2026世界人工智能大會上，人形機器人走出演示場景，批量投向工廠、物流等實體作業場景，成為本屆展會核心產業趨勢。支撐機器人規模化落地的物理AI數據與評測基礎設施，成為行業關注焦點。

搭建全鏈路物理AI基建 參與全球行業標准共建

“機器人本體是軀體，大模型是大腦，想要實現規模化商用，必須配套完整的數據與評測基礎設施。”光輪智能聯合創始人兼總裁楊海波介紹，光輪智能聚焦物理AI基礎設施，搭建數據採集、仿真訓練、標准化評測、真機反饋全鏈路體系，形成Real2Sim2Real持續學習閉環。

整套體系由四大模塊協同支撐：EgoSuite採集標注人類操作數據作為訓練樣本﹔自研SimFoundry仿真平台還原重力、阻尼等真實物理交互特征﹔RoboFinals提供雲端規模化仿真評測﹔RoboStack承接真機部署，將現場操作、失誤數據回流訓練系統，完成模型迭代。

仿真評測相比真機實地測試，具備可復現、可對比、可量化、可批量並行的幾大優勢，能提前解決多數場景適配問題，大幅削減實體產線調試成本。楊海波將2026年定義為具身數據規模化元年，今年行業數據需求較去年增長百倍至千倍，百萬小時級訂單成為常態，核心原因是機器人批量進入產業端，場景化訓練數據缺口持續擴大。

光輪智能是同時躋身兩大全球物理AI標准委員會的企業。在Newton仿真技術委員會，光輪智能與多家企業及機構共同制定開源仿真底層規范﹔在EgoVerse人類數據委員會，光輪智能與Meta、Scale AI、斯坦福等企業機構共同推動人類操作數據體系標准制定。

“參與國際標准制定，核心是統一數據、仿真資產、任務定義通用規范。”楊海波表示，此前存在行業普遍存在數據標准不齊等行業痛點。依托標准話語權，光輪智能推出標准化數據產品，同一場景數據已向十余家客戶復售，以市場化復用形成行業事實標准。

技術層面，企業全棧自研仿真求解器，完成國產顯卡適配﹔自研開源框架LeIsaac被Hugging Face收錄，同步參與全球評測框架共建，推動國內外技術生態協同。

具身訓練數據需同時滿足高質量、大規模、多樣性三大要求，單一真機採集模式難以覆蓋全部需求。目前行業形成人類實拍、仿真合成兩條數據供給路徑，二者互補增效。

真機數據真實交互特征完整，但場景搭建與切換成本高，很難覆蓋海量差異化工況﹔仿真依托算力可瞬時切換場景，批量生成操作失誤、極端環境等稀缺邊界樣本，糾錯類仿真數據市場價值更高。企業採用“實景重建仿真、仿真批量泛化”模式，用人類數據採集設備，採集人類動作導入仿真，衍生海量變體數據，平衡真實度與供給規模。

針對行業數據廠商當下的現狀，楊海波提出雙重驗証標准：企業需具備自主數據評測能力，跨客戶長期復購是市場層面最有效的價值驗証。目前企業在人類視頻數據、仿真合成數據與工業級仿真評測三個關鍵領域實現全球交付第一。

商業化穩步落地 行業供需長期存在缺口

商業層面，企業訂單高速增長，合作模式從單次項目轉向長期框架協議，客戶持續復購、標准化數據跨企業復用成為穩定營收來源。可復用的數據既能降低客戶採購成本，也構建起可持續的基礎設施商業模式。

供需層面，行業數據供給十倍級增長，需求卻達百倍至千倍級擴張，中長期供需缺口難以快速彌合。對比自動駕駛，具身智能所需數據規模至少高出千倍，行業仍需持續加大數據生成能力投入。

關於落地節奏，楊海波判斷，明年人形機器人硬件成本或大幅下降，穩定性將顯著提升﹔工廠、物流等結構化高價值場景或將率先實現收支平衡。

楊海波指出，機器人的持續學習閉環是產業下一階段建設重點。當前多數廠商僅打通數據、訓練、評測前端流程，真機作業數據自動回流迭代的機制尚未普及。機器人真實作業產生的失誤、實操數據是優質增量素材，打通真機數據回流仿真管線，才能形成完整自主迭代體系，這也是物理AI基礎設施的長期核心價值。

據悉，光輪智能正在持續落地適配國際標准的標准化產品，同步積極推動國內行業標准編制與行業數據共享共用，降低全行業數據開發成本。

針對技術路線探索，楊海波認為世界模型是當前主流路徑之一，但並非唯一方案﹔無論路線如何迭代，依托人類視頻數據和仿真合成數據訓練模型，已經成為行業共識。