估值重塑，數(shù)據(jù)與評測基礎(chǔ)設(shè)施成為具身產(chǎn)業(yè)估值中心。

作者｜周悅

編輯｜栗子

具身智能的市場邏輯，正在變化。

過去兩年，行業(yè)談具身智能，最關(guān)注模型和本體：誰的“大腦”更強，誰的人形機器人更像人，誰的動作更精準(zhǔn)。這些構(gòu)成了具身智能最直觀的能力表現(xiàn)。

這符合新興產(chǎn)業(yè)的演進邏輯。每一個技術(shù)周期啟動時，最先站在聚光燈下的，往往是最接近用戶、最具想象力的公司。一如自動駕駛早期，市場首先聚焦于整車和Robotaxi；大模型爆發(fā)之初，資金優(yōu)先追逐模型和應(yīng)用公司。在具身智能的啟動期，模型和本體率先獲得高估值，同樣是產(chǎn)業(yè)發(fā)展的自然結(jié)果。

然而，當(dāng)技術(shù)產(chǎn)業(yè)從“實驗室”走向“規(guī)模化”，市場的定價邏輯往往會向更底層的位置收斂。

自動駕駛催生了支撐數(shù)據(jù)生產(chǎn)體系的Scale AI；大模型時代真正站到產(chǎn)業(yè)C位的，則是提供算力基礎(chǔ)設(shè)施NVIDIA。技術(shù)越是走向規(guī)模化落地，行業(yè)就越依賴能支撐全行業(yè)持續(xù)迭代的底層基礎(chǔ)設(shè)施。

進入2026年，具身智能也迎來了這一拐點：決定物理AI能否實現(xiàn)規(guī)模化落地的，不再單純?nèi)Q于模型參數(shù)、本體形態(tài)或單點能力，而是取決于誰能提供支撐機器人持續(xù)反饋、持續(xù)學(xué)習(xí)的數(shù)據(jù)與評測基礎(chǔ)設(shè)施。

資本市場正敏銳地捕捉到這一信號，并開始對具身智能的基礎(chǔ)設(shè)施板塊重新定價。

近日，光輪智能宣布完成新一輪融資。本輪由螞蟻集團領(lǐng)投；建投投資、大灣區(qū)共同家園基金、森馬方道基金、山東孚弘（工業(yè)富聯(lián)參與管理產(chǎn)業(yè)基金）、芯能投資、臨芯投資等知名國資、產(chǎn)業(yè)以及財務(wù)機構(gòu)共同參與；同時，三七互娛、國方創(chuàng)新、道禾長期投資、鼎石資管等老股東超額跟投。

光輪智能估值超過20億美元，在短短兩個月內(nèi)實現(xiàn)估值翻倍。這一數(shù)字不僅刷新了全球具身數(shù)據(jù)與評測基礎(chǔ)設(shè)施領(lǐng)域的估值紀(jì)錄，也重塑了物理AI數(shù)據(jù)與評測基礎(chǔ)設(shè)施產(chǎn)業(yè)的估值格局。

在「甲子光年」看來，具身智能數(shù)據(jù)與評測基礎(chǔ)設(shè)施正在成為行業(yè)新的估值焦點。

光輪智能，正處在產(chǎn)業(yè)焦點的核心。

1.具身數(shù)據(jù)規(guī)模化元年，數(shù)據(jù)與評測基礎(chǔ)設(shè)施成為新的價值中心

在大語言模型時代，AI產(chǎn)業(yè)最核心的基礎(chǔ)設(shè)施是算力。GPU、CUDA、訓(xùn)練集群、推理服務(wù)和云基礎(chǔ)設(shè)施，支撐了過去十年AI的快速爆發(fā)。

與此不同，物理AI的Scaling Law，并不只發(fā)生在參數(shù)和算力上。它正在逐漸從參數(shù)Scaling，轉(zhuǎn)向數(shù)據(jù)、環(huán)境與反饋的Scaling。機器人要學(xué)習(xí)的是物理世界，它需要處理力、接觸、形變、失敗和反饋，這遠比單純的文本和圖像復(fù)雜。更重要的是，真實的物理世界無法無限試錯，也不能隨時重置。

因此，具身智能要真正進入規(guī)模化階段，核心問題不再只是“誰先造出機器人”，而是誰能持續(xù)提供兼具規(guī)模化和高質(zhì)量，且可被評測驗證的數(shù)據(jù)。

2025年中后期，具身企業(yè)Generalist的模型能力突破把具身數(shù)據(jù)Scaling Law推向臺前。它第一次向行業(yè)驗證，機器人模型能力的躍遷，不只來自更大的模型，也來自高質(zhì)量數(shù)據(jù)的持續(xù)供給。其背后展現(xiàn)的，是具身智能進入預(yù)訓(xùn)練時代后，對底層數(shù)據(jù)基礎(chǔ)設(shè)施的系統(tǒng)性需求。

光輪智能在這一規(guī)律被市場看清之前，就已經(jīng)完成了前瞻性布局。Generalist等前沿模型探索，也有其底層基礎(chǔ)設(shè)施的支撐。當(dāng)Generalist明確了行業(yè)方向后，光輪智能順理成章成為率先承接需求、并推動行業(yè)進入規(guī)模化階段的基礎(chǔ)設(shè)施公司。

進入2026年，這一判斷開始從模型進展走向商業(yè)驗證。今年第一季度，光輪智能新增訂單達到5.5億元，一季度收入超過去年全年，刷新具身數(shù)據(jù)行業(yè)紀(jì)錄，推動行業(yè)加速步入“具身數(shù)據(jù)規(guī)模化元年”。

這些訂單反映了海內(nèi)外市場的兩股剛需：一類是具身大模型和世界模型團隊進入持續(xù)訓(xùn)練、迭代和評測階段；另一類是工業(yè)、物流、農(nóng)業(yè)、家電、汽車等真實產(chǎn)業(yè)場景，開始為機器人訓(xùn)練、驗證與部署投入真金白銀。光輪智能恰好站在這兩條需求曲線的交匯點上。

目前，光輪智能已構(gòu)建起完整閉環(huán)：既能生成高質(zhì)量人類與合成數(shù)據(jù)服務(wù)訓(xùn)練，也能圍繞場景展開規(guī)模化的仿真評測，并基于部署提供真實反饋。物理AI時代，模型訓(xùn)練、評測驗證和產(chǎn)業(yè)部署，都依賴同一套基礎(chǔ)設(shè)施來進行持續(xù)學(xué)習(xí)與迭代。

這也是光輪智能被市場重新定價的底層邏輯。大模型時代NVIDIA被一次次重估，不只是因為GPU硬件本身，而是因為GPU、CUDA和訓(xùn)練集群構(gòu)成的計算底座，成為整個產(chǎn)業(yè)擴張的剛需。進入物理AI時代，相似邏輯正在遷移：模型和本體要持續(xù)進步，必須有可規(guī)模化的數(shù)據(jù)供給、可復(fù)現(xiàn)的評測體系和真實反饋閉環(huán)基礎(chǔ)設(shè)施。而光輪智能，就在提供物理AI數(shù)據(jù)與評測的閉環(huán)基礎(chǔ)設(shè)施。從這個角度看，螞蟻集團領(lǐng)投，多家國資、產(chǎn)業(yè)基金和老股東跟投，不僅是對光輪智能的認可，也是產(chǎn)業(yè)資本開始重新評估物理AI基礎(chǔ)設(shè)施長期價值的明確信號。

2.人類、仿真、部署全閉環(huán)：光輪智能把物理AI數(shù)據(jù)與評測做成了基礎(chǔ)設(shè)施

光輪智能的核心壁壘，并不在于押中了某一條單一的數(shù)據(jù)路線，而是因為它從一開始就定位為物理AI的基礎(chǔ)設(shè)施。

這是一套貫穿訓(xùn)練、評測與部署反饋的物理AI數(shù)據(jù)與評測基礎(chǔ)設(shè)施。其核心能力，由全棧自研三位一體的仿真內(nèi)核、人類視頻數(shù)據(jù)和真實部署的回流反饋共同構(gòu)成。

首先，是仿真。

光輪智能底層最核心的能力，來自“求解—測量—生成”三位一體全棧自研仿真平臺。求解負責(zé)在虛擬環(huán)境中還原力、碰撞、接觸和形變，讓仿真在物理上可信；測量負責(zé)把材料、接觸、摩擦、形變等真實物理屬性帶入系統(tǒng)；生成則把這些物理規(guī)律規(guī)模化擴展為可訓(xùn)練、可評測、可復(fù)用的仿真世界。

這也是光輪智能數(shù)據(jù)與評測基礎(chǔ)設(shè)施的技術(shù)內(nèi)核。

在這一體系中，仿真是連接數(shù)據(jù)生成、模型訓(xùn)練和能力評測的中樞：一端通過仿真評測暴露模型在不同任務(wù)、環(huán)境和物理交互中的能力邊界。評測不僅決定模型是否真正進步，也決定下一輪數(shù)據(jù)與訓(xùn)練應(yīng)該如何演化；另一端把真實世界經(jīng)驗擴展為大量可訓(xùn)練數(shù)據(jù)。它一方面通過仿真評測判斷模型能力邊界，并反向定義下一輪數(shù)據(jù)需求；另一方面通過仿真合成數(shù)據(jù)，把來自人類視頻、遙操作和真實場景的任務(wù)經(jīng)驗，自動擴展為多場景、多擾動、多物理參數(shù)下的仿真合成數(shù)據(jù)。

其次，是人類視頻數(shù)據(jù)。

機器人要進入真實世界，首先需要理解人類如何在真實環(huán)境中行動：如何開門、抓取、整理、裝配，如何在復(fù)雜任務(wù)中分解步驟、處理異常、修正動作。人類視頻數(shù)據(jù)提供的不是靜態(tài)樣本，而是真實世界中的操作經(jīng)驗、任務(wù)結(jié)構(gòu)和行為先驗。

外界過去容易把光輪智能理解為仿真公司，但這并不完整。實際上，光輪智能已經(jīng)將人類數(shù)據(jù)與仿真打造成一套閉環(huán)的基礎(chǔ)設(shè)施，并且人類數(shù)據(jù)交付量全球第一。它的人類視頻數(shù)據(jù)產(chǎn)品，覆蓋25,000+環(huán)境節(jié)點、100,000+任務(wù)種類，累計交付超150萬小時高質(zhì)量人類數(shù)據(jù)。對模型團隊來說，這些數(shù)據(jù)不只是讓模型“看見世界”，更是讓模型理解人類如何在物理世界中完成任務(wù)。

再次，是真實部署反饋回流。

物理AI最終必須回到產(chǎn)業(yè)現(xiàn)場。

場景部署，不是閉環(huán)之外的終點，而是閉環(huán)內(nèi)最重要的反饋來源。真實部署會暴露新的任務(wù)分布、新的失敗模式和新的場景約束，這些反饋再回到數(shù)據(jù)、仿真和評測系統(tǒng)中，成為下一輪訓(xùn)練和能力診斷的依據(jù)。

由此，光輪形成的是一套持續(xù)進化的物理AI數(shù)據(jù)與評測閉環(huán)基礎(chǔ)設(shè)施。

仿真內(nèi)核保證物理可信，人類數(shù)據(jù)提供真實經(jīng)驗，仿真評測判斷能力邊界，部署反饋帶回真實問題。三者不是簡單并列，而是在同一套系統(tǒng)里不斷循環(huán)、不斷校準(zhǔn)、不斷提升。也就是說，人類數(shù)據(jù)、仿真評測和部署反饋構(gòu)成了外層循環(huán)；而仿真中的“求解—測量—生成”三位一體，是讓這套循環(huán)持續(xù)運轉(zhuǎn)的技術(shù)內(nèi)核。

人類視頻數(shù)據(jù)提供真實世界的人類行為與任務(wù)經(jīng)驗；仿真則將這些經(jīng)驗規(guī)模化擴展為仿真合成數(shù)據(jù)；評測判斷模型能力邊界，并指出下一輪數(shù)據(jù)需求；真實部署把模型帶回產(chǎn)業(yè)現(xiàn)場，產(chǎn)生新的失敗、反饋和任務(wù)約束；這些反饋再回流，推動下一輪數(shù)據(jù)生成、仿真擴展、評測迭代和真實部署。這套內(nèi)核與外循環(huán)共同指向一個結(jié)果：更高質(zhì)量的數(shù)據(jù)與評測能力。

對頭部客戶來說，選擇光輪智能，不只是因為它能交付高質(zhì)量數(shù)據(jù)，而是因為這些數(shù)據(jù)來自一套持續(xù)驗證、持續(xù)提升的基礎(chǔ)設(shè)施。數(shù)據(jù)質(zhì)量、評測標(biāo)準(zhǔn)和反饋閉環(huán)，正在成為物理AI時代新的核心資源。光輪智能正在做的，正是把這些底層能力從項目型交付，變成可以被反復(fù)調(diào)用、持續(xù)進化、支撐全行業(yè)迭代的基礎(chǔ)設(shè)施。光輪智能的人類、仿真、部署全閉環(huán)的最終落點，不是數(shù)量，而是質(zhì)量；不是一次性交付，而是更高質(zhì)量、持續(xù)進化的物理AI基礎(chǔ)設(shè)施。

3.從基礎(chǔ)設(shè)施到規(guī)則層：光輪智能正在定義物理AI數(shù)據(jù)、仿真與評測的國際標(biāo)準(zhǔn)

當(dāng)數(shù)據(jù)、仿真和評測能力被產(chǎn)業(yè)各方高頻復(fù)用，其方法、接口和評價體系，便開始沉淀為行業(yè)的共同標(biāo)準(zhǔn)。

如果基礎(chǔ)設(shè)施解決的是“行業(yè)能不能跑起來”，那么標(biāo)準(zhǔn)解決的是“行業(yè)能不能在同一套底層秩序上跑得更遠”。具身智能的下一階段競爭，正在從單點技術(shù)能力的輸出，演變?yōu)閷π袠I(yè)生態(tài)標(biāo)準(zhǔn)的定義。

物理AI要實現(xiàn)產(chǎn)業(yè)規(guī)模化，行業(yè)必須回答一系列底層問題：如何定義高質(zhì)量數(shù)據(jù)？如何定義高質(zhì)量仿真？如何定義高質(zhì)量評測？模型應(yīng)該如何被訓(xùn)練、驗證和部署，以及部署反饋如何重新進入訓(xùn)練系統(tǒng)，持續(xù)提升？

誰能深度參與這些問題的定義，誰就更有機會在下一階段產(chǎn)業(yè)演進中占據(jù)關(guān)鍵位置。而光輪智能，正在通過三個維度參與這些底層標(biāo)準(zhǔn)的構(gòu)建。

第一，數(shù)據(jù)質(zhì)量標(biāo)準(zhǔn)。

對頭部模型團隊來說，真正關(guān)鍵的不是“更多數(shù)據(jù)”，而是規(guī)模化的高質(zhì)量數(shù)據(jù)，只有高質(zhì)量數(shù)據(jù)，才能持續(xù)轉(zhuǎn)化為模型能力提升。

對光輪智能來說，高質(zhì)量數(shù)據(jù)并不依賴單純采集，而是在其“內(nèi)外雙循環(huán)系統(tǒng)”中形成的：外層由人類數(shù)據(jù)、仿真評測和部署反饋形成循環(huán)，內(nèi)層則由“求解—測量—生成”三位一體的全棧自研仿真平臺，數(shù)據(jù)質(zhì)量因此不只依賴單次采集或人工質(zhì)檢，而是能夠在生成、訓(xùn)練、評測、部署和反饋中不斷被驗證和提升。

這種閉環(huán)能力在商業(yè)上直接轉(zhuǎn)化為一個核心指標(biāo)——“數(shù)據(jù)復(fù)售率”（即單位小時的光輪數(shù)據(jù)能夠出售給多少個不同客戶）。一份高質(zhì)量數(shù)據(jù)可以在不同客戶、不同模型階段和不同任務(wù)體系中持續(xù)流通并產(chǎn)生更高價值。這一指標(biāo)越高，意味著數(shù)據(jù)質(zhì)量越穩(wěn)定，光輪智能對數(shù)據(jù)的定義能力越強，質(zhì)量越高，客戶認可度也越高。

光輪智能聯(lián)合創(chuàng)始人兼總裁楊海波介紹，光輪智能在優(yōu)質(zhì)場景的數(shù)據(jù)，復(fù)售率已經(jīng)能夠超過10倍。這一指標(biāo)不僅印證了其數(shù)據(jù)的穩(wěn)定性與客戶認可度，也是其2026年一季度新增的5.5億元訂單的底層支撐之一。

第二，仿真標(biāo)準(zhǔn)。

2026年，光輪智能接受Google Deepmind、NVIDIA和Disney Research的聯(lián)合邀請，作為核心指導(dǎo)委員加入開源GPU加速物理引擎Newton。光輪智能將在關(guān)鍵具身仿真技術(shù)方向上發(fā)揮主導(dǎo)作用，與NVIDIA、Google DeepMind、Disney Research、Toyota Research Institute四家國際頂尖機構(gòu)共同推動下一代開源物理AI仿真標(biāo)準(zhǔn)。

Newton TSC的出現(xiàn)，標(biāo)志著全球物理AI仿真基礎(chǔ)設(shè)施正在走向統(tǒng)一。過去，GPU并行計算、高精度接觸動力學(xué)、復(fù)雜機構(gòu)求解、機器人學(xué)習(xí)生態(tài)和工業(yè)級驗證長期分散在不同體系中。Newton把這些能力放進同一個開放架構(gòu)中，定義下一代仿真系統(tǒng)如何設(shè)計、如何演進、如何被全球開發(fā)者和產(chǎn)業(yè)場景共同采用。

在Newton TSC中的5位頂尖仿真專家中，Miles Macklin博士、Yuval Tassa博士、謝晨博士、Moritz B?cher博士、Michael Sherman博士，分別代表了Warp仿真、MuJoCo仿真、基于“三位一體”定義SimReady、Kamino仿真、與Drake仿真等全球核心技術(shù)路徑。

光輪智能進入Newton，意味著它不再只是全球仿真生態(tài)的參與者，而是開始參與下一代物理AI仿真基礎(chǔ)設(shè)施的規(guī)則共建。與此同時，在仿真基礎(chǔ)設(shè)施的落地方面，光輪智能也與摩爾線程圍繞算力、仿真平臺與數(shù)據(jù)評測能力展開合作，聯(lián)合打造國產(chǎn)自研仿真合成數(shù)據(jù)方案，以國產(chǎn)算力與仿真的深度融合，為具身智能發(fā)展夯實自主可控的基礎(chǔ)設(shè)施。

第三，評測標(biāo)準(zhǔn)。

在評測生態(tài)中，光輪智能與NVIDIA聯(lián)合推進Isaac Lab-Arena等評測框架建設(shè)，自研LeIsaac仿真平臺被Hugging Face官方文檔收錄；與通義千問、World Labs等世界前沿團隊持續(xù)開展評測與世界生成方向合作；這些合作的核心，不只是共建項目，而是推動評測走向可復(fù)現(xiàn)、可對比、可規(guī)模化的行業(yè)標(biāo)準(zhǔn)。

在標(biāo)準(zhǔn)組織與測試評價體系層面，光輪智能成為全國首批具身智能行動計劃中數(shù)據(jù)領(lǐng)域唯一民企，參與高質(zhì)量數(shù)據(jù)集建設(shè)與具身智能數(shù)據(jù)基礎(chǔ)設(shè)施完善，并聯(lián)合全國信標(biāo)委、工信部相關(guān)標(biāo)委會等機構(gòu)推進標(biāo)準(zhǔn)體系建設(shè)。

截至目前，光輪智能已主導(dǎo)或參編20項相關(guān)國家、行業(yè)相關(guān)標(biāo)準(zhǔn)，覆蓋數(shù)據(jù)質(zhì)量、仿真平臺與工業(yè)高質(zhì)量數(shù)據(jù)集等重點領(lǐng)域。同時，還與國家機器人檢測和評定中心（總部）達成合作，共同推動具身智能關(guān)鍵基礎(chǔ)設(shè)施與工業(yè)級測試評價標(biāo)準(zhǔn)建設(shè)。

光輪的角色正在發(fā)生變化。它不只是為客戶交付數(shù)據(jù)和評測，而是在把自身的數(shù)據(jù)質(zhì)量、仿真能力、評測體系和產(chǎn)業(yè)經(jīng)驗，持續(xù)沉淀為行業(yè)的共同標(biāo)準(zhǔn)。

4.數(shù)據(jù)不是燃料：光輪智能要做物理AI的教育系統(tǒng)

當(dāng)具身智能從實驗室走向真實世界，一個本質(zhì)問題開始浮現(xiàn)：機器人到底該如何學(xué)習(xí)？

人類的認知獲取是一個長周期的持續(xù)過程。從基礎(chǔ)教育、高等教育到終身學(xué)習(xí)，個體不僅需要汲取知識，更要經(jīng)歷反復(fù)的嘗試、迭代和來自外部的反饋和挑戰(zhàn)。

機器人理解物理世界，也需要經(jīng)歷這樣的過程。這正是光輪智能的底層邏輯：它在搭建一套教機器人持續(xù)學(xué)習(xí)的教育系統(tǒng)。用人類數(shù)據(jù)提供真實示范，以仿真世界提供訓(xùn)練環(huán)境，用評測體系判斷能力邊界，再通過真實部署把新的反饋帶回下一輪訓(xùn)練。

這也解釋了光輪智能創(chuàng)始人兼CEO謝晨不希望將數(shù)據(jù)簡單地看作燃料。

燃料是消耗品，核心在于供給、價格和效率；教育是系統(tǒng)工程，本質(zhì)在于學(xué)習(xí)、反饋和演進。燃料回答的是“機器能不能運行”，教育回答是“機器人能不能形成認知且持續(xù)進化”。而持續(xù)學(xué)習(xí)能力，最終會決定機器人能力的長期上限。

正因如此，光輪智能選擇同時做人類數(shù)據(jù)、仿真評測和部署反饋。因為真正的教育必須以終為始，從“學(xué)生”最終要進入的真實世界出發(fā)。真實產(chǎn)業(yè)場景定義了機器人未來必須具備的能力，也反向定義了它今天應(yīng)該學(xué)習(xí)什么。光輪非常重視質(zhì)量、反饋、復(fù)盤和持續(xù)改進。只有這樣才有能力建設(shè)一套面向物理AI的教育系統(tǒng)。它考驗的不只是企業(yè)的交付能力，更是對技術(shù)能力、質(zhì)量保障、反饋機制和持續(xù)改進的工程敬畏。

這正是光輪智能估值短期內(nèi)翻倍、再次刷新全球估值紀(jì)錄的深層原因。過去十年，NVIDIA之所以進入AI產(chǎn)業(yè)中心，是因為它定義并支撐了大模型時代的計算基礎(chǔ)設(shè)施；而光輪智能，不僅是因為它領(lǐng)先的產(chǎn)品技術(shù)能力和商業(yè)落地能力，更主要的是定義了物理AI時代的數(shù)據(jù)與評測基礎(chǔ)設(shè)施。

光輪選擇的是一條更長期、更底層、也更接近物理 AI 產(chǎn)業(yè)終局的路。隨著 2026 年具身智能規(guī)模化元年的開啟，物理 AI 的價值重心，也正在從模型與本體，進一步走向數(shù)據(jù)、評測與持續(xù)學(xué)習(xí)基礎(chǔ)設(shè)施。而光輪智能，正在這場產(chǎn)業(yè)范式遷移中，占據(jù)越來越核心的位置。

（封面圖來源：AI生成）