【科技观察】

  上海世博馆内，2026世界人工智能大会（WAIC 2026）正在火热进行。记者观察到一个显著变化：往年展馆中常见的机器人唱歌、跳舞等才艺表演大幅减少，叠放衣物、拧动物件、搬运物料、产线操作等实干场景成为展示主流。“机器人开始打工干活”，不再是一句行业口号，而是最鲜明的共识与趋势。

  当具身智能从实验室Demo真正走向工厂、物流等真实产业场景，一个决定落地效率的核心问题也随之浮现：拥有了本体硬件与大模型的机器人，如何快速掌握场景技能、稳定完成任务，并在实际工作中持续进化？

  光轮智能在本届大会上给出的答案，是一套覆盖数据、仿真、评测、部署全链路的物理AI数据与评测基础设施。作为全球首个具身数据独角兽，这家企业正以“产业送水人”的角色，支撑具身智能迈入规模化落地的关键阶段。

  从秀场到工场：具身智能迈入数据规模化元年

  “有本体就像有了身体，有了大模型就像有了大脑，但这个大脑是婴儿一样的大脑，怎么让它成长为能在各个场景下工作的成年人，靠的就是数据供给和持续评测。”光轮智能联合创始人兼总裁杨海波在接受媒体采访时表示。

  他将公司定位为物理AI的数据与评测基础设施企业，“我们在构建一所学校，为模型提供教育、输送知识，再通过持续的评测完成一次次考试，推动它不断成长。”

  杨海波认为，2026年是中国具身智能数据规模化元年。这一判断基于产业端爆发的真实需求。从今年春晚开始，具身智能从演示走向落地的行业声音持续升温，产业链的需求也随之快速释放。

光轮智能的具身仿真评测和真机部署演示画面

  “去年的数据需求还停留在几百、几千小时的量级，今年已经跃升至百万小时级，整体需求是去年的百倍乃至千倍。”杨海波透露，今年以来数据与评测业务的订单增长远超预期，背后正是具身智能从“秀”到“用”的产业拐点。

  需求爆发的核心原因，是机器人走进真实场景后面临的现实困境。真实的工厂、物流站点不可能为机器人留出半年的试错学习期，产线开机就要产生价值，这是具身落地必须破解的核心矛盾。而比训练更棘手的是评测——与大语言模型、自动驾驶不同，具身智能的真实场景评测存在天然短板。

  “具身其实很难去真实地评测它，所以更高效的是在仿真下进行评测的。”在杨海波看来，仿真评测是当前具身评测阶段的最优解，其核心价值体现在四大特性：一是可复现，昨天、今天的测试可以保持完全一致的环境条件，排除环境变量干扰；二是可对比，同一环境、同一任务下可让五家甚至更多模型同时测试，实现公平的横向对标；三是可量化，单次测试结果存在偶然性，通过上百次重复测试可以输出百分比通过率等明确指标；四是可规模化开展，测试规模仅受算力约束，能够高效支撑大批量验证需求。

  决定机器人落地能力的不仅是评测体系，更在于数据本身的质量。杨海波告诉记者，具身智能的数据必须满足三大核心标准：高质量、大规模、多样性。其中高质量是基础，具身数据不仅包含视觉三维信息，还要覆盖力觉交互、语义级手势与全身动作标注，维度远多于通用AI数据；大规模是前提，具身数据需求至少是自动驾驶的上千倍，作坊式生产根本无法满足；最容易被忽视的多样性，恰恰决定了机器人应对复杂真实环境的上限。

  “我们有一类‘不怎么成功的数据’，反而很受客户欢迎。”杨海波举例说，操作失误后再纠正的错误数据，本质是在补齐样本多样性的短板。头部客户甚至提出“一个人、一个场景、一项任务只采一条数据”的严苛要求，倒逼数据供给覆盖不同年龄、不同操作习惯的人群，以及千差万别的环境特征，确保机器人不会因场景细微变化就“失灵”。

  构建持续学习闭环：打造机器人的“学校与考场”

  真实场景没有试错窗口期，数据与评测又高度依赖仿真能力，基于这一判断，光轮智能构建了“数据—仿真—评测—部署反馈”的完整闭环体系，让机器人在进入真实场景前完成绝大多数能力训练，落地后通过数据回传持续迭代。这套系统由四大核心模块组成，分别对应教材、练习场、考场和持续学习机制，共同形成Real2Sim2Real的持续学习闭环。

光轮智能数据-评测与部署反馈闭环

  EgoSuite是机器人向人类学习的“教材”。它采集海量高质量人类第一视角操作数据，并自动完成高精度标注与质检，为机器人和世界模型输送人类经验。这套数据集严格遵循高质量、大规模、多样性三大标准，既包含标准操作流程，也覆盖大量失误与纠正样本，能够支撑机器人完成基础动作与通用能力的预训练。

  SimFoundry是支撑训练的物理真实“练习场”，也是光轮智能全栈自研的技术底座。很多人会将其与数字孪生混淆，但二者核心差异在于物理真实度——普通数字孪生侧重视觉还原，而SimFoundry实现了高保真物理交互模拟：小到瓶盖的螺纹阻尼、冰箱门的磁吸手感，大到物体碰撞的力学反馈、材质形变效果，都能在仿真环境中精准复现。

  依托这一能力，机器人可以在虚拟环境中无限次重复训练，一秒钟切换任意场景组合，彻底突破了真实场景搭建的成本与效率限制。相比真机遥操采集方式，仿真合成数据的优势十分明显：真机采集受限于场地搭建、硬件损耗、人力成本，难以支撑百万小时级需求；而仿真生成效率由算力驱动，可实现指数级扩容，在大规模供给与场景多样性上具备天然优势。

工作人员穿戴人类数据采集设备进行咖啡制作数据采集

  RoboFinals是检验机器人能力的“云上考场”。它将多样化真实场景转化为物理真实的仿真评测集，让机器人在进入真实场景前，先完成系统性的云上规模化考试。这套平台不仅能输出量化的任务通过率，更重要的是，其评测结果与真实产线表现已实现高度线性相关，具备产业级预测价值——企业无需先把机器人部署到产线，就能通过仿真评测预判其真实工作表现，大幅降低落地试错成本。

  RoboStack负责打通落地“最后一公里”，让机器人在部署后依然能够“持续学习”。它既支撑机器人快速部署上岗，也能将真实工作中的操作数据、失败案例回传至训练系统，形成“真实场景—仿真训练—真实部署”的自循环。

  “在仿真下先去学习，再去评测，解决99%的问题，剩最后1%的问题再到真实场景下解决，才能够真正落地部署。”杨海波说。

  跻身全球标准核心：从跟跑到共建的产业价值

  如果说产品技术是产业落地的硬支撑，标准规则则决定了产业发展的长期话语权。本届WAIC上，光轮智能展示了同时跻身两大国际顶尖技术委员会的进展，被业内视为中国物理AI产业从跟跑走向共建的标志性事件。

  目前，光轮智能是全球唯一同时参与具身仿真与数据两大国际标准共建的中国企业。在仿真领域，公司作为唯一中国企业加入Newton仿真技术委员会，与英伟达、谷歌DeepMind、迪士尼研究院、丰田研究院四家全球顶尖机构并列，共同引领下一代开源物理AI仿真标准；在数据领域，公司同样作为唯一中国企业加入EgoVerse人类数据委员会，与Meta、ScaleAI 等国际团队共同构建全球最大规模人类数据训练体系。

光轮智能参与定义物理AI两大国际标准

  “这不仅仅是公司的荣誉，更多的是国家的荣誉。”杨海波坦言，我国在物理AI尤其是仿真领域长期落后，工业仿真的对外依赖度甚至高于芯片，只是由于其处于产业底层、隐蔽性强，尚未得到广泛关注。光轮智能凭借在仿真资产标准、场景标准、任务标准上的技术积累进入全球核心委员会，意味着中国企业开始深度参与物理AI底层规则的制定，不再是单纯的技术跟随者。

  标准的价值最终要落到产业实践中。在他看来，真正有价值的是“事实标准”——当全行业普遍采用同一份数据、同一套评测体系，标准自然就形成了。

  在商业可持续性方面，光轮智能的高质量数据资产已实现跨客户、跨任务的规模化复用，部分优质场景数据复售超过10倍。这一指标进一步验证了公司正从项目型交付走向平台型基础设施——其数据具备可复用、可迁移、可规模化放大的资产属性，也让物理AI基础设施的长期价值能够被产业与资本市场真实兑现。

  杨海波认为，这一变化背后是行业逻辑的深层转变：过去是算法方提需求、数据方交付的“需求驱动”，而现在标准化的标品数据正在反向推动模型演进，具身智能正在进入“供给驱动”的新阶段。

  对于产业未来，他判断，随着传统制造强企入局人形机器人领域，明年本体价格有望降至当前的十分之一，稳定性提升百倍。当本体硬件门槛大幅下降，数据、仿真、评测等基础设施的缺口会进一步凸显，成为决定具身智能落地速度的核心变量。

  从比拼模型参数到夯实基础设施，从跟随国际技术到参与全球标准共建，中国具身智能产业正在进入新的发展阶段。随着更多中国企业在底层技术与标准规则上实现突破，中国具身智能产业将建立起更坚实的长期竞争力，推动物理AI真正赋能实体经济转型升级。（战钊）