新华财经上海7月23日电 2026年被业内定义为“具身智能量产元年”，机器人正从舞台走向工厂。但当本体和算法不再稀缺，一个新问题浮出水面：谁来给机器人提供持续学习的“教材”和“考场”？
2026世界人工智能大会（WAIC）期间，光轮智能联合创始人兼总裁杨海波在接受记者采访时表示，光轮智能正在为机器人构建一套覆盖数据、仿真、评测与部署反馈的“学习系统”。本体数据采集成本高、难复现，仿真数据正是破解之道，它让机器人在进入真实场景前先完成大规模学习与评测。仿真基础设施正成为决定具身智能产业化速度的关键变量。
为机器人搭建“学习系统”
光轮智能主要为物理AI构建数据与评测基础设施，依托首创的“求解—测量—生成”三位一体全栈自研仿真平台，为业界提供高质量、多样性、规模化的仿真合成数据，人类视频数据，工业级仿真评测，与部署反馈能力。作为具身数据行业“独角兽”企业，光轮智能目前已服务全球前五名世界模型团队。
“我们给自己定义是一个物理AI的数据和评测基础设施，就像在构建一个学校，给这个模型提供教育，给它知识，然后再让它不断地考试。”杨海波这样解释光轮智能的定位。
在他看来，机器人有了本体就像有了身体，有了模型就像有了大脑，但这个大脑“像婴儿一样”，要让它变成能在各个场景下工作的成年人，还需要不断喂养数据、不断评测、循环往复地提升能力。
机器人本体越多、应用场景越杂、任务链条越长，所需的数据量就越大。这种增长更接近指数级跃升：一旦规模化落地启动，数据缺口将以几何级数扩大。就像运动员需要反复训练才能完成高难度动作，机器人的每一个精准抓取、每一次灵巧操作，都需要海量数据“喂养”。
真实数据能够提供真实环境中的交互经验，但在采集成本、场景覆盖和边界样本供给方面存在限制；仿真则能够快速扩展场景、生成稀缺样本，并支持可复现、可对比的规模化评测。仿真正在成为破解具身智能进化瓶颈的关键钥匙。
据介绍，光轮智能围绕“数据—评测—部署反馈”构建了物理AI持续学习体系，并以SimFoundry全栈自研仿真平台作为底层技术支撑，形成从数据采集、仿真训练、标准化评测到真机反馈的现实到仿真再回现实闭环。
在仿真层，光轮智能依托“求解—测量—生成”三位一体全栈自研仿真平台，将真实世界的物理参数精确“搬入”数字空间。在数据层，公司构建了覆盖仿真合成数据与人类视频数据两大路径的非本体数据引擎。在评测层，光轮智能推出了工业级仿真评测平台，基于百项高难度任务构建标准化评测体系。
杨海波告诉记者，目前光轮智能在仿真合成数据、仿真评测、第一人称人类视频数据三个维度均已实现规模化交付。智元机器人、银河通用、字节跳动、阿里巴巴等头部企业，均是光轮智能的客户或合作伙伴。公司2025年全年营收实现10倍增长，2026年第一季度收入已超过2025年全年营收，订单增量主要来自具身智能领域的数据和评测需求。
参与定义全球标准
今年以来，光轮智能在国际标准共建上取得两项关键突破，成为同时加入两大物理AI国际标准的唯一中国企业。
在仿真领域，今年3月，光轮智能受邀加入Newton仿真技术委员会，成为五家成员中唯一的中国企业，与英伟达、谷歌DeepMind、迪士尼研究院、丰田研究院四家机构共同推动下一代开源物理AI仿真标准。
在数据领域，光轮智能不久前加入了EgoVerse人类数据委员会，与Meta、Scale AI等国际团队共同构建全球专业的人类数据训练体系，同样是唯一的中国企业成员。
杨海波认为，过去我国在物理AI特别是数据和仿真上长期落后，工业仿真对外依赖度高，“仿真的对外依赖度不亚于芯片，只不过仿真更底层、更隐蔽，不易被关注。”
与此同时，光轮智能持续推进自研仿真技术与国产算力环境适配，探索数据生成、仿真训练和规模化评测在不同计算平台上的协同运行，已与摩尔线程、阿里云等企业达成合作。
在国内的标准建设上，光轮智能也在同步推进。作为全国首批具身智能行动计划数据领域的一家民营企业，公司联合全国信标委、工信部相关标委会等机构推进标准体系建设，主导或参编20项国家及行业相关标准，并与国家机器人检测和评定中心（总部）共同推动具身智能关键基础设施与工业级测试评价标准建设。
“只有建立统一标准、形成大规模复售，才能真正把数据供给做好。”杨海波表示，光轮智能的目标不仅是参与标准制定，更要将国际领先的标准产品化，“让我们的数据产品质量符合相关标准，然后供给到国内市场。”
具身数据需求将迎指数级爆发
“2026 年同样是中国具身数据规模化的元年。”今年年初杨海波提出这一判断，并于本届WAIC大会期间再次重申。他表示，今年行业对具身数据的需求至少达到去年的百倍规模：“去年行业订单普遍为几百、几千小时量级，今年订单规模已经跃升至百万小时级别。”数据需求的增长接近指数级跃升，一旦具身智能产业规模化落地正式启动，市场的数据缺口还将呈现几何级数扩大。
在具身数据商业化路径上，杨海波表示看重三个方向。第一是复购，从单点合同变成框架合同，客户不断循环下单，代表产品质量和客户黏性。第二是复售，同一批数据卖给不同客户，目前优质场景数据复售已超过10倍。多家企业共同采购同一套数据，意味着这套数据正在形成行业事实标准；该模式既能够构建更健康的商业模式，也有助于降低各家客户的数据采购成本。第三是打通从数据采集、仿真、评测、部署，再到数据回流迭代的完整业务闭环。
杨海波认为，随着各家具身创业公司加大投入、比亚迪等传统制造龙头企业加入，预计明年机器人本体价格有望大幅下降，整机稳定性将实现百倍提升。“即便本体稳定性大幅改善，企业推进工厂落地时，最紧缺的依旧是数据，以及数据仿真相关基础设施作为落地支撑。”
在场景落地节奏上，他表示，工厂作业、物流转运、安全巡检等结构化场景将率先实现商业化落地；居家场景由于安全标准严苛、任务形态复杂、对数据多样性要求更高，落地进程会相对滞后。“具身数据行业今年的核心目标是跑通落地路径，商业化算账、实现盈利更适合放在明年。”
针对光轮智能下一阶段发展重点，杨海波透露了三大方向：一是深耕仿真底座技术，实现更加贴近现实世界的物理效果模拟；二是将仿真和真实数据打通协同；三是继续保持在数据标准上的领先优势，加快技术产品化落地。
“光轮智能的目标并非研发制造某一款机器人产品，而是打造物理AI数据与评测基础设施。正如GPU奠定了大模型时代的算力基础设施，谁掌握这套底层基础设施，谁就能掌握行业持续迭代的主动权。” 杨海波说。
