2026世界人工智能大会上，人形机器人走出演示场景，批量投向工厂、物流等实体作业场景，成为本届展会核心产业趋势。支撑机器人规模化落地的物理AI数据与评测基础设施，成为行业关注焦点。

搭建全链路物理AI基建 参与全球行业标准共建

“机器人本体是躯体，大模型是大脑，想要实现规模化商用，必须配套完整的数据与评测基础设施。”光轮智能联合创始人兼总裁杨海波介绍，光轮智能聚焦物理AI基础设施，搭建数据采集、仿真训练、标准化评测、真机反馈全链路体系，形成Real2Sim2Real持续学习闭环。

整套体系由四大模块协同支撑：EgoSuite采集标注人类操作数据作为训练样本；自研SimFoundry仿真平台还原重力、阻尼等真实物理交互特征；RoboFinals提供云端规模化仿真评测；RoboStack承接真机部署，将现场操作、失误数据回流训练系统，完成模型迭代。

仿真评测相比真机实地测试，具备可复现、可对比、可量化、可批量并行的几大优势，能提前解决多数场景适配问题，大幅削减实体产线调试成本。杨海波将2026年定义为具身数据规模化元年，今年行业数据需求较去年增长百倍至千倍，百万小时级订单成为常态，核心原因是机器人批量进入产业端，场景化训练数据缺口持续扩大。

光轮智能是同时跻身两大全球物理AI标准委员会的企业。在Newton仿真技术委员会，光轮智能与多家企业及机构共同制定开源仿真底层规范；在EgoVerse人类数据委员会，光轮智能与Meta、Scale AI、斯坦福等企业机构共同推动人类操作数据体系标准制定。

“参与国际标准制定，核心是统一数据、仿真资产、任务定义通用规范。”杨海波表示，此前存在行业普遍存在数据标准不齐等行业痛点。依托标准话语权，光轮智能推出标准化数据产品，同一场景数据已向十余家客户复售，以市场化复用形成行业事实标准。

技术层面，企业全栈自研仿真求解器，完成国产显卡适配；自研开源框架LeIsaac被Hugging Face收录，同步参与全球评测框架共建，推动国内外技术生态协同。

具身训练数据需同时满足高质量、大规模、多样性三大要求，单一真机采集模式难以覆盖全部需求。目前行业形成人类实拍、仿真合成两条数据供给路径，二者互补增效。

真机数据真实交互特征完整，但场景搭建与切换成本高，很难覆盖海量差异化工况；仿真依托算力可瞬时切换场景，批量生成操作失误、极端环境等稀缺边界样本，纠错类仿真数据市场价值更高。企业采用“实景重建仿真、仿真批量泛化”模式，用人类数据采集设备，采集人类动作导入仿真，衍生海量变体数据，平衡真实度与供给规模。

针对行业数据厂商当下的现状，杨海波提出双重验证标准：企业需具备自主数据评测能力，跨客户长期复购是市场层面最有效的价值验证。目前企业在人类视频数据、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。

商业化稳步落地 行业供需长期存在缺口

商业层面，企业订单高速增长，合作模式从单次项目转向长期框架协议，客户持续复购、标准化数据跨企业复用成为稳定营收来源。可复用的数据既能降低客户采购成本，也构建起可持续的基础设施商业模式。

供需层面，行业数据供给十倍级增长，需求却达百倍至千倍级扩张，中长期供需缺口难以快速弥合。对比自动驾驶，具身智能所需数据规模至少高出千倍，行业仍需持续加大数据生成能力投入。

关于落地节奏，杨海波判断，明年人形机器人硬件成本或大幅下降，稳定性将显著提升；工厂、物流等结构化高价值场景或将率先实现收支平衡。

杨海波指出，机器人的持续学习闭环是产业下一阶段建设重点。当前多数厂商仅打通数据、训练、评测前端流程，真机作业数据自动回流迭代的机制尚未普及。机器人真实作业产生的失误、实操数据是优质增量素材，打通真机数据回流仿真管线，才能形成完整自主迭代体系，这也是物理AI基础设施的长期核心价值。

据悉，光轮智能正在持续落地适配国际标准的标准化产品，同步积极推动国内行业标准编制与行业数据共享共用，降低全行业数据开发成本。

针对技术路线探索，杨海波认为世界模型是当前主流路径之一，但并非唯一方案；无论路线如何迭代，依托人类视频数据和仿真合成数据训练模型，已经成为行业共识。