在刚刚结束的2026世界人工智能大会（WAIC）展馆现场，人形机器人不再满足于挥手、跳舞这些“才艺展示”，它们开始小心翼翼地叠衣服、抓零件、搬箱子——虽然动作尚显生涩，但目标已明确指向“进厂干活”。
当人形机器人从展会Demo（展示）走向真实产线，数据不再只是“养料”，而是决定产业落地速度的基础设施。光轮智能（北京）科技股份有限公司联合创始人兼总裁杨海波在接受中国证券报记者采访时表示，机器人进厂干活需要构建学习能力，而学习能力本质上依赖于数据和仿真。“2026年是具身智能数据规模化的元年，今年以来我们接到的数据和评测需求已经百倍于去年。”
机器人加速落地催生数据饥渴
在光轮智能的展台，可以通过一根遥操杆来体验在仿真环境下开合微波炉门。工作人员介绍，这个动作看似简单，背后的仿真系统已模拟了成千上万次磁吸阻尼的物理反馈，与真实场景下开合微波炉门的感受几乎没有差异。这种高度符合物理真实的仿真环境正是机器人从实验室走向真实场景的刚需。
在大会现场，记者注意到多家具身智能企业展示了机器人在工厂、物流等场景的作业能力。但记者采访了解到，当前具身智能尤其是模型层还没有完成收敛，一位具身智能领域的资深投资人向记者表示，即便是最顶级的公司，其掌握的数据量距离像大语言模型当年实现Scaling law还差一个量级。
这一判断直接反映在市场需求曲线上。杨海波透露，去年客户需求多为几百、几千小时的数据量，而今年已出现上百万小时的订单需求。他还表示，今年上百倍的需求增长只是起点，未来随着机器人进入更多场景，数据缺口还将持续扩大。
“机器人场景泛化最缺的就是数据，以及怎样在场景下评测它。”杨海波表示，“通常，机器人要先在仿真环境下学习、评测，解决掉99%的问题，剩下1%的问题在真实场景下解决，才能够真正落地部署。”
什么样的数据能够符合需求？杨海波总结出三个核心维度：高质量、大规模、多样性。“具身的数据需求维度更多，它不仅仅是视觉三维的，还要跟环境交互——拧开一个瓶盖，力的大小、力矩的反馈都要包含在内，标注要有语义级的手势和全身姿态。”杨海波解释，“具身智能对数据质量的要求是非常高的。”
最容易被忽视的是数据多样性，“比如，拿起这个杯子，成年男子怎么拿、老人怎么拿、孩子怎么拿，要找到生理属性和动作习惯的多样性。”杨海波说。
面对如此陡峭的数据需求曲线以及三个维度的数据要求，传统的真机遥操实采等本体采集方式就显得力不从心。杨海波认为有效数据主要来自两条路径：人类视频数据与仿真合成数据。前者采集海量真实人类第一视角操作，后者在仿真环境中泛化生成。他特别强调两者的协同效应：“我们把人类视频数据采集的内容重建到仿真里，在仿真中再去泛化生成数据，实现更大规模、更加多样性的供给。”这一打通，正是光轮智能今年重要的技术突破之一。
推进标准化演进
让数据真正成为具身智能行业的底层基础设施，离不开标准化的数据复售复用。杨海波表示，公司正在推动数据“复售”，即同一批高质量数据同时授权给多家不同客户使用，一方面对于客户来说起到降本的作用，另一方面对于公司自身来说也是很好的商业模式。
这一模式在数据需求呈指数级增长时显得尤为重要。杨海波算了一笔账：“去年大家买少量数据时，价格可能还不那么敏感，今年当数据需求提升到上百万小时级别时，成本就变成非常重要的事情，那么如何降低成本？共享共用是很好的办法，但共享共用的前提就是统一标准和共有产权。”
在他看来，这意味着具身智能的数据供给正从过去的“需求驱动”走向“供给驱动”——“我作为数据供给方，推进数据标品化，获得行业认可，推进模型演进。”这正是基础设施企业从项目型交付走向平台型能力的标志。
杨海波还透露，光轮智能已在人类视频数据、仿真合成数据与工业级仿真评测三个关键领域实现全球交付第一。目前，全球前五的世界模型团队均已与光轮智能建立合作，客户覆盖国内外主流具身大模型团队、机器人本体厂商及产业客户。在商业可持续性方面，公司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。
攻坚仿真技术底座
谈及行业标准，杨海波介绍，光轮智能是Newton仿真技术委员会中唯一的中国企业成员，与英伟达、谷歌DeepMind、迪士尼研究院、丰田研究院四家机构共同引领下一代开源物理AI仿真标准，参与下一代物理AI仿真基础设施的规则共建。同时，公司还是EgoVerse人类数据委员会中唯一的中国企业代表，与Meta、Scale AI等国际团队共同构建全球最大规模的人类数据训练体系，代表中国企业在仿真侧和具身数据侧的国际标准上建立话语权。
杨海波直言：“过去，国内对工业仿真工具的依赖度不亚于芯片，只不过仿真更隐蔽、更不易被关注。”他介绍，公司在自研全国产仿真器等方面投入了大量工程和技术力量。
“我们在仿真下的物品标准、场景标准已经走在前面，但在仿真器和求解器方面存在短板，对此我们坚持全栈自研。”他表示，“坦白说，在单点上我们超过了国际领先水平，但整个底座能力上还有差距。这是我们需要持续攻坚的地方，也希望能得到更多支持和重视。我们希望让客户无感地使用仿真数据，就像真实数据一样。”
杨海波还强调，底座技术不能停留在单点突破，也需要系统性的协同创新。例如，光轮智能已与摩尔线程达成合作，双方将依托摩尔线程全功能GPU与夸娥（KUAE）智算集群，结合光轮智能“求解-测量-生成”三位一体全栈自研仿真平台，联合打造高置信度仿真数据合成方案，以国产算力与仿真算法的深度融合，为具身智能发展夯实自主可控的基础设施。
