机构。如今，以体育明星为核心的投资平台开始下注空间智能，标志着“世界模型”正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，明星资本的进入不能证明技术成熟，也无法替代产品落地与商业收入。其核心价值在于提升关注度、整合品牌资源及实现跨圈层传播。对 World Labs 这类前沿技术公司而言，这种价值不容小觑，但亦不可过度解读为技术背书。
Play Time 目前的投资组合值得关注，主要包括：
- FieldAI：研究复杂户外环境下的机器人智能系统；
- 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：试图建立能够理解、生成并操作 3D 空间的世界模型。
这些项目虽非严格产业链，却共同指向 AI 重心的迁移：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。
梅西投资 World Labs 的意义，在于让原本局限于技术圈的空间智能叙事获得多元资本认知，同时也让 World Labs 面临更现实的商业化考题。
在完成 10 亿美元融资后，World Labs 资金充裕但背负巨大期待。官方将机器人、科学发现、创意与内容生产列为潜在方向，但在公众认知中，其代表性产品 Marble 仍主要被视为一款生成 3D 世界的工具。
Marble 可根据文字、图片、视频和空间草图，生成结构连贯且可编辑的 3D 环境。这项能力对游戏、影视、建筑设计等领域极具价值，但难以单独支撑 World Labs 更长远的产业野心。
机器人场景提供了另一种可能。在此场景中，世界模型不再仅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。前者为人生成可观看的世界，后者则为机器生成可反复行动、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 便展示了 Marble 在机器人训练和仿真中的应用。研究人员利用 Marble 生成厨房、住宅和仓库等 3D 环境，导入 MuJoCo、RoboSuite 和英伟达 Isaac Sim，用于机械臂操作、四足机器人导航等实验。
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能力边界：Marble 主要负责生成静态空间、视觉背景和碰撞网格，而机器人操作所需的锅具、箱子等物体仍需从其他工具导入，复杂接触与策略评估也需依赖外部仿真系统。
换言之，World Labs 能快速搭建机器人训练场，却尚未完整掌握训练场里的物理规律。
对普通 3D 生成而言，画面逼真即完成任务；但对机器人来说，视觉真实只是最低门槛。若杯子未受触碰却凭空移动，或绳子穿过夹爪，这样的世界便无训练价值。因为机器人学习的不仅是物体外观，更是动作与后果之间的因果关系。
今年 6 月，李飞飞团队发文将“世界模型”拆分为三种功能：
- 渲染器：输出人眼可见画面，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可信；
- 规划器：根据观察和目标，决定智能体下一步动作。
三者之中，渲染最成熟，规划最受关注，仿真却往往被低估。李飞飞坦言，Marble 只是公司进入仿真领域的第一步，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长路要走。
SceniX 补足的正是这一环节。
SceniX 定位为“混合仿真”，试图结合传统物理模型与学习式模型：物理引擎提供可解释的几何、力学和因果约束，神经网络则学习柔性物体、复杂摩擦等难以用固定方程描述的变化。
团队背景高度契合该路线。联合创始人李昀烛（Yunzhu Li）本科毕业于北大，MIT 博士，曾在斯坦福与李飞飞合作，现任哥伦比亚大学助理教授，主攻机器人学习与结构化世界模型。另一位联合创始人郑昌熙（Changxi Zheng）是哥大副教授，长期研究计算机图形学与物理仿真。Sonny Hu 曾任职腾讯、亚马逊，主导图像生成项目。
分工上，李昀烛负责机器人学习和世界模型，郑昌熙提供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
SceniX 瞄准的是困扰机器人行业已久的"Real-to-Sim"难题，即现实到仿真的鸿沟。当前人形机器人硬件迭代迅速，但智能进化仍受制于物理测试。实机调试成本高、速度慢，高危场景难复现，仿真因而成为规模化训练的必选项。
然而，许多仿真环境依然过度理想化，即“太假”：机器人在虚拟环境中完成的动作，回到现实后常因细微偏差失效。
李昀烛曾表示：“硬件已到位，AI 也在进步，但我们仍在用过度简化的虚拟世界训练机器人。”2025 年，SceniX 团队与哥大、Google DeepMind 合作发表论文，从真实视频中重建柔性物体数字孪生，结合 3D Gaussian Splatting还原视觉环境，验证了不同策略在模拟器中的性能变化能较准确反映真实硬件表现。
这让仿真角色发生转变，成为真机部署前的筛选和验证系统，先淘汰不稳定模型，再将候选方案交给真实机器人测试。
此后，团队沿两条路线推进：
- 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，使仿真环境不仅能评估策略，还能生成训练新数据；
- 最新的 PGRD 研究将物理模型与神经网络残差结合，以更低数据成本刻画绳索、毛绒物体等复杂形变。
前者扩展仿真数据生产能力，后者提高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”延伸至“持续生成机器人经验”。
李飞飞评价称，SceniX 的技术已在真实机器人硬件的实际部署中得到验证。双方互补关系清晰：Marble 擅长生成多样、可探索的 3D 空间，扩展训练环境的数量和覆盖范围；SceniX 则让空间中的动作与物体变化更接近现实，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，后者承接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。