场景重建：把真实场景转化为可复用的物理数字场景，编码领域原生的物理特性。交付可复用的数字考场。
SheetSN-00
Title架构与主张
Issue2026.08
Scopereal → sim → real
以无厚入有间
Sunnta 为 Physical Intelligence 构建基础设施——让物理世界对机器变得可理解，让智能机器能够可靠地进入真实世界。与其让硬件迁就仿真，我们让物理建模遵循环境、场景与机器自身的规律。
Domain-Native Physical Intelligence Infra
场景原生 · 100+ 特种行业交付
领域原生物理建模 + 空间智能
Thesis
更好的模型并不会自动消除前沿技术与实地部署之间的鸿沟——Physical Intelligence 的瓶颈不只是机器够不够聪明，而是有没有基础设施让机器理解自己所处的环境，并在行动之前验证自己的判断。
00Contents
01Architecture
Environment Intelligence · 旗舰产品
Sunnta 的旗舰产品是 Environment Intelligence——面向物理世界部署的智能层。核心问题：这是什么环境？这台机器是什么能力？需要完成什么任务？三者结合后，什么事可为、不可为？
由两个核心能力模块与一个部署闭环组成：
Environment Intelligence 由两个核心能力模块与一个部署闭环组成：
模块一 · RECONSTRUCTION
模块二 · EA 验证
Environment Affordance™：按本体参数做可为性标注与对抗验证，出评分与样例。可独立交付。
闭环 · DEPLOYMENT LOOP
真实场地 → 重建 → 验证 → 部署 → 反馈 → 更新环境模型。与产业域 co-build，数据飞轮持续积累。
核心机制 · Environment Affordance™
为各式机器人和智能设备提供预对齐、预演练和准入考场
Environment Intelligence 是 Sunnta 的旗舰产品；Environment Affordance™ 是其中率先成熟、可独立交付的核心机制。
EA（Environment Affordance）是 Sunnta 架构里独特的机制：从机器人视角和任务出发，在可复用的物理真实场景中做验证。不是问「这台通用机器人能做什么」，而是问「这片真实场景里，这台具体的机器，哪些事可为、哪些事不可为」，答案以评分和报告交付。
成本 ↓
不是所有任务都需要通用机器人。用现有硬件完成任务验证，把机器人成本降下来。
协同 ↑
异构硬件在同一考场用同一套标准验证，提高与现有硬件的协作程度。
门槛 ↓
企业不需要懂模型，只需要看得懂评分，把使用门槛降到最低。
准入 →
成为不同领域机器人的准入考场：任何领域的机器，先考后进。
Environment Affordance™ — 部署前的独立验证
按机器人本体参数，把真实场地重新标注成一份可为性地图，把感知容易出错的场景先跑一遍，在部署之前给出可审计、可复现的验证结论。既可单独交付，也是 Sunnta 全链条的核心机制。
查看产品页 →02Difference
有何不同：领域原生的路径，机器视角的打法
LLM 的规模定律（scaling law）建立在 30 多年互联网数据基建之上；物理智能的规模化部署，同样需要自己的基建——没有真实环境的数据底座，sim2real 的对齐就无从谈起。围绕这个判断，答案分两层：技术路径不同，取舍打法也不同。
特点一 · 技术路径不是硬件适配仿真，而是仿真适配领域的物理真实
机器最终要工作的地方，不是合成场景，是客观世界：厂房、矿区、园区、电网、仓库。这里有一个容易被通用方案忽略的事实：从机器和任务的视角出发，不同的作业环境对应不同的物理引擎。矿井巷道的低照度、粉尘与防爆约束，洁净室的洁净度与几何精度，露天矿区的非结构化路面，物理属性、感知模态、运动约束各不相同。把所有场景塞进同一套通用模板，物理就失真了。
Sunnta 的两项核心能力，正是为此而生（任务谱系见 FIG.03）：
领域原生物理建模 · 场景原生
通用物理能力可以复用，但定义特定领域环境的那部分物理建模必须自己拥有。针对每个领域的作业环境做物理原生建模：几何结构、物理参数、动力学行为一体化——把行业物理知识编码进环境状态模型。场景原生，意味着仿真的物理行为与真实部署场景对齐。
全域感知 · 物理量融合
不同环境依赖不同的物理量采集方式：有的靠视觉，有的靠温湿度，有的靠毫米波，有的靠触觉与力控。Sunnta 的全域感知算法把这些异构物理量融合进同一套物理引擎中运行：物理量进，物理量出，全程不折叠。
Domain-Native
Sunnta 主打领域原生的物理场景对接所有类型的智能硬件（包括各类机器人）：让仿真按领域的物理真实去承接硬件，而不是反过来要求硬件适应仿真——这是 Sunnta 与通用仿真平台的主要区别。
特点二 · 取舍打法从机器的视角，按产业的节奏
机器视角：需量力而行
并不是所有场景都需要高配通用机器人。从机器自己的视角出发：能完成任务、鲁棒性高，比通用能力更重要。把任务、场景和自身能力对齐，一台减配的、低成本的专用机器，配合对的基建，往往胜过一台昂贵的通用机器。
以矿山场景为例：真正需要的是自动驾驶、机器狗、无人机、轮式机器人的异构协同，而不是一台具身机器人包打天下。Environment Affordance™ 从机器的视角做验证，让每一台现有硬件都能被恰当地使用。
产业节奏：发展是线性的
一般来说，技术主张先在现有基础上解决高结构化任务，再解决半结构化任务，最后才是通用，这个顺序不可颠倒。
当下制造业与工业场景大部分亟需解决的，是结构化与半结构化之间的任务：场景变动低频，物理准确、硬件协同、成本控制是重中之重。基建应该先把这段最大的、最确定的需求承接住。
03Proof
基于成熟技术，在应用层创新
Sunnta 是新理念，却基于成熟技术。团队有国内少有的、成建制的物理引擎与空间智能能力，全部经过真实产业交付的验证。
问题佐证 · 两个硬数字
问题本身有多真实，两个数字足以说明：产品的技术魅力与真实环境中的工作能力差距仍在扩大；与此同时，高质量具身数据缺口超过 99%，物理智能没有 LLM 当年赖以爆发的现成数据基建。更完整的支撑论证（token 与算力效率、四条数据路径拆解、遥操作成本对比）都在思考 · 能力与部署的悖论之中展开。
Sheet SN-02 · Team
查看完整团队
城市更新、农业科技、认知神经科技、存算一体、光交换……查看团队背景与研究领域。
了解我们 →04Now & Next
当下收窄差距，未来提供直觉
NOW
当前通过 Environment Affordance™ 解决部署验证：Know what a machine can do here — before deployment。场景数据持续积累，验证标准逐步确立。
NEXT
把一次次验证产生的场景、失败模式、约束和标准沉淀下来，形成可复用的 Environment Intelligence。不再是每次部署都从头验证。
EVENTUALLY
提供领域与任务所必需的直觉给机器。机器进入陌生真实场景时不必从零认识世界：环境理解、可为性边界、任务评分已由 infra 预先供给。
为什么是必经之路
产业不会跳过基建直接抵达通用。把真实物理世界的训练、验证、部署基建做扎实，下一阶段的准入标准就会出现。
附Sources
数据来源
- IFR《World Robotics》：中国制造业机器人密度 470 台 / 万名员工（2023），全球第三；全球平均 162 台；2023 年中国新增安装 27.6 万台，约占全球 51%。
- Gartner 及行业估算：人形机器人高质量数据缺口达万倍量级；遥操作数据成本约 2,000 元 / 小时。
- 盖世汽车研究院：具身高质量数据存量约 50 万小时，通用能力需求约 1,000 万小时，缺口超 99%；物理 AI 数据量约为 LLM 语料的 1/20,000；仿真可将单条数据成本降至 1/20 至 1/200。
- 弗若斯特沙利文：中国具身智能解决方案市场规模 2030 年预计约 1,426 亿元。
- 思考 · 能力与部署的悖论：token 与算力消耗高而能力不线性增长；数据总量天量但数据效率极低（小时级视频的有效物理知识可能不及千词文本）；遥操作、ego 视角、合成数据、视频学习四条主流数据路径的物理保真度均不足；叠加之下，机器人的规模定律（scaling law）至今未出现。
- 思考 · 数据成本对比：遥操作数据成本约 2,000 元 / 小时（Gartner），仿真可将单条数据成本降至 1/20 至 1/200；物理语料约为 LLM 语料的 1/20,000。