香港國際通訊社電 在剛剛結束的2026世界人工智慧大會（WAIC）展館現場，人形機器人不再滿足於揮手、跳舞這些“才藝展示”，它們開始小心翼翼地疊衣服、抓零件、搬箱子——雖然動作尚顯生澀，但目標已明確指向“進廠幹活”。
當人形機器人從展會Demo（展示）走向真實產線，數據不再只是“養料”，而是決定產業落地速度的基礎設施。光輪智能（北京）科技股份有限公司聯合創始人兼總裁楊海波在接受中國證券報記者採訪時表示，機器人進廠幹活需要構建學習能力，而學習能力本質上依賴於數據和仿真。“2026年是具身智能數據規模化的元年，今年以來我們接到的數據和評測需求已經百倍於去年。”
機器人加速落地 催生數據饑渴
在光輪智能的展臺，可以通過一根遙操杆來體驗在仿真環境下開合微波爐門。工作人員介紹，這個動作看似簡單，背後的仿真系統已模擬了成千上萬次磁吸阻尼的物理回饋，與真實場景下開合微波爐門的感受幾乎沒有差異。這種高度符合物理真實的仿真環境正是機器人從實驗室走向真實場景的剛需。
在大會現場，記者注意到多傢俱身智能企業展示了機器人在工廠、物流等場景的作業能力。但記者採訪瞭解到，當前具身智能尤其是模型層還沒有完成收斂，一位具身智能領域的資深投資人向記者表示，即便是最頂級的公司，其掌握的數據量距離像大語言模型當年實現Scaling law還差一個量級。
這一判斷直接反映在市場需求曲線上。楊海波透露，去年客戶需求多為幾百、幾千小時的數據量，而今年已出現上百萬小時的訂單需求。他還表示，今年上百倍的需求增長只是起點，未來隨著機器人進入更多場景，數據缺口還將持續擴大。
“機器人場景泛化最缺的就是數據，以及怎樣在場景下評測它。”楊海波表示，“通常，機器人要先在仿真環境下學習、評測，解決掉99%的問題，剩下1%的問題在真實場景下解決，才能夠真正落地部署。”
什麼樣的數據能夠符合需求？楊海波總結出三個核心維度：高質量、大規模、多樣性。“具身的數據需求維度更多，它不僅僅是視覺三維的，還要跟環境交互——擰開一個瓶蓋，力的大小、力矩的回饋都要包含在內，標注要有語義級的手勢和全身姿態。”楊海波解釋，“具身智能對數據品質的要求是非常高的。”
最容易被忽視的是數據多樣性，“比如，拿起這個杯子，成年男子怎麼拿、老人怎麼拿、孩子怎麼拿，要找到生理屬性和動作習慣的多樣性。”楊海波說。
面對如此陡峭的數據需求曲線以及三個維度的數據要求，傳統的真機遙操實采等本體採集方式就顯得力不從心。楊海波認為有效數據主要來自兩條路徑：人類視頻數據與仿真合成數據。前者採集海量真實人類第一視角操作，後者在仿真環境中泛化生成。他特別強調兩者的協同效應：“我們把人類視頻數據採集的內容重建到仿真裏，在仿真中再去泛化生成數據，實現更大規模、更加多樣性的供給。”這一打通，正是光輪智能今年重要的技術突破之一。
推進標準化演進
讓數據真正成為具身智能行業的底層基礎設施，離不開標準化的數據複售複用。楊海波表示，公司正在推動數據“複售”，即同一批高質量數據同時授權給多家不同客戶使用，一方面對於客戶來說起到降本的作用，另一方面對於公司自身來說也是很好的商業模式。
這一模式在數據需求呈指數級增長時顯得尤為重要。楊海波算了一筆賬：“去年大家買少量數據時，價格可能還不那麼敏感，今年當數據需求提升到上百萬小時級別時，成本就變成非常重要的事情，那麼如何降低成本？共用共用是很好的辦法，但共用共用的前提就是統一標準和共有產權。”
在他看來，這意味著具身智能的數據供給正從過去的“需求驅動”走向“供給驅動”——“我作為數據供給方，推進數據標品化，獲得行業認可，推進模型演進。”這正是基礎設施企業從專案型交付走向平臺型能力的標誌。
楊海波還透露，光輪智能已在人類視頻數據、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。目前，全球前五的世界模型團隊均已與光輪智能建立合作，客戶覆蓋國內外主流具身大模型團隊、機器人本體廠商及產業客戶。在商業可持續性方面，公司高質量數據資產已實現跨客戶、跨任務的規模化複用，部分優質場景數據複售超過10倍。
攻堅仿真技術底座
談及行業標準，楊海波介紹，光輪智能是Newton仿真技術委員會中唯一的中國企業成員，與英偉達、穀歌DeepMind、迪士尼研究院、豐田研究院四家機構共同引領下一代開源物理AI仿真標準，參與下一代物理AI仿真基礎設施的規則共建。同時，公司還是EgoVerse人類數據委員會中唯一的中國企業代表，與Meta、Scale AI等國際團隊共同構建全球最大規模的人類數據訓練體系，代表中國企業在仿真側和具身數據側的國際標準上建立話語權。
楊海波直言：“過去，國內對工業仿真工具的依賴度不亞於晶片，只不過仿真更隱蔽、更不易被關注。”他介紹，公司在自研全國產仿真器等方面投入了大量工程和技術力量。
“我們在仿真下的物品標準、場景標準已經走在前面，但在仿真器和求解器方面存在短板，對此我們堅持全棧自研。”他表示，“坦白說，在單點上我們超過了國際領先水準，但整個底座能力上還有差距。這是我們需要持續攻堅的地方，也希望能得到更多支持和重視。我們希望讓客戶無感地使用仿真數據，就像真實數據一樣。”
楊海波還強調，底座技術不能停留在單點突破，也需要系統性的協同創新。例如，光輪智能已與摩爾線程達成合作，雙方將依託摩爾線程全功能GPU與誇娥（KUAE）智算集群，結合光輪智能“求解-測量-生成”三位一體全棧自研仿真平臺，聯合打造高置信度仿真數據合成方案，以國產算力與仿真演算法的深度融合，為具身智能發展夯實自主可控的基礎設施。