具身智能正在進入自己的數(shù)據(jù)Scaling Law 時代，而光輪正在領跑這個時代。

作者｜王藝

編輯｜栗子

「甲子光年」獲悉，具身數(shù)據(jù)與仿真基礎設施公司光輪智能近日完成A++與A+++輪融資10億元融資。本輪融資完成后，光輪智能正式進入獨角獸行列，成為全球首家以具身數(shù)據(jù)為核心業(yè)務的獨角獸公司，也是目前全球具身數(shù)據(jù)規(guī)模最大、對具身數(shù)據(jù)生成與評測方法理解最深的企業(yè)之一。

本輪融資引入了多家產(chǎn)業(yè)場景方與財務機構，包括新希望集團、鼎邦投資（三安光電董事長家辦）、奧克斯、鼎石資管等產(chǎn)業(yè)投資機構，以及建投華科、國方創(chuàng)新、道禾長期投資、清新資本等財務投資機構。

2024年是硬件元年，2025年是模型元年，而2026年正在成為具身數(shù)據(jù)的規(guī)模化元年。在這一轉折點上，一批以數(shù)據(jù)為核心能力的基礎設施公司開始崛起，其中光輪智能已經(jīng)成為全球具身數(shù)據(jù)規(guī)模最大的企業(yè)。

如果說2026是具身數(shù)據(jù)規(guī)模化元年，那么光輪智能已經(jīng)成為這一輪規(guī)模化浪潮的領跑者。

行業(yè)競爭的焦點，正在從“模型能力”轉向一個新的核心變量：

數(shù)據(jù)。

但更準確地說，決定勝負的并不只是“誰擁有更多數(shù)據(jù)”，而是“誰更清楚什么樣的數(shù)據(jù)真正有效、什么樣的評測真正可信”。

「甲子光年」認為，2026年行業(yè)競爭的勝負手不會再主要體現(xiàn)在“誰的Demo更驚艷”，而會越來越集中在一個更樸素、也更本質的問題上：誰能以更高的可復用性，持續(xù)構建覆蓋更廣世界與更復雜交互、并經(jīng)過有效評測驗證的高質量具身數(shù)據(jù)體系，支撐萬臺級交付后的指數(shù)級數(shù)據(jù)需求。這背后拼的已經(jīng)不只是數(shù)據(jù)生成能力，更是對“什么樣的數(shù)據(jù)會轉化成模型能力”這件事的理解深度。

1.2026，具身數(shù)據(jù)規(guī)模化元年

過去兩年，具身智能賽道融資最常見的主角是“機器人本體公司”與“端到端大模型團隊”：一個講交付、一個講能力。但到了2026年，融資故事正在出現(xiàn)第三種主角：數(shù)據(jù)與仿真基礎設施公司。

光輪智能此次完成10億元融資，本質上意味著市場開始用更“底層”的方式給具身智能定價：不再只為某個單點能力或某個炫目Demo付費，而是為“可復制的工程體系”付費。

在具身智能行業(yè)里，真正稀缺的并不是單次訓練數(shù)據(jù)，而是能夠持續(xù)運轉的數(shù)據(jù)系統(tǒng)。現(xiàn)實世界中的機器人訓練往往依賴具體場景與設備條件，很難形成穩(wěn)定的數(shù)據(jù)循環(huán)。而仿真合成數(shù)據(jù)的核心價值，在于把這些離散訓練過程轉化為可并行、可復制、可統(tǒng)計的數(shù)據(jù)系統(tǒng)。當真實世界數(shù)據(jù)尚未形成規(guī)模化循環(huán)時，誰能把仿真資產(chǎn)、數(shù)據(jù)生成與評測流程構建成持續(xù)運轉的數(shù)據(jù)系統(tǒng)，誰就更接近行業(yè)的基礎設施層。

這一轉向正在工業(yè)界得到驗證：在機器人操作領域，數(shù)據(jù)擴展規(guī)律已經(jīng)被更系統(tǒng)地研究與量化——去年11月，Generalist發(fā)布了GEN-0模型（用27萬小時的數(shù)據(jù)訓練而成）的同時，聲稱首次在機器人領域驗證了類似語言模型的Scaling Law，即隨著預訓練數(shù)據(jù)和計算量的增加，下游任務性能呈現(xiàn)可預測的冪律提升。

預訓練期間模型規(guī)模與下游零樣本任務計算量之間的關系，圖源：Generalist

換句話說，具身智能的Scaling變量不再是token數(shù)量，而是世界覆蓋度——環(huán)境、物體與交互分布的多樣性。具身智能正在進入自己的數(shù)據(jù)Scaling Law時代。

這也解釋了為什么2026年會被很多產(chǎn)業(yè)方視作“具身數(shù)據(jù)規(guī)模化元年”：一方面，越來越多機器人廠商提出“萬臺級”交付目標，任務場景將從實驗室擴展到家庭、工廠與門店，數(shù)據(jù)分布隨之迅速擴張；另一方面，交付規(guī)模越大，模型迭代節(jié)奏越依賴穩(wěn)定的數(shù)據(jù)供給。行業(yè)對數(shù)據(jù)的需求因此不是線性增長，而更接近指數(shù)級增長：本體越多、場景越雜、任務越長，數(shù)據(jù)缺口就越大。

于是，行業(yè)也在探索不同的具身數(shù)據(jù)體系：有人押注人類視頻擴大行為覆蓋，有人提升采集效率，也有人通過real-to-sim縮小真實與仿真之間的差距。

這些路線看似不同，指向的卻是同一個終點：把具身數(shù)據(jù)從“一次性采集”變成“持續(xù)運轉的數(shù)據(jù)系統(tǒng)”。

2.構建規(guī)模化具身數(shù)據(jù)引擎

光輪智能是一家數(shù)據(jù)與仿真基礎設施公司，也是目前全球具身數(shù)據(jù)規(guī)模最大的企業(yè)。和專注于大模型的企業(yè)不同，他們的核心目標不是簡單地“生成更多數(shù)據(jù)”，而是建立一套能夠持續(xù)定義、生成、驗證高質量具身數(shù)據(jù)的方法論與工程體系，幫助AI更好地理解和進入物理世界。

「甲子光年」認為，在通用策略的數(shù)據(jù)Scaling Law開始顯性化、行業(yè)競爭焦點從“秀模型”轉向“搶數(shù)據(jù)/搶評測標準”的當下，光輪智能正在領跑具身智能數(shù)據(jù)規(guī)模化時代。這其中，最值得行業(yè)關注的，是光輪智能的產(chǎn)品路線。他們把具身的研發(fā)流程“工程化”——像軟件行業(yè)的CI/CD（持續(xù)集成/持續(xù)交付部署）一樣，讓資產(chǎn)、數(shù)據(jù)、評測生成形成高頻閉環(huán)。更重要的是，光輪試圖把“什么樣的世界值得構建、什么樣的行為值得采集、什么樣的評測才真正有效”也一并工程化。

光輪在產(chǎn)品層面所建立的，是目前行業(yè)規(guī)模最大的具身數(shù)據(jù)引擎體系：World-Behavior-Eval。這套框架的關鍵不只在于它能規(guī)模化生成數(shù)據(jù)，更在于它試圖回答具身智能領域最核心的三個問題：什么樣的世界值得被建模，什么樣的行為值得被采集，什么樣的評測才能真實反映能力進步。它是一條“可規(guī)模化生成數(shù)據(jù)、也可規(guī)模化定義數(shù)據(jù)質量與衡量進步”的自動化流水線，并打通Real2Sim2Real。

光輪智能具身數(shù)據(jù)引擎體系，圖源：光輪智能

光輪智能創(chuàng)始人兼CEO謝晨博士告訴「甲子光年」，“具身數(shù)據(jù)不是采集問題，而是系統(tǒng)工程問題。World定義數(shù)據(jù)分布，Behavior通過人工示范、自動化策略與Agent系統(tǒng)生成訓練信號，Eval提供能力反饋。只有三者形成閉環(huán)，數(shù)據(jù)系統(tǒng)才能持續(xù)驅動模型能力提升。”

在“World”層面，具身的“世界”難點不在于畫面好看，而在于物理與空間結構可信，以及能否把真實世界的物理屬性（材料、摩擦、接觸等）規(guī)模化地映射到可復用的仿真資產(chǎn)中。

訓練機器人，首先要給它一個足夠真實的“練習場”。仿真的核心難題在于物理可信——布料、液體、金屬摩擦，任何參數(shù)偏差都會讓機器人到了真實場景中“水土不服”。光輪圍繞求解、測量、生成三位一體的全棧自研技術架構，自研求解器支持剛體、柔體、流體等多物理場高精度實時求解；首創(chuàng)物理測量工廠與虛實對標方法論，將真實物理參數(shù)系統(tǒng)數(shù)字化；配合大規(guī)模非剛體資產(chǎn)生成能力，形成從物理真實到數(shù)據(jù)規(guī)模化的完整自研閉環(huán)。

更關鍵的是，光輪并不把“測量”理解為簡單采集更多參數(shù)，而是要判斷哪些物理屬性真正決定策略泛化、哪些世界細節(jié)必須被精確保留、哪些長尾交互最值得優(yōu)先進入訓練分布。

在“Behavior”層面，具身數(shù)據(jù)的結構性矛盾是：行業(yè)還沒有足夠多的機器人在真實場景里持續(xù)產(chǎn)生日志數(shù)據(jù)，因此“預訓練燃料”很難像自動駕駛那樣自然涌現(xiàn)。

當前機器人仍缺乏穩(wěn)定的數(shù)據(jù)來源，具身數(shù)據(jù)尚未形成類似自動駕駛那樣的規(guī)模化數(shù)據(jù)循環(huán)。光輪構建了全球最大規(guī)模的非本體數(shù)據(jù)引擎，通過仿真合成數(shù)據(jù)與人類行為數(shù)據(jù)（EgoSuite）兩條路徑構建具身數(shù)據(jù)體系。國際主要具身智能團隊中超過80%的仿真資產(chǎn)與合成數(shù)據(jù)來自光輪，這也使得光輪成為目前全球具身仿真數(shù)據(jù)規(guī)模最大的供應方。

但在光輪的理解里，Behavior的核心并不是“采更多視頻”或“堆更多Demo”，而是擴大有效行為分布并提升行為信號密度。：哪些動作模式有助于泛化，哪些示范存在重復冗余，哪些交互分布是模型真正缺失的，這決定了數(shù)據(jù)的真實價值。在這一過程中，Behavior層也在逐漸從人工示范走向自動化策略與Agent系統(tǒng)，通過程序化方式持續(xù)生成、篩選與擴展交互數(shù)據(jù)。

如果說“World”與“Behavior”解決的是“能不能生成數(shù)據(jù)”的問題，那Eval解決的則是“數(shù)據(jù)生成是否真的在推動能力提升”的問題。

數(shù)據(jù)有了，還得知道“訓練究竟有沒有用”。沒有統(tǒng)一嚴苛的標準，各家進展就像用不同尺子量長度，無從比較。去年年底，光輪推出了RoboFinals評測標準。這是業(yè)內(nèi)首個工業(yè)級、可規(guī)模化、真實可信的具身仿真評測平臺，專為尖端機器人基礎模型評測而生。某種意義上，RoboFinals不只是“測模型”，更是在定義具身智能里什么才算真正的能力進步。

光輪智能RoboFinals評測產(chǎn)品，視頻來源：光輪智能

其核心Benchmark RoboFinals?100覆蓋100項任務，面向家庭、工廠、零售等真實應用域，重點覆蓋剛體、關節(jié)體以及電纜/布料/液體等可變形材料的交互難題，并支持桌面機械臂、移動操作、全身locomanipulation等多類機器人本體評測。

World、Behavior與Eval三層系統(tǒng)協(xié)同，構成具身數(shù)據(jù)引擎。

通過World、Behavior與Eval三層系統(tǒng)協(xié)同，機器人模型的訓練、評測與數(shù)據(jù)生成能夠形成持續(xù)迭代的數(shù)據(jù)引擎。光輪是目前業(yè)內(nèi)唯一同時覆蓋三要素的企業(yè)，使得世界生成、行為信號與能力評測能夠在同一系統(tǒng)中形成穩(wěn)定閉環(huán)，從而構建難以被單點復制的數(shù)據(jù)基礎設施。

3.三項“國際交付冠軍”

在具身AI進入數(shù)據(jù)規(guī)模化時代的背景下，光輪智能已經(jīng)率先跑出。

據(jù)「甲子光年」了解，光輪智能已經(jīng)在仿真合成數(shù)據(jù)、仿真評測、人類視頻數(shù)據(jù)三個維度均摘得全球交付冠軍，成為目前全球唯一同時覆蓋三類具身數(shù)據(jù)能力并實現(xiàn)規(guī)模化交付的企業(yè)。

在合成數(shù)據(jù)領域，光輪已建成全球交付規(guī)模最大的仿真合成數(shù)據(jù)Pipeline，覆蓋海量物體、場景與物理屬性組合，為機器人模型訓練提供高多樣性的世界數(shù)據(jù)，全球主要具身團隊的仿真資產(chǎn)體系中，超過80%建立在光輪提供的資產(chǎn)與合成數(shù)據(jù)之上。

在仿真評測領域，光輪推出工業(yè)級機器人評測平臺RoboFinals，并攜手NVIDIA聯(lián)合開源發(fā)布Isaac Lab-Arena具身評測基準框架，逐步確立具身AI領域的標準化評測體系；聯(lián)合通義千問共建可復現(xiàn)、可診斷的工業(yè)級評測閉環(huán)，合力推動具身智能評測行業(yè)基座的確立。

在人類視頻數(shù)據(jù)領域，光輪的行為數(shù)據(jù)節(jié)點系統(tǒng)已覆蓋全球7個國家、2500+個不同環(huán)境，執(zhí)行50000多種多樣化任務，每周穩(wěn)定生成超過50000小時具身行為數(shù)據(jù)，累計交付超100萬小時高質量人類行為數(shù)據(jù)。

“真正的具身數(shù)據(jù)基礎設施不是‘數(shù)據(jù)工廠’，而是一個自動化閉環(huán)：生成數(shù)據(jù)、驗證能力、理解行為，然后再反向優(yōu)化數(shù)據(jù)。”謝晨博士表示。

在不少業(yè)內(nèi)人士看來，光輪已經(jīng)成為具身AI研發(fā)流程中不可或缺的數(shù)據(jù)與仿真基礎設施。這些國際頂尖具身團隊之所以持續(xù)選擇光輪，也并不只是因為其交付規(guī)模大，更因為它能夠幫助團隊回答一個更關鍵的問題：什么樣的數(shù)據(jù)最值得生成，什么樣的評測最值得相信。

其客戶名單堪稱全球AI界的“全明星陣容”——不僅深度覆蓋了NVIDIA、DeepMind、字節(jié)跳動、阿里等全球最頂尖的大模型公司，還包括Figure AI、1X Technology、智元機器人、銀河通用等機器人本體廠商，以及Toyota、BOSCH、比亞迪、吉利等全球汽車巨頭。全球前五的世界模型團隊均已與光輪展開合作。

光輪智能的商業(yè)化進展也勢如破竹。據(jù)悉，光輪智能2025年的營收預期將是2024年的10倍，且今年預計Q1收入就已超過去年全年。這不僅證明了其商業(yè)模式的極高健康度，更標志著在商業(yè)交付上的巨大成功。

4.物理AI時代的數(shù)據(jù)與仿真基礎設施

隨著具身數(shù)據(jù)規(guī)模化時代的到來，機器人產(chǎn)業(yè)的基礎設施格局，或許正在被光輪智能這樣的公司重新定義。

光輪智能的目標，從來不是制造某一款機器人，而是成為物理AI時代的數(shù)據(jù)與仿真基礎設施。憑借在仿真數(shù)據(jù)、行為數(shù)據(jù)與評測體系上的領先規(guī)模，光輪已經(jīng)成為全球具身數(shù)據(jù)領域最重要的基礎設施企業(yè)之一。如果說規(guī)模定義了光輪的產(chǎn)業(yè)位置，那么對“什么是好具身數(shù)據(jù)”的理解，則定義了它的行業(yè)高度。

“在物理AI時代，基礎設施的定義在發(fā)生改變：它不只是算力，而是能夠訓練世界、生成行為數(shù)據(jù)并評測智能能力的數(shù)據(jù)與仿真系統(tǒng)。”謝晨博士說。

「甲子光年」認為，物理AI時代的“基礎設施”有一個與互聯(lián)網(wǎng)時代完全不同的前提：數(shù)據(jù)不只來自傳感器采集，更來自對真實世界物理屬性的系統(tǒng)化測量與可規(guī)模復現(xiàn)。在機器人任務中，決定策略能否穩(wěn)定泛化的往往不是“有沒有畫面”，而是“有沒有物理”——材質、摩擦、阻尼、形變、接觸、碰撞、柔性物體與液體等長尾交互細節(jié)，決定了同一個動作在不同場景下會不會變成失敗樣本。要把這些“物理細節(jié)”變成可訓練的數(shù)據(jù)供給，必須建立從物理測量到資產(chǎn)生成、再到數(shù)據(jù)生成的工程閉環(huán)，而不是停留在一次性項目交付。

在這一意義上，本輪融資的股東結構值得被單獨點出來：光輪智能本輪融資引入了多家產(chǎn)業(yè)場景方與財務機構，包括新希望集團、鼎邦投資（三安光電董事長家辦）、奧克斯、鼎石資管等產(chǎn)業(yè)投資機構，以及建投華科、國方創(chuàng)新、道禾長期投資、清新資本等財務投資機構。

「甲子光年」的判斷是：產(chǎn)業(yè)場景方的進入，不僅是資金層面的支持，更意味著一種“數(shù)據(jù)邊界”的外擴——當產(chǎn)業(yè)方把真實業(yè)務場景、真實物體、真實流程帶入合作鏈條，光輪的具身數(shù)據(jù)生成與物理測量能力就能被延伸到更廣泛的真實應用場景，進而大幅拓展具身數(shù)據(jù)與仿真資產(chǎn)的來源邊界：哪些物體值得被測量、哪些場景值得被資產(chǎn)化、哪些交互應當優(yōu)先被規(guī)模化覆蓋，會從“技術判斷”變成“產(chǎn)業(yè)共建”的系統(tǒng)工程。

完成A++與A+++輪融資后，光輪智能計劃進一步擴大其全球數(shù)據(jù)生成能力，并持續(xù)投入物理仿真引擎研發(fā)與全球數(shù)據(jù)生成網(wǎng)絡建設；公司正在多個國家和地區(qū)布局行為數(shù)據(jù)節(jié)點，目標是構建一個覆蓋不同文化、不同場景、不同物體類型的全球化行為數(shù)據(jù)網(wǎng)絡。

「甲子光年」認為，這種“全球節(jié)點+產(chǎn)業(yè)場景共建”的路徑，本質上是在為萬臺級機器人交付做準備：只有當數(shù)據(jù)供給具備網(wǎng)絡化擴展能力，行業(yè)迭代速度才可能保持可控。

在物理AI時代，決定行業(yè)上限的不再只是模型能力，而是數(shù)據(jù)與仿真基礎設施。 光輪智能，正在構建這一基礎設施層。

如果說2026是具身數(shù)據(jù)規(guī)模化元年，那么光輪智能已經(jīng)在這一輪規(guī)模化浪潮中率先跑出。

（封面圖來源：AI生成）