具身智能真正进入千家万户，还需要多久？

　　今年春晚，多款国产人形机器人密集亮相，向世界展示了中国在智能硬件制造领域的不俗实力。然而，要让机器人真正在家庭中自如地端茶倒水、洗衣做饭，其间仍存在一道不小的鸿沟。

　　要跨越这道鸿沟，人形机器人必须从被制定的程序安排中脱离出来，学会自主感知、理解物理世界并作出反应，这需要海量的数据为其提供训练。也就是说，机器人需要一个专属的《我的世界》。

　　来自北京海淀的初创企业光轮智能（北京）科技有限公司（以下简称“光轮智能”），正携手全球顶尖机器人本体、模型厂商及场景企业，打造新一代物理AI数据与仿真基础设施——机器人的专属“训练场”与“考场”。近期，光轮智能完成了10亿元融资，这家具身智能数据领域新锐独角兽企业正不断发展壮大。

　　资本为何重金押注一家“既不造机器人，也不写通用大模型”的底层数据企业？《经济参考报》记者与光轮智能联合创始人兼总裁杨海波面对面，共同探索未来具身智能发展所必须回答的时代命题。

　　破局“数据荒”

　　要理解光轮智能如何快速成为新晋独角兽，首先要看懂当前具身智能产业面临的一场悄然蔓延的“数据荒”。

　　杨海波给记者算了一笔账：“大语言模型发展迅速，是因为它非常‘幸运’，互联网用几十年为它攒够了海量文本语料；自动驾驶技术发展也相对顺利，测试车天天在马路上跑，就能低成本收集视觉数据。”但是，当机器人试图进入真实世界，对复杂的物理世界做出反应时，挑战就发生了质变。

　　“这个世界从未有过现成的机器人预训练数据。保守估计，具身智能面临的高质量数据缺口，至少是自动驾驶的1000倍。”杨海波说。如果将大模型比作机器人的“大脑”，光轮智能目前在做的，就是建立一所规模庞大的“学校”，并为这颗“大脑”编纂海量的高质量教材。

　　对于“数据教材”的极度渴求，研发一线有着最真实的感受。光轮智能技术负责人说：“在实验室里，我们可以安排人员手把手教机器人抓取水杯一万次。但是，真实世界充满了意外，比如，工厂光线突然变暗、零件意外滑落等。要穷尽这些罕见的‘长尾场景’，依靠人工去真实世界中采集数据，就如大海捞针，不仅成本高昂，部分场景更是无法再造。”

　　正因如此，光轮智能果断选择了一条高效的量产路径：通过全栈自研的仿真技术，在电脑中构建一个“数字平行世界”。在这个类似于游戏《我的世界》般的虚拟空间里，机器人可以一天24小时不知疲倦地进行自动模拟交互，从而低成本、规模化地生成海量训练数据，打破了人工采集数据成本高、效率低的瓶颈。

　　目前，全球排名前三的世界模型团队均与光轮智能保持着合作关系。作为行业内唯一一家同时覆盖仿真合成数据、仿真评测和人类视频数据业务的企业，光轮智能在这三个方向上的交付量均位居全球前列。

　　布局“评测场”

　　解决了“怎么学”的问题，紧接着就是“考得怎么样”——今年年初，光轮智能推出了全球首个工业级具身智能仿真评测平台——RoboFinals。

　　既然不造机器人，为什么执着于做“主考官”？

　　“因为训练和评测是相辅相成的。就像学生如果只看书不考试，就没有‘错题本’。开发者根本无法知晓机器人的短板在哪里，更不知道让它去现实中工作是否安全。”杨海波说，在真实世界中开展极限测试，代价往往是难以承受的。北京航空航天大学机器人研究所名誉所长、知名机器人专家王田苗在谈及机器人商业化落地时，就多次强调“高可靠性与高安全性”的前提与底线。

　　在真实的自动化产线或家庭服务场景中，让机器人直接进行试错学习是极其危险的。以造价数千万元的柔性流水线为例，其容错率几乎为零。一次微小的识别误差导致机械臂发生物理碰撞，不仅可能造成高昂的设备损毁，而且停机带来的隐性损失更是数以百万计。这就迫切需要一个绝对严苛的“虚拟考场”，只有各项安全指标拿满分，才敢让机器人真正上岗。而在光轮智能的仿真评测场里，评测变得可量化、可复现。无论是模拟摩擦力，还是模拟光线，均可被精准设定。

　　打通了从“提供训练数据”到“提供安全评测”的完整闭环，光轮智能迎来了广阔的市场机遇。目前，全球80%以上的头部具身智能企业均在依托其提供的数据与资产进行研发，这些来自市场的真实订单，成为这只独角兽赋能实体经济的坚实注脚。

　　统一“度量衡”

　　具身智能对于各国而言都是一个全新赛道。杨海波向记者透露：“我们正联合国内外头部科技企业，率先定义具身智能仿真资产数据的标准。”

　　中国信息通信研究院发布的《具身智能发展报告》指出，当前具身智能软硬件尚未实现标准化，不同系统间的兼容性和协同性不足，极大增加了系统集成的难度与开发成本。

　　杨海波分享了一个生动的场景案例：目前的商业场景中，不同厂家的仿真软件标准不一，有的空间的“上下”是由X轴决定，而换成另一个平台却变成了Y轴；不同物理引擎对于物体摩擦力的计算单位也互不兼容。这导致开发者投入重金训练好的机器人数字资产，一旦更换平台，其物理属性就会全面崩溃。

　　统一这些底层的格式标准，本质上是在统一物理AI世界的“度量衡”。在过去的个人电脑和移动互联网时代，底层标准大多由西方主导；但在方兴未艾的具身智能时代，中国企业可以凭借强大的智能硬件制造能力与底层数据基建的先发优势，实现从“规则适应者”向“规则制定者”的历史性蜕变。这不仅能极大消除开发内耗、提升全球产业链协同效率，更向世界输出了极具智慧的“中国方案”。

　　从资本市场视角看，企业参与或主导行业底层标准的制定，往往意味着其有机会构建更深层次的生态壁垒。一旦底层格式、接口协议和工作流方式被广泛采用，光轮智能的仿真体系就有望成为开发者和产业链参与者难以绕开的基础设施节点，从而进一步强化其在物理AI产业链中的数字枢纽地位。这也是资本市场通常愿意给予此类平台型公司更高估值预期的重要原因之一。

　　那么，具身智能真正进入千家万户，究竟还需要多久？

　　杨海波说：“未来3至5年内，在工业制造和物流仓储等相对结构化、规则明确的场景，我们将率先看到具身智能机器人的规模化落地。随着成本的进一步下降和模型能力的充分验证，具身智能走进家庭将是水到渠成的事情。”

　　今年全国数据工作会议将2026年定义为“数据要素价值释放年”。关于如何释放数据要素价值，杨海波和光轮智能的答案信心满满：“2025年是具身智能的元年，只要团队持续进化，全员‘All in’，相信2026年也将会是具身智能数据规模化的元年。”