位于北京亦庄的2026世界机器人大会现场，汹涌的人流在各品牌演示台前驻足：人形机器人完成精准抓取、轮式机器人穿梭分拣、机械臂演绎柔性作业——看似热闹的Demo秀场背后，产业界的焦虑从未消散：这些在展台上表现完美的机器人，走进真实工厂、仓库、医院后，还能不能稳定干活？

　　在光轮智能看来，具身智能要跨越从实验室到规模化落地的“死亡谷”，绕不开中试这道核心关卡；而传统的真机中试模式，已经撑不起具身智能的产业化节奏。

　　传统中试跟不上具身智能迭代速度

　　今年6月，工信部、国资委发布具身智能实景实训专项通知，场景落地正式从行业讨论走向政策推动的产业命题。随着本体硬件迭代加速、算法能力不断突破，行业共识正在形成：具身智能的核心矛盾，早已从“能不能做出来”转向“能不能用起来”。

　　“具身智能产业化需要同时回答‘能不能量产、能不能干活、能不能稳定’三个问题。”光轮智能政府及国央企业务负责人张鹏认为，目前行业落地的核心卡点，恰恰卡在“能不能干活”这一层，而中试正是打通实验室到场景最后一公里的关键桥梁。

　　但具身智能的中试，从底层逻辑上就区别于传统工业中试。传统中试围绕单一确定性设备展开，设定固定工艺参数，验证量产的经济性与质量稳定性；而具身智能是一套典型的不确定性系统——本体硬件、具身模型、传感器方案、环境条件、任务流程都是变量，落地场景又横跨工业、物流、医疗、服务等千行百业，没有统一的标准工况。

　　这种本质差异，对中试能力提出了四大刚性要求：可量化、可对比、可复现、大规模。在张鹏看来，合格的具身中试不能只给出“任务是否完成”的二元结果，更要回答一系列产业级问题：在多大成功率下能够稳定完成？什么条件会导致性能退化，退化边界在哪里？失败的根因是什么？版本迭代后性能是否回归？仿真环境与真实现场的偏差有多大？

　　当前行业普遍依赖的真机中试模式，显然无法满足这些要求。一组行业现状颇具代表性：租一处测试场地、采购几十台机器人、雇人配合测试与复位，一次完整回环往往要以周、月为单位，成本动辄数十万；更关键的是，真实环境无法完全复现，极端场景、边界条件难以覆盖……

　　“很多具身训练场都在增加中试相关的设备和条件，但现在主要以硬件为主。”张鹏判断，纯硬件驱动的中试模式，已经跟不上具身智能的迭代速度。当行业从“Demo竞赛”转向“落地竞速”，中试体系的滞后，正在成为制约整个产业规模化的核心短板。

　　具身智能产业如何跨越“死亡谷”

　　面对真机中试的天然局限，光轮智能给出的解法是中试基地仿真评测基础设施RoboFinals——以仿真为核心，重构具身智能的中试验证体系。

　　这套体系的底层支撑，是光轮全栈自研的SimFoundry物理仿真平台。不同于仅追求视觉逼真的数字孪生，该平台通过“求解—测量—生成”三位一体的技术路径，精准还原接触、摩擦、形变及物体属性等真实物理参数，从根源上避免“仿真好看但无用”的评测失真。

　　与偏向学术指标的评测工具不同，RoboFinals从设计之初就锚定产业落地。“所有评测的作业流程、SOP和Benchmark全部来自真实的工业流程，是跟工程师一块打磨出来的。”张鹏强调，平台会将真实工程约束、安全边界、生产链路逻辑全面纳入评测条件，确保评测结果真正服务于落地，而非单纯的实验室跑分。

　　值得一提的是，光轮智能是参与物理AI仿真技术与人类数据两大国际标准共建的唯一中国企业。当天，光轮智能发布了全球首个十万小时开源人类数据集EgoSuite-Open100K，该数据集以10万小时第一视角人类数据为整体规模，涵盖15000多类场景，共计15000多种任务。

　　光轮智能联合创始人兼总裁杨海波直言，“没有标准不能做复售，没有复售没法实现规模化。如果连标准都没有、好坏都不知道，凭什么去做标品？”

　　在他看来，具身智能仍缺少同时具备高质量、多样性、大规模的数据供给。当前行业在采集口径、标注规范、数据格式和时序组织上存在差异，不同设备产生的数据难以组合复用。EgoSuite-Open100K 的开放，旨在让更多开发者以统一、可复用的数据基础开展模型研究，降低高质量具身数据的获取门槛。

　　具身智能跨越“死亡谷”的核心标志，是从“单点Demo验证”走向“规模化场景落地”，而这背后离不开基础设施的全面支撑。当仿真中试把验证周期从“月级”压缩至“小时级”，当高质量具身数据告别分散自建、互不互通的模式，走向标品化复用，具身智能从实验室走向千行百业的落地节奏，才会真正迎来系统性加速。（记者 战钊）