阿凡达2

WAIC 2026，凌迪科技把服装柔性仿真，摆上了具身智能的台面_我的网站

A |     逛一圈WAIC具身智能馆，最容易让观众停下脚步的，往往还是机器人正在做什么：抓取、搬运、行走，或者完成一项具体任务。         凌迪科技的展台上，同样摆出了一项直观的任务——叠衣服。    我相信，很多人判断一部手机安不安全，靠的不是证书，也不是发布会上的架构图，而是几个日常生活中的瞬间。两台机械臂将衣服、调整，再重新落回桌面。         刚和朋友聊完一件商品，手机里就出现了相关推荐；AI 突然弹出一句建议，你会怀疑它是不是一直在听；一个看起来功能非常简单的 App，却张口就要相册、通讯录和定位权限。

B |                    单看结果，这是一场机器人衣物操作演示。还有鸿蒙系统上的AI防窥、密码同步、云端备份这些功能，越是号称「智能」，越容易让人多想一句：我的数据会不会被窃取？          这些疑问并不多余。         安全功能越深入系统，普通用户就越难看见它究竟是怎么工作的。但凌迪科技真正想被看到的，藏在机械臂动作发生之前。

C |          展台呈现的是机器人完成一次操作，凌迪想讲的，则是这项能力如何被训练出来。         要让机械臂学会叠衣服，得先把衣服变成数字世界里一个可计算的对象。

D | 鸿蒙收紧应用审核和权限，也确实可能增加开发者的适配成本，改变一些人已经习惯的使用方式。问题不在于用户该不该质疑，而在于这些质疑能不能被拆开，看看每一项机制真正限制了谁，又保护了谁。         所以，这篇文章不打算用一句简单的「安全」或者「不安全」下定论。不同面料有多重、多滑、弹性多大、软硬如何，布碰到机械爪会怎么滑、怎么皱，这些都要先算出来。我们挑出了十个最常见、也最容易产生误解的问题，从应用审核、权限访问一路讲到小艺、AI 防诈和密码保险箱。         看完之后，你可能还是未必认同鸿蒙在安全上的每一个选择，但至少可以更清楚地知道，鸿蒙究竟在操作系统安全上带来了哪些与众不同的变化。         误解一：鸿蒙安全访问机制就是把安卓权限管理换了个名字          这是最常见的误解之一，但也是最容易被数据反驳的一个。

E | 然后模型才能换着材质、换着摆放方式、换着抓取角度一遍遍练，最后再通过评测判断它到底学会没有。

F |                    这也是叠衣服与抓取规则刚体不同的地方。

G |          传统安卓的权限管理逻辑是「授权或拒绝」——用户一旦授权，相册、通讯录等整类数据都可能向应用开放。一只杯子被拿起后，形状通常不会发生明显变化；一件衣服被抓住一角，整体状态却可能随之改变。         看起来只是一次抓取和翻折，背后对应的却是机器人进入家庭、轻工业等真实场景后绕不开的一类问题：如何处理那些会折叠、滑动、缠绕和持续形变的对象。         凌迪科技此次重点展示的SynReal World，正是从这片更复杂的“柔性世界”切入。鸿蒙安全访问机制则不同：用户主动选择具体的照片、文件或联系人，系统只将用户指定的数据交给应用，其余数据不可访问。         结论：安卓给的是「钥匙」，鸿蒙给的是「你指定哪件，我就递哪件」。         它不直接制造机器人，而是希望在机器人本体与具身模型之间，搭建一套覆盖3D资产生成、仿真训练和自动评测的一站式数据基础设施，让模型进入真实场景前，先在数字环境中经历足够多的物理交互与任务试错。这不是换名字，是换逻辑。

H |          误解二：星盾防诈就是骚扰拦截的升级版          传统防诈关注的是「号码」，而星盾防诈关注的是「骗局」。这中间的区别，是拦截和识别的区别。         从 AI 剧本诈骗、AI 换脸检测、AI 变声检测，到境外伪造号码、风险网页、风险二维码识别——星盾防诈识别的不再只是一个来电，而是整个诈骗行为链路。

I | 并且它还支持帮助家人挂断诈骗电话，已标记的诈骗号码同步至家人手机黑名单。一人标记，全家受益。         01.          机器人认出一件衣服，离叠好它还很远          过去两年，机器人的视觉识别和动作控制能力快速提升。         结论：不是骚扰拦截的升级版，是诈骗防护的架构级重构。         误解三：星盾安全架构听着很牛，但用起来和其它手机差不多          「感觉差不多」本身就是一个有趣的信号——隐私保护做得好的时候，用户确实是「无感」的。         模型可以判断桌上放着什么，也可以根据指令生成动作。但鸿蒙星盾架构和传统安卓的隐私保护有本质差异。但“看见一件衣服”和“把衣服整理好”，仍然是两个不同层次的问题。         其他手机的隐私保护大多是应用层的权限管控增强。         衣服被抓住一个角，整体状态会立即改变。抓取位置、布料材质、初始褶皱和夹持力度出现细微差异，都可能让原有动作策略失效。

J | 鸿蒙星盾安全架构则以软硬芯云协同为基础，包含纯净治理、隐私保护、数据安全和分布式安全四大架构。

K | 机器人每完成一步操作，都需要重新判断物体发生了怎样的变化，并据此调整下一步动作。

L | HarmonyOS 7 的星盾防诈平台已与抖音、支付宝、京东等伙伴合作，可主动预警风险。这不是「改个名字」，而是安全防护逻辑的根本升级。

M |          这也使柔性物体的操作数据更难规模化采集。                   机器人一次操作失败后，工作人员往往要重新铺平衣服、整理绳索或复位物料。面对不同材质、尺寸、形态和摆放方式，真机数采所需的时间与人工成本会迅速。         仿真由此成为具身智能扩大训练规模的重要方式。         但柔性物体仿真的难点，并不只是生成更多3D资产，数字对象还需要具备接近现实的材料属性和形变规律。

N |          结论：感觉「差不多」恰恰说明做得好——但底层逻辑完全不一样。

o |          简言之，谁更了解布料如何垂坠、拉伸、碰撞和褶皱，谁才更有可能把这类对象转化为机器人可用的训练数据。         这也解释了，为什么一家长期服务服装行业的企业，会在此时进入具身智能。         误解四：鸿蒙禁用 9 类不合理权限会影响应用正常功能          鸿蒙禁止 9 类不合理权限，并不意味着应用功能被削弱。

p |          02.          凌迪的具身智能入场券，来自十年柔性仿真积累          凌迪科技并非从机器人本体起步。鸿蒙通过安全访问机制等新能力，为开发者提供了更安全的替代方案。但它过去十年处理的，恰好是机器人今天开始集中面对的问题——如何让计算机准确模拟柔性材料的物理变化。         据了解，凌迪科技成立于2015年底，过去十年主要服务服装及轻工业，围绕数字面料、服装建模、服装设计和产业协同建立产品体系。目前，其业务覆盖亚太、欧洲、美洲和非洲等区域，服务全球3000多家轻工业客户。

q |                    数字样衣并不只是把服装做成一个视觉逼真的3D模型。         例如上传照片、下载图片、分享联系人等场景，不再需要应用获取整个相册或通讯录的权限，而是由系统按需、安全地将用户指定的数据交给应用。对于规范开发的应用来说，正常功能完全不受影响——真正受限制的是那些依赖过度收集用户数据的应用。

r |          结论：好的应用不受影响，受影响的只有「想做坏事」的应用。         同一件版型换一种面料，垂坠、拉伸、褶皱和贴合效果都可能发生变化。         误解五：鸿蒙应用审核太严了，开发者做不起来生态          严格的审核是一把双刃剑。它确实增加了开发者的上架时间成本。要在虚拟环境中还原这些差异，需要将重量、厚度、摩擦、弹性和弯曲刚度等材料属性转化为可计算的参数，并持续处理布料与人体、地面及其他布料之间的碰撞、滑动和形变。         据凌迪科技披露，其已经积累超过60万种行业面料数据库，围绕不同材料的物理属性、形变效果和仿真计算形成了长期积累。但换个角度看：鸿蒙系统级禁止 9 类不合理权限（比如手电筒 App 不能读通讯录）——这在安卓上靠审核约束，在鸿蒙上是系统级硬限制，应用根本没有权限去申请。

s | 2024年至2025年，科研团队在顶级学术会议发表论文超过20篇。         截至 2026 年 6 月，鸿蒙可获取的应用与服务已超 40 万。

t |          这些能力过去主要服务服装设计和生产，如今开始被重新组织，用于机器人训练。                   当然，数字样衣与机器人仿真并不能直接画等号。前者更关注设计效果和服装呈现，后者还要面对机械手接触、受力反馈、连续形变和大规模并行计算。华为也推出了开发者赋能计划和审核前预检工具来降低沟通成本。         误解六：鸿蒙系统里到处都是广告，还吹什么安全可靠          系统应用内嵌广告，是手机行业的共性做法，也是厂商的重要商业模式之一。         但两类应用共享一个底层前提：虚拟材料不能只有外观，还要能够根据物理规律发生变化。

u | iOS 有、安卓有、鸿蒙也有。         这使凌迪科技具备了一张相对特殊的具身智能入场券。它并非从零研究布料为什么会垂坠、拉伸和褶皱，而是可以在已有的面料数据、服装仿真和物理计算能力上，继续向机器人操作与训练延伸。         03.          SynReal World，把机器人训练接成一条数据管线          搭出一个仿真场景并不难，难的是让它持续生成机器人可用的训练经验。

v | 这需要一套能够持续生成训练资产、组织模型试错，并判断机器人是否真正学会的数据基础设施。

w |          但需要区分两个概念：系统安全和系统纯净度不是一回事。         SynReal World瞄准的正是这一环节。

x |          凌迪科技将其定位为面向具身智能的全栈数据引擎，覆盖“3D资产生成—训练应用—仿真评测”完整闭环，将原本分散的建模、训练和验证环节接入同一条数据管线。                   简单来说，SynReal World搭建的，可以理解为一个面向机器人的“训练世界”：其中的物体遵循物理规律，任务可以反复运行，训练结果也能够被量化验证。

y |          这个“训练世界”的构建，可以拆成三个环节。

z |          第一步，是把数字资产变成可用的训练对象。鸿蒙在安全机制上——微内核、星盾架构、应用审查、AI 防诈——是业界顶尖的。

| 但安全不等于无广告，正如 iOS 也有系统广告，没有人会因此说 iOS 不安全。         结论：安全和广告是两件事，混为一谈是对安全概念的误读。         误解七：小艺随时随地「听」着我说话，我的隐私全被上传到云端了          这是 AI 助手时代最普遍的担忧。每次小艺「主动」弹出建议、识别到你说的话并给出回应，用户就会产生 「它是不是一直在录音」的疑虑。         实际上，小艺的语音唤醒机制是在设备本地完成的——手机内置的 AI 芯片持续检测音频流中的「小艺小艺」声纹特征，这个过程只在本地运行，不会上传任何音频到云端。

|          SynReal World支持从文字、图片和CAD等输入生成物体与任务空间，并为资产补充质量、摩擦、弹性和碰撞等物理属性。其核心能力覆盖高精度形变体仿真、刚体仿真和多物理场耦合仿真。

|          这一区别很关键。只有当你明确唤醒、发出指令后，该次指令数据才会以加密形式传输至云端处理，且做到即用即删。普通3D模型解决的是物体“看起来像不像”，机器人训练关心的是施加动作之后，物体是否会按照接近现实的规律变化。         更根本的保障在于：鸿蒙对智能体的数据安全执行「本地优先 + 云端匿名」双轨机制。         只有数字对象能够合理地碰撞、滑动和形变，虚拟资产才可能变成有效的训练数据。用户的唤醒词、声纹等生物特征数据完全本地化存储；云端处理时通过三重盲化技术剥离身份信息，系统管理员也无法获取明文数据。2026 年，小艺 Claw 已通过中国信通院安全能力评估，成为首个获得国家级认证的终端厂商 Claw 类智能体。         结论：不是「一直在录音」，而是「只在本地等唤醒词，唤醒后也是即用即删」。         另外，通过可仿真与交互的3D资产与场景的智能建模，SynReal World 可以对真实世界中采集的任务数据进行灯光与物体材质的泛化，解决数据有效性过低的问题。通过仿真把一条有效数据低成本变成十条，高效地实现训练数据的多样性，同时有效降低数据采集的成本。         误解八：鸿蒙系统会不会有后门？数据会不会被华为内部看？          这个问题可以从三个层面回答。                   第二步，是把单次试错扩展为可规模化运行的训练过程。         SynReal World支持强化学习和模仿学习，可以面向灵巧手、机械臂、双足机器人和机器狗等不同形态开展训练与策略验证。

|          技术层面：鸿蒙微内核的进程隔离机制使得「开后门」比宏内核更难实现；端到端加密让华为自身也无法解密用户云备份数据。         它的价值并不在于替代真机，而是承担大量高频、重复和早期探索阶段的试错，把有限的真实设备与现场资源更多用于校准、验证和落地。         合规层面：鸿蒙同时遵守《个人信息保护法》和 GDPR，欧洲市场的合规要求与国内完全一致。                   第三步，把“机器人学会了”转化为可重复验证的任务能力。         一次演示成功，并不代表模型已经掌握任务。只有在场景和变量发生变化后仍能稳定完成，能力才具备进一步迁移到真机的可能。         SynReal World将程序化评测接入训练流程，支持并行测试、成功率统计、失败模式分析和过程记录，让模型每次更新后都能在已有任务中重新验证。                   对一套具身智能数据引擎而言，完整闭环之外，还要看它能否以足够高的效率和精度运行，并接入现有研发体系。         审计层面：所有权限调用都有日志记录，用户可随时在「访问记录」中查看。         根据凌迪科技提供的测试数据，在部分高复杂度场景中，SynReal World的仿真效率较Isaac Sim快5至10倍，静动力学误差降低近20%。         在生态层面，凌迪科技是NVIDIA Newton核心成员，SynReal World支持USD和Python API，并兼容MuJoCo、Newton等仿真引擎。         在SynReal World之外，凌迪科技此次还展示了面向服装等轻工业场景的数字伙伴中台StyleWork。早在 2024 年，HarmonyOS 5 的安全能力就获得了智能终端整机操作系统领域首个 EAL5+ 认证，鸿蒙内核获得业界通用操作系统内核领域首个国际 CC EAL6+ 证书。

|          结论：从架构到合规到审计，三层保障让「后门」没有存在的空间。它融合AI Agent能力，让数字伙伴理解设计、选品、营销和运营等业务流程，调用专业工具并反馈结果，同时通过持续学习与记忆参与长期协作。         误解九：密码保险箱就是把密码存到华为服务器上          这是对「本地加密」和「云端同步」两个概念的混淆。这是凌迪科技将AI嵌入真实产业流程的另一条路径。         04.          物理AI竞争，正在向“训练场”深处延伸          把资产生成、模型训练和结果验证放进同一套流程，首先解决的是研发效率。模型每更新一次，不必重新搭建场景、切换工具，再单独统计任务结果。         鸿蒙密码保险箱采用系统级密码管理能力，密码以加密形式保存在本地，通过用户授权进行自动填充。         但这套数据管线更值得关注的地方，在于它回应了具身智能面临的一项核心约束：机器人所需的数据，无法像语言模型那样从互联网低成本获取。         语言、图像、视频，天然以数字形态存在。即使开启多设备同步，也是依赖华为账号和加密同步机制，上传到云侧的数据会被端到端加密——其他人、包括华为自身，都无法获取密码保险箱中的内容。而机器人需要的数据，必须包含动作、接触、力和物体状态变化——每一次交互，都是一次物理事件。

|          结论：密码在本地加密存储，上传云端也是端到端加密，华为自己也解不开。

|          误解十：AI 防窥就是一直开着摄像头监控我          这个误解背后是对「端侧 AI」和「云端 AI」的混淆。

|          鸿蒙 AI 防窥传感器不会持续拍摄用户，更不会把画面上传云端。模型要学习的，不只是一个物体长什么样，更是对它施加动作之后会发生什么。它依托设备端的智能感知能力，在本地判断是否存在屏幕被他人窥视的风险，必要时提醒用户或触发保护措施。

|          真机采集的速度和成本，很难跟上模型对任务多样性的需求。整个处理都在设备本地完成，且用户可随时在设置中开启或关闭。         结论：数据不上云、传感器不持续启动——防窥的前提本身就是保护隐私。仿真不能取代真实世界，但它可以重新分配试错成本。                   当仿真承担越来越多训练任务，行业比拼的焦点也在转移。画面逼真不再是唯一标准。更关键的问题是：虚拟世界里的物体，是否遵循真实世界的物理规律？训练结果，能不能被重复验证？从仿真中学到的经验，又能在多大程度上迁移到真机？          沿着这几个问题往下看，柔性物体成了一种更高门槛的检验标准。它更能代表家庭服务、轻工业和普遍的非结构化环境。

|          这正是凌迪正在卡住的位置。

|          写在最后          写到这里，鸿蒙到底安不安全？          坦白讲，对任何一套操作系统，都不应该用「绝对安全」四个字作答。安全从来不是一劳永逸的能力，更像一场没有终点的攻防：系统能力在升级，诈骗手段、数据风险和 AI 带来的新问题也在不断变化。         WAIC现场，机器人依然是聚光灯下的主角。         但判断一套系统安不安全，同样不能只凭早期印象，更不能因为安全机制平时看不见，就认定它什么都没做。         事实上，从禁止 9 类不合理权限，到把数据访问的决定权交还给用户；从端侧处理、端到端加密，到覆盖 AI 换脸、变声和完整诈骗链路的星盾防诈；再加上 CC EAL6+ 等安全认证，鸿蒙在安全上的投入已经远远超出了很多人的想象。它尝试做的，是把安全写进系统底层，让应用少拿不该拿的数据，让风险尽可能被挡在用户察觉之前。

|          这种选择当然会带来代价。更严格的权限和审核机制，可能增加开发者的适配成本，也可能让部分用户一开始觉得不够自由、不够方便。凌迪选择进入的，是聚光灯照不到的地方——机器人的训练场。但换个角度，当手机保存了我们的照片、联系人、支付信息乃至完整的生活轨迹时，系统就应该谨慎一点、严格一点。         安全做得越好，用户往往越没有感觉。         当行业竞争从“完成一次漂亮演示”，转向“以更低成本稳定学会一项任务”，谁能生成一个物理规律可靠、任务可重复、结果可验证的训练世界，谁就在为下一阶段的物理AI铺设底座。

| 没有莫名其妙弹出的权限申请，没有可疑电话带来的损失，密码和照片安安静静地留在该留的地方——这些看起来理所当然的日常，背后恰恰需要一整套系统能力支撑。         鸿蒙还会继续迭代，也一定会遇到新的安全挑战。但看完这十个问题，至少有一点已经足够清楚：鸿蒙对安全的重视不是一句口号，它有底层架构、有具体功能，也有用户能够实际感受到的保护。         对于一套正在快速成长的操作系统来说，这份安全感，值得肯定。

Current article:http://3eg.cousizhegaobaolengkuo.bond/ybbgx/20260826/1234558.html

Published on:12:44:19