9 月 24 日，在 2026 云栖大会期间，有云栖学院主办的举行的「搞点事情」产品发布活动中，JoinAI 卓印智能创始人兼 CEO 俞开文现场发布并展示了面向 Physical AI 的空间生成平台及相关能力。
从一句自然语言指令开始，一个完整的三维空间可以被生成；空间中的对象可以继续被增加、删除和修改；而伴随空间产生的，也不只有最终呈现的图像，还包括深度、分割、点云、相机参数等训练所需要的信息。
JoinAI 希望解决的，并不只是“怎样生成一个世界”，而是怎样让生成的世界，进一步成为 Physical AI 可以学习的经验。
从一句 Prompt 开始，让空间成为可以继续“生长”的世界，过去几年，生成式 AI 已经越来越擅长生成逼真的图像和视频。但对于正在进入物理世界的 AI 来说，“看起来真实”远远不够。
机器人（具身智能）、自动驾驶以及更多 Physical AI 系统真正需要理解的，是物体在哪里、彼此之间是什么关系、空间如何组织，以及当主体与环境发生交互时，世界会如何变化。
因此，相比生成一张/批量生成多张最终结果图，JoinAI 此次发布的空间生成平台更关注另一件事情：
生成一个可以被进入、被编辑、被重新组织，并继续产生训练数据的空间。
现场演示中，用户只需要通过自然语言描述需要的场景，即可直接进入空间构成；生成后的场景不是一张固定的图片，而是一个“可进入、可浏览、可继续组织”的空间表示。
空间中的对象也成为可以被操作的基本单位。
例如，一句“在杂志上放置一个玻璃杯”的指令，就可以改变场景中的对象及其关系，而不需要重新生成一张无法继续操作的结果图。
这背后改变的，不只是空间生成的方法。
当空间中的对象、关系与环境条件都成为可以被定义的变量，数据生产也开始从“等待场景发生”，走向“主动定义需要发生什么”。
生成一张图不是终点，真正重要的是它能产生什么可被传递的经验（experience）对于 Physical AI 来说，一个可以被编辑的空间依然只是起点。真正能够进入训练流程的，是这个空间中包含的视觉、空间、时间与交互信息。
因此，在此次展示中，JoinAI 将生成后的空间进一步转化为图像与视频，并同步提供包括 Depth、Segmentation、Point Cloud、Camera Parameters 等在内的空间与物理信息。
这意味着，同一个被构建出来的世界，可以进一步成为不同训练任务的数据来源，而不只是一次性的视觉生成结果。
一个可学习的世界，不应该只输出一种数据。
这也是 JoinAI 空间生成平台与其既有产品和技术能力开始发生连接的地方。在 JoinAI 的产品体系中，空间生成并不是一项孤立能力。
以 Simulaix 为载体的场景与数据生产、组织能力，与空间构成、生成式世界建模以及 Terra 世界模型共同形成一条从“构建世界”走向“产生训练经验”的链路。
空间构成让对象、关系和环境成为可以主动定义的变量；生成式世界建模进一步扩展视觉、空间与时间维度的信息；而不同模态的数据最终进入下游训练与评测流程。
世界被构建，经验被生成，模型完成训练与评测，结果又进一步影响下一轮需要构建什么样的数据和场景。
JoinAI 想建立的，不是一次生成，而是一条持续运转的数据闭环。
Physical AI 真正稀缺的，是那些“需要、但还没有发生”的经验，这也是为什么 JoinAI 将空间生成指向 Physical AI，而不是停留在生成本身。
真实世界的数据采集天然受到成本、时间、隐私和场景发生概率的限制；传统仿真则高度依赖人工与预设规则，在真实性和规模化扩展之间持续面临取舍。
但对于 Physical AI 而言，真正决定模型能力边界的，往往恰恰是那些不容易发生的情况。
真正决定上限的，是非常规 case。
一个已经学会正常抓取杯子的机器人，下一步真正缺少的，未必是更多“成功抓起杯子”的数据。它可能需要的是杯子被遮挡、位置发生变化、抓取失败、环境突然改变，甚至执行过程中出现意外碰撞时的经验。
就像之前的自动驾驶，正常道路每天都在发生，但真正决定系统安全边界的长尾场景，却无法按照训练需要随时在现实世界中重现。
Physical AI 面临的问题并不只是“数据够不够多”。
更进一步的问题是：
模型现在不会什么？下一步需要经历什么？这些经验能不能被主动构建出来？
在 JoinAI 展示的产品体系中，家庭空间可以重新构成，对象可以被增加和移动，同一环境可以产生不同观察，长尾与失败场景也可以被主动定义，并进一步转化为对应的训练数据。
从具身操作、家庭空间，到开放道路与失败场景，空间生成因此开始承担一个新的角色：
除了常规场景，让长尾场景和非常规case也不必再被动等待，让训练需要的经验可以被主动定义。
从数据交付到效果交付：为什么是 Experience Layer？
在现场分享中，俞开文也进一步谈到了 JoinAI 对 Physical AI 数据问题的判断，以及公司为什么将下一阶段定义为 “The Experience Layer for Physical AI”。
“Physical AI 真正缺少的，不只是更多数据，而是足够丰富、能够持续迭代的经验。我们希望做的，是把这些原本只能在真实世界中等待发生的经验，变成可以主动构建、规模化生成，并根据模型效果持续迭代的基础设施。这就是我们所说的 Experience Layer。”
——JoinAI 创始人兼 CEO 俞开文
对于 JoinAI 而言，Experience Layer 并不是对“空间生成”的重新命名。
相反，它试图把过去几年逐渐形成的能力连接到同一个闭环之中：
真实世界的数据与知识进入系统，空间与场景可以被主动构建，世界模型进一步生成和扩展训练所需要的经验，而训练与评测结果再次反馈到数据生产过程。
从这个角度看，空间生成只是 Experience Layer 的一个入口。
它解决的是“世界如何被构建”；而更进一步的问题，是这些世界如何成为模型真正需要的训练经验，又如何根据模型效果持续变化。
这也延续了 JoinAI 一直强调的另一件事：
从数据交付，到效果交付。
Physical AI 需要的不是无限堆积的数据，而是能够真正改变模型表现的数据。当模型能力成为数据生产的反馈信号，“生成什么”就不再只由数据供给决定，而开始由模型下一步“需要学会什么”决定。
从生成世界，到生成经验 -
当 AI 从语言世界走向物理世界，数据问题也正在随之变化。
核心瓶颈不再只是“有没有数据”，而是能否有效地构建世界、表示世界，并让模型与真实世界之间持续形成数据闭环。
从空间构成，到生成式世界建模；
从图像和视频，到空间、物理与交互信息；
从数据生产，到训练、评测与反馈。
JoinAI 正在做的事，是让 Physical AI 所需要的经验，从只能在真实世界中被动获得，进一步成为可以被主动构建、规模化生成，并根据模型效果持续迭代的一层基础设施。
The Experience Layer for Physical AI.
Better data, Better AI,
For everyone, Forever.
