转自：长安街知事

机器人能跳舞、空翻、跑马拉松，却很可能拧不开一个从未见过的瓶盖。想跨越这迈入物理世界的“最后一公里”鸿沟，需要的不只是一具更灵活的躯干，更是一颗被高质量数据“喂饱”、反复淬炼的大脑。

从极寒的冰雪路面，到炽热的沙漠戈壁，从光滑如镜的玻璃表面，到崎岖坎坷的矿山道路，机器人可以在各种极端状况下进行成千上万次并行训练与学习，实现自我进化。而这一切，并非发生于真实世界，而是发生在一个“数字平行世界”。

为机器人建这所数字“学校”的人，是光轮智能联合创始人兼总裁杨海波和他的同伴们。“希望机器人能像人一样，在学校的课堂里学知识、在考场上检验能力、在就业中发现短板并完成纠错与进化，形成一个持续学习的闭环。”杨海波说。

开拓物理人工智能的数据“荒原”

2026年，英伟达GPU（图形处理器）技术大会上，这家科技巨头的掌门人黄仁勋在主题演讲中演示了机器人叠衣、拉紧皮带等仿真场景，其技术源自一家来自北京的中国公司——光轮智能。

故事始于3年前。彼时，大语言模型正热得发烫，参数规模、算法创新才是聚光灯下的主角。北京人杨海波却看到了另一个方向——物理AI（人工智能）时代的“数据荒”。

光轮智能联合创始人兼总裁杨海波

“大语言模型像是自学成才的‘天才’，可以从积累了数十年的海量互联网文本中学习本领。机器人却不行，它要学的是抓取、推动、碰撞、形变，这些物理交互没有现成的‘课本’。”杨海波说，机器人缺的不是更聪明的算法，而是一套完整的学习系统：有人教它、有人考它、有人帮它纠正错误。就像人的成长一样——上课、考试、实习、复盘，缺一不可。

基于此，机器人需要的，不是一整套关于物理世界的教科书，而是一所能让它反复上课、练习、考试和复盘的“学校”。“就像飞行员在模拟舱里训练，机器人在虚拟环境里把能犯的错都犯一遍，再到真实世界干活，就稳了。”杨海波说。

2023年初，光轮智能在海淀区成立，首个场景选择了四轮机器人——自动驾驶汽车。

然而，仿真数据在当时的确太小众了，一些投资人一听项目做的是“仿真”，就表现出重重顾虑。“自动驾驶行业更看重实车路测数据的积累，在一些人看来，仿真数据只是锦上添花，其价值并未被真正看见。”

但这些被低估的潜力，很快在一场硬仗中得到验证。

2023年下半年，光轮智能拿到了一家汽车行业主机厂的订单，合同里明确约定：光轮智能的数据要确保能将客户的模型精度提升至某个具体点数。

这个要求近乎苛刻。因为，数据一旦交付，客户利用其进行自动驾驶模型训练时，怎么训、何时训、用什么参数训，全不由供应商控制。

“咬牙干！”夜以继日的持续攻坚中，一座由算法“生成”的城市从无到有：街道、红绿灯一点点搭起，暴雨的夜晚、突然急刹的前车、横穿马路的行人……每秒都在生成新的驾驶场景。自动驾驶系统就在这样的环境里反复练习、不断进化，最终收获了客户认可，也为团队通往具身智能赛道的路上铺下了一块坚实的基石。

自研突破建起机器人“学校”

一家新能源汽车工厂里，机器人正学习完成一项精密任务——装配电池模组。机器人的视觉传感器快速扫描，识别零件规格；机械臂随即调整角度，以最优轨迹接近；柔性夹爪轻柔抓取，力觉反馈实时微调，确保零件既不被捏损又能稳稳固定，最后将零件精准平稳地推入卡槽——整套动作一气呵成。

难以想象，这位“熟练工”仅用一周就已“出师”上岗。此前，这类训练通常要耗时数月，搭建专用产线、准备海量真实零件、工程师全程监护。每一次碰撞都要停工更换零件，机器人要反复试错数十万次。如今，在光轮智能构建的“数字学校”里，零件可无限复制，甚至能模拟形变、偏差等真实生产中的突发状况。

机器人在高精度仿真环境中进行训练

据测算，在“数字学校”里，企业进行机器人训练的效率大幅提升，成本降至原来的十分之一甚至更低。

2024年，具身智能热浪席卷而至。光轮智能没有直接下场做机器人或大模型，而是站在聚光灯侧面，做技术淘金热背后的“卖铲人”。“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。

面对这片广阔的蓝海，团队选择了一条更难的道路——全面自研。

当时，市场上已存在一些仿真工具：游戏引擎追求视觉绚丽而非物理真实，传统工业仿真软件计算迟缓无法支撑AI训练所需的海量并行特性，底层封闭难以适配多样化的国产机器人本体与算力生态。

“只有自研，才能让我们根据机器人训练的真实需求，深度优化整个数据生产流水线。”正是这种近乎偏执的坚持，让光轮智能在具身智能的坐标系里，没有被上一代技术范式拖住脚步，而是开始重新定义数据的生产方式。

以被视为行业级难题的“柔性线缆装配”为例，线缆柔软易变形，受力情况极其复杂。团队通过其自研求解器与高保真实测参数，在虚拟环境中成功模拟出线缆在各种抓取、缠绕、插拔状态下的精确形变与多维度力反馈，使得机器人能够在此稳定习得技能，并最终高效迁移至真实产线。

“从0到1”“从1到10”，机器人的“学校”架构也逐渐清晰：为机器人和世界模型提供高质量人类经验“教材”的数据解决方案EgoSuite，面向具身智能的“考场”——工业级仿真评测平台RoboFinals，以及帮助机器人“就业”并收集新经验和失败案例以持续学习、进化的工业级规模化评测平台RoboStack。

机器人在高精度仿真环境中进行训练

过硬的技术，换来了市场的认可。2025年春节后，光轮智能接连签下三家具身智能行业最顶尖的模型厂商和本体厂商的订单。比金额更重要的是：这一次，他们无需再自证数据质量，而是直接输出基于自有标准的数据，并获得真金白银的“信任票”。

随着具身智能行业从“秀”到“用”的产业拐点来临，市场需求开始指数级释放。今年以来，公司数据与评测业务的订单增长远超预期——过去一年营收增长10倍，今年一季度营收已超去年全年总额。

如今，不少全球主要具身智能团队的仿真资产和合成数据都来自光轮智能。同时，公司在仿真合成数据、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，交付规模均处于行业领先水平。

中国企业走向“牌桌”中央

商业化突破的同时，光轮智能开始向行业的更高处、更深处攀登。

今年7月，光轮智能受邀加入EgoVerse国际具身人类数据委员会，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。这是目前该委员会的唯一中国企业成员。

就在几个月前，光轮智能刚刚受邀加入国际开源物理仿真引擎Newton技术指导委员会，推动下一代物理AI仿真基础设施的技术治理、生态协同与国际标准演进。同席的，是英伟达、谷歌DeepMind、迪士尼研究所、丰田研究院四家全球顶尖机构。

此前，全球物理仿真引擎的技术主导权清一色掌握在欧美企业手中。而今，引领下一代开源物理AI的Newton与EgoVerse两大国际标准，都有了中国公司深度参与的身影。

“我们不是在做一家数据公司，是在帮整个行业建一所可以持续运转的‘学校’。谁需要训练机器人，谁就可以来。”杨海波表示。

走向国际舞台中央的同时，杨海波也看到了更深层的隐忧：在物理AI时代，仿真器和求解器是与算力芯片同等重要的基础设施，却恰恰是我国物理AI当前最薄弱的环节。

高端工业仿真领域长期由海外企业主导，他们在底层技术、工程流程、标准体系和生态规则中形成了长期优势。而具身智能对仿真的依赖，比工业仿真更深、更广——它不只是设计工具，更决定着机器人产业训练和评测的能力天花板。一旦底层引擎、关键标准和评测体系在国外固化，国产具身智能产业将长期面对“模型能跑、但训练和评测环境受制于人”的约束。

基于这一思考，团队全力推进仿真器的自主可控，构建了“求解—测量—生成”三位一体的全栈仿真平台，其自研的高精度GPU物理求解器具备可微分、多物理、多材质的统一求解能力，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。

锤炼内功的同时，一张合作网也在织就：与摩尔线程联合，打造“国产算力+自研仿真”的自主可控具身智能基础设施；与国际巨头西门子合作，打通工业仿真与具身仿真之间的壁垒；与英伟达联合，开源发布Isaac Lab-Arena具身评测基准框架。

这张网的每一根线，都在回答同一个问题：当物理AI时代来临，中国能否在底层基础设施上拥有话语权，能否继续身处“牌桌”中央？

对此，杨海波充满信心。“在人才禀赋上，北京的优势是独特的，这里不仅聚集了最多的高质量AI人才，更难得的是，公司十公里的半径内，几乎能找到所有的协同方。”杨海波感叹，“这里是实现梦想最好的地方。”

编辑：道吉