出品：机器之心

具身智能现在面临的问题，和自动驾驶几年前的困境非常相似。

过去几年，自动驾驶行业已经证明了一件事：谁先把真实物理世界组织进统一的数字空间，谁就先拿到规模化的入场券。

但当年，这件事并不是一开始就想明白的。

早期的纯视觉多相机方案，每个相机自己感知自己的，前摄看前面、侧摄看侧面，各出各的检测结果，再拼到一起交给规划系统。问题是，拼出来的东西在图像坐标里，不在物理世界里。视角一变、光线一变、场景一变，性能就掉。数据堆得越多，各自为政的混乱局面就越严重。

BEV，Bird's-Eye View，就是那把钥匙。它真正改变行业的地方，不是给了工程师一张“鸟瞰图”，而是把多相机、多传感器、多任务输出，统一压进了一个可被规划系统直接消费的物理坐标系。自动驾驶因此完成了一次关键跃迁：从在图像里猜世界，到在物理空间里理解世界。

今天，具身智能正站在同一个路口。机器人数据来自不同相机、不同本体、不同坐标系、不同操作者。没有统一空间，数据堆得越多，就越混乱——不是规模化，是熵暴。

跨维智能提出的 Dexterity-BEV，正是要在具身智能里重做一次这样的重构：把视觉输入、机器人状态和目标动作，对齐到同一个参考系里，让机器人数据第一次真正具备可规模化训练的空间底座。这可以被看作是一次把 BEV 方法论系统性推进到具身智能数据基建层的尝试。