物理AI竞赛，正从“造本体”转向“铺基建”

三个月、三轮、超20亿元——这是光轮智能在2026年上半年交出的融资成绩单。

其中6月23日，最新官宣的这轮10亿元战略融资，投资方包括中关村科学城基金、四川发展科创基金等政府基金，以及巨人网络、宇信股份、宝通科技等产业资本。

与此同时，光轮智能还在过去两个月把PICO、阿里云、舞肌科技、宝通科技等名字逐一写入了自己的合作版图。

一家成立仅三年的公司，凭什么让政府基金、产业巨头、财务机构同时下注？

答案或许藏在一个更宏大的命题里:当前物理AI正在从本体和模型比拼，走向基础设施竞争，而光轮智能，试图成为那个重新定义赛道“起跑线”的人。

四张牌:数据、仿真、评测、部署

光轮智能的自我定位是quot;物理AI数据与评测基础设施服务商quot;。

通俗地说，光轮智能不造具身智能机器人，但为所有造机器人的公司提供quot;数据、仿真、评测与部署反馈quot;的底层支撑。

这个定位，源自光轮智能创始人兼CEO谢晨对物理AI数据困境的一套系统判断。

谢晨深耕自动驾驶与物理AI仿真领域多年，曾任职于Cruise，全权负责自动驾驶仿真相关核心工作，后加入英伟达，主导英伟达自动驾驶仿真体系的搭建与迭代。

2023年，谢晨正式创立光轮智能，聚焦物理AI基础设施赛道，专注解决具身智能研发落地的核心痛点。

在谢晨看来，与自动驾驶行业的核心瓶颈是算法迭代不同，物理AI、具身智能的终极发展瓶颈，必然是数据。“物理AI的数据需求规模，是自动驾驶的1000倍，”谢晨甚至直言。

这一差距，主要源于两个维度。

一是预训练数据集的基底差异。 大语言模型有全网公开的免费数据，自动驾驶有百万级量产车回环，而具身智能至今没有任何免费、标准化、通用的公开预训练数据集，这是行业最核心的底层短板。

二是物理交互复杂度的指数级差距。 自动驾驶的交互主要是车辆与地面动力学的有限维度交互，而具身智能需要复刻人类全场景精细物理操作，涉及海量高自由度、高精度的力与姿态交互，无论研发难度还是数据需求，都远超自动驾驶。

更大的挑战还在于:自动驾驶可以依靠量产车持续回传真实路况，但具身智能，目前来看短期内无法实现百万级真机落地。也因此，物理AI 99.9%的训练数据无法来自本体。

换言之，具身智能的数据迭代，必须在没有足够真机的情况下，通过人类示范和仿真合成来获得训练素材。

由此，谢晨推导出一个核心结论:仿真是物理AI唯一的规模化评测路径，也是行业破局的唯一出路。

更具体一点，谢晨认为，结合物理AI行业长期刚需，产业将需要两套十亿级生成体系:10亿级人类数据生成器支撑训练、10亿级仿真生成器支撑规模化评测。

基于这套判断，光轮智能搭建了一套 quot;Real2Sim2Realquot;的闭环体系，并打磨出四大核心产品:

EgoSuite:提供真实经验，面向人类行为数据，沉淀高质量、规模化、跨本体的人类操作经验，主要是人类在真实世界中的观察、操作、纠错和长程任务经验，为机器人提供可规模化学习素材；

RoboFinals:验证模型能力，面向工业级规模化评测，通过标准化任务、可复现环境和可比较指标，判断机器人模型学会了什么、能力边界在哪里、失败模式是什么，并反向定义下一轮数据需求；

RoboStack:回流部署反馈，机器人进入工厂、仓库、农业、物流等产业现场后，会持续遇到新的任务分布、异常情况、失败样本和现场约束，这些反馈被重新带回数据、仿真和评测系统，成为下一轮学习的起点。

SimFoundry:是支撑上述“数据-评测-部署”闭环的物理 AI 仿真基础设施，解决的是更底层的问题:如何把真实世界规模化转化为机器人能够学习、训练和验证的仿真世界。

为此，光轮智能自研了“求解—测量—生成”三位一体全栈仿真平台，支持SimFoundry 将真实世界中的物理属性、场景分布和任务经验，转化为可执行、可训练、可评测的仿真资产与场景，支撑数据生成、训练验证和评测迭代。

其中，光轮智能自研的高精度 GPU 物理求解器，具备可微分、多物理、多材质统一求解能力，支持刚体、柔体、流体、颗粒等复杂物理过程的高精度实时仿真。

这种从物理引擎底层做起的策略，体现了光轮智能试图在quot;物理一致性quot;上建立根本性差异。

目前，光轮智能已经与OpenAI、DeepMind、Figure等海外头部企业及国内绝大多数一线具身智能创业公司、顶级工业企业与车企等终端场景方达成深度合作。

据官方此前公布数据，仅今年一季度，光轮智能新增订单就达到了5.5 亿元。

特别值得一提的是，目前行业普遍认为数据服务是定制化的非标服务，但光轮智能已率先实现数据产品的quot;标品化quot;。“我们一小时的标准化数据产品，可同时服务10家不同行业客户，”谢晨指出。

光轮智能联合创始人兼总裁杨海波此前甚至透露，光轮智能在优质场景的数据，复售率已经能够超过10倍。

这意味着，光轮智能正在突破传统数据服务规模不经济的瓶颈，通过将长尾场景数据转化为可复用产品，来摊薄边际成本。

不过，谢晨也清醒地认识到，搭建完整的物理AI全生命周期教育系统，单凭一家企业无法完成，这正是光轮智能密集联动产业各界的根本原因。

生态圈持续扩容

纵观光轮智能近期的合作，从数据采集硬件、云端算力平台，到场景落地，再到行业标准，这家不造机器人的公司，正试图让自己成为物理AI基础设施层那个绕不开的角色。

卡位数据入口:锁定物理世界的第一手数据源。

物理AI训练，首先要解决quot;学什么quot;。人类如何操作、物体如何受力、环境如何反馈，这些原始数据是所有模型能力的起点。而获取数据，离不开硬件。

6月18日，光轮智能宣布已与PICO达成深度合作，双方将围绕物理AI领域的人类数据采集基础设施建设展开深度协同，共同打造新一代通用人类数据采集硬件方案。

具体而言，在本次合作中，PICO将提供硬件研发与产品工程能力，光轮智能提供高质量人类视频数据、仿真合成数据及工业级仿真评测能力——这是一次典型的quot;硬件入口+数据定义quot;的组合。

几乎同期，光轮智能还与舞肌科技达成了战略合作，双方将共同制定下一代人类数据采集标准，重点覆盖灵巧手动作、触觉反馈、力控信号等关键采集环节，目标形成可被行业复用的标准化能力。

要知道，视觉和触觉是物理AI最重要的两种感知模态，光轮智能同时绑定这两个领域的核心玩家，某种程度上也是在争夺数据从物理世界流入数字世界的第一个关口，定义数据采集的quot;格式quot;与quot;标准quot;。

搭建算力与平台基座:将quot;手工作坊quot;推向quot;标准化云服务quot;。

如果说与PICO、舞肌科技的合作是在卡位quot;数据从哪里来quot;，那与阿里云、摩尔线程的合作，就是在解决quot;数据到哪里去加工quot;。

6月17日，光轮智能宣布已与阿里云达成深度合作，双方将共同建设面向物理 AI 的云上基础设施，包括打造物理 AI 仿真评测云、物理 AI 持续学习云以及开放的 Egocentric 数据基础设施，从而通过云端化与工程化能力，让原本分散、复杂的工作流更容易被开发者和企业使用。

在此之前，光轮智能已于5月与摩尔线程达成战略合作，依托摩尔线程全功能GPU与夸娥智算集群，结合光轮智能自研仿真平台，联合打造国产自研仿真合成数据方案。

这两项合作，分别指向云化和国产化两个方向。

云化让光轮智能可以快速触达更多中小开发者，把仿真评测从大厂的quot;奢侈品quot;变成行业普惠工具。国产化则让其嵌入自主可控的技术栈，在政策层面获得战略卡位。

深入场景闭环:用真实产业数据反哺模型迭代。

数据和算力解决的是quot;能力从哪来quot;，但一套基础设施是否真正有效，最终要看能不能在真实场景中跑通。

光轮智能在这一环节走得更深——不只是签合作协议，而是直接与产业方成立合资公司。

4月底，光轮智能与新希望成立合资公司quot;新光世界quot;，覆盖物流、养殖、零售等场景，目标从真实业务需求中沉淀高价值产业数据。

6月中旬，光轮智能进一步与宝通科技共同出资设立合资公司，围绕工业、矿业的高危岗位，搭建从数据采集到现场反馈的持续学习闭环。

毕竟，仿真数据再精确，也需要真实世界的反馈来校准。通过与产业方深度绑定，光轮智能正在建立一道竞争对手难以跨越的quot;场景数据护城河quot;。

参与标准制定:从quot;运动员quot;变为quot;裁判员quot;。

除了数据入口、算力基座、场景闭环，光轮智能还在做一件更底层的事:参与定义规则。

在该领域，光轮智能不仅与国家机器人检测和评定中心达成了合作，共同构建“真实+仿真”的测试评价闭环基础设施，推动具身智能走向更可验证、可复制、可规模化的产业落地。

6月15日，光轮智能进一步与生数科技达成了战略合作，共建高质量世界模型数据标准，可复现、高质量的世界模型评测体系，并共同探索从模型能力到场景应用的转化路径，推动世界模型与具身智能在真实产业场景中完成验证、反馈和迭代。

更早之前，光轮智能还受邀加入Newton技术指导委员会，与英伟达、DeepMind、迪士尼、丰田等巨头共同制定全球物理仿真底层标准。

从行业参与者，到规则共同制定者，如果这个跃迁完成，光轮智能将不再只是一家数据服务商，而是物理AI时代新的基础设施接口——能够支持机器人从研发、训练到评测、部署，都跑在其基础设施上。

光轮智能的“暗礁”

光轮智能的这套布局，表面上是一系列合作的叠加，底层却是一套关于“数据如何驱动物理AI落地”的系统性思考。

但这套逻辑能否真正闭环，取决于多个变量。

比如，仿真评测究竟是行业刚需，还是quot;被定义的刚需quot;？

光轮智能将RoboFinals置于战略核心，其前提假设是:规模化、标准化的仿真评测是物理AI行业最紧迫的需求。但这一判断，在行业内或许并非共识。

智源研究院院长王仲远就直言，依托仿真环境做测试虽然简便，但和真实应用场景存在明显差距，换成真机实测，又会面临新问题，比如场景还原度、不同设备硬件差异等，都会影响评测的公平性与客观性。

尤其物理世界中的机器人对环境细节高度敏感，“哪怕只是一颗螺丝安装偏移，设备运行成功率都会大幅下降，有时还会误以为是模型出了问题，把零件复位后一切又恢复正常”，破壳机器人创始人许华哲指出。

还有物理quot;鸿沟quot;的信任危机，也不容忽略。

一方面，物理世界存在大量难以精确建模的细节，诸如材料摩擦系数的微小变化、环境光照的细微差异、零部件装配的公差累积，这些在仿真中往往被简化或忽略。

如果仿真出现quot;物理幻觉quot;，那么整个quot;教育系统quot;输出的quot;知识quot;可能是错的，从而导致机器人学到的也错误的操作习惯，这是物理AI行业所有仿真公司面临的共同命门。

另一方面，仿真评测平台的价值本质上取决于quot;仿真与真实的一致性quot;，如果仿真环境无法精确复现真实世界的物理规律，评测分数再高也缺乏参考意义。

再者，随着合作生态圈不断扩大，光轮智能如何在广泛的合作布局中保持对核心业务的专注，同时有效整合各方资源，也是不容回避的课题。

这些挑战，没有现成答案。唯一可以确定的是，光轮智能已在物理AI的混沌期率先完成了战略卡位。

至于最终，这套quot;数据+仿真+评测+标准quot;的四位一体布局，究竟是成为物理AI时代的基础设施，还是沦为一场精心构建的叙事游戏，时间会给出答案。

声明：本网转发此文章，旨在为读者提供更多信息资讯，所涉内容不构成投资、消费建议。文章事实如有疑问，请与有关方核实，文章观点非本网观点，仅供读者参考。