新华财经上海6月25日电（记者王鹤）光轮智能近日完成新一轮10亿元战略融资。短短两周时间，这家具身数据独角兽公司累计获得20亿元融资，这是市场资金对物理AI基础设施价值的集中确认。

最新一轮投资方包括中关村科学城基金、四川发展科创基金、山东发展科创投等政府基金，以及巨人网络、宇信科技、宝通科技、中科产投、量图智策等产业资本及财务投资机构；老股东建投投资、三七互娱、森马投资等继续跟投。

资本缘何热捧物理AI数据与评测基础设施公司？具身数据还将释放出哪些价值？具身智能下一阶段竞争关键是什么？带着这些问题，新华财经记者专访了光轮智能联合创始人兼总裁杨海波。

“我们的目标，是把物理AI所需要的共性能力做成可以被模型公司、本体公司、场景方和地方产业生态持续调用的数据与评测基础设施。”杨海波说。

资金热捧具身智能底层基础设施

数据和评测正在成为物理AI时代的关键基础设施，成为支撑模型公司、本体公司、产业场景方共同发展的公共能力。

今年5月，国家发展改革委公开表示，将按照“十五五”规划部署要求，以具身智能关键基础设施建设为抓手，全面推进具身智能领域高质量发展。

“过去几年市场更多关注机器人本体、模型和算力，因为行业早期先要验证机器人能不能动起来、模型能力能不能跑起来。”杨海波说，但当具身智能真正走向产业场景，决定产业发展速度的，不只是本体和大模型，还需要一整套底层基础设施。有没有足够高质量可持续供给的数据、可信可复现的仿真环境、统一可规模化的评测体系至关重要。

杨海波表示，此轮融资有多个地方国资和产业资本进入，底层逻辑是看到数据作为基础设施的长期价值，也看到了场景转化、标准共建和业务协同的机会。

地方有大量制造、物流、农业、医疗、能源等真实产业场景，这些场景是未来具身智能发展的“数据金矿”。这些场景要真正转化为可训练、可评测、可复用的数据资产，需要基础设施型企业把场景、数据、仿真、评测和标准连接起来。国资和地方产业资本的参与正是希望共同建设具身智能产业生态，他们把数据与评测基础设施，看作推动具身智能产业发展的关键抓手。

从投资逻辑看，以光轮智能为代表的具身数据企业获得资本追捧，不仅因为具身智能赛道升温，更源于行业需求正从零散数据采购，转向数据、仿真、评测和部署反馈一体化的基础设施需求。一方面，世界模型、具身基础模型和机器人公司需要高质量数据与规模化评测支撑模型迭代；另一方面，真实产业场景也需要把现场任务、操作经验、失败模式和工艺参数转化为可训练、可评测、可复用的数据资产，这两类需求交汇后形成了基础设施建设机会。

2026年成具身数据规模化元年

当需求端和技术认知都发生变化，当资本涌入具身数据公司，2026年已经成为具身数据规模化元年。

杨海波说，从技术认知看，具身数据的规模定律（Scaling Law）已经开始出现，成为头部团队共识。单纯依赖真机本体采集数据，很难支撑规模化需求。破局关键在于人类行为数据与仿真合成数据，再配以真实场景反馈，形成闭环。

从市场需求看，今年的变化非常直观。过去两年具身智能团队多以验证为主，仅需几百上千小时数据；而今年开始，头部团队的需求已跃升至几十万甚至上百万小时。

“需求的量级变化非常重要，说明行业已从验证数据有效性，进入到持续规模化供给高质量数据的阶段。”杨海波说，这一变化趋势已经反映在光轮智能的订单和收入中，公司今年一季度新增订单达到5.5亿元。更重要的是，高质量具身数据开始呈现基础设施资产属性——部分优质场景数据已实现超过10倍复售率，即同一单位数据能够服务多个客户、多个模型阶段和多个任务需求。

杨海波说：“真正有价值的具身数据，可以用三个词概括：高质量、大规模、多样性。”

“未来，物理AI需要的是10亿级的数据生成器。”杨海波说，值得一提的是，头部客户对多样性的追求已经达到极致。因为真正决定模型泛化能力的，不是它有没有见过一个标准答案，而是有没有见过足够丰富的变化。现在遇到一些需求，甚至要求一个人在一个场景下，一项任务只能采一条数据，这在反向要求人、场景、任务的多样性。客户不需要同一个人重复做一百遍，而是要一百个不同的人在一百个不同场景里呈现真实世界的差异。“不完美”过程对模型亦有重要价值，机器人必须学会失败如何发生、恢复、回到正确轨道。

物理AI时代仿真对外依赖度或高于芯片

过去外界谈论AI基础设施，更多关注芯片和算力。但进入物理AI阶段后，仿真正在成为新的瓶颈。

“物理AI时代，仿真的对外依赖度可能高于芯片。”杨海波说。

物理AI阶段，机器人要进入真实世界，除了算得动，还要解决三个更基础的问题：在哪里学习？在哪里低成本试错？能力提升后怎么验证？这都离不开仿真。真实世界不可能让机器人无限试错，高成本、高风险、不可复现。仿真则提供一个安全、可控、可重复、可规模化的物理训练场和评测场。

“值得关注的是，仿真的问题比芯片更隐性。”杨海波说，高端工业仿真软件、物理求解器、仿真资产体系和评测标准体系，长期以来主要由欧美企业主导。进入物理AI之后，仿真进一步成为具身训练、数据生成、模型评测和真实部署的关键入口。

如果说算力即“国力”，仿真就是物理AI的关键技术底座。算力解决“算得动”，仿真解决“在哪里学、怎么试错、怎么评测”，二者同等重要、相互支撑。

评测标准成下一阶段竞争关键

从实验室演示走向真实产业应用，在这一阶段，具身智能的关注重点不只是“机器人能不能做出精准的动作”，而是它能不能在不同场景、不同任务和不同风险条件下稳定、可靠、安全地工作，因此，标准化的测试评价体系不可或缺。

杨海波说，没有统一的任务定义、测试流程和评价指标，企业很难判断模型是否真正进步，场景方也很难判断机器人是否具备部署条件。标准和检测体系解决的是产业规模化的信任问题，让机器人能力从“看起来能做”，变成“可测试、可验证、可比较、可准入”。

“评测标准未来会像新能源汽车、智能驾驶测试认证体系一样，成为具身智能规模化落地前必须补齐的公共能力。”杨海波说。

光轮智能一方面打造全球首个工业级评测平台RoboFinals ，在真实客户和真实产业场景中形成事实标准；另一方面作为中国唯一企业加入国际开源物理仿真引擎Newton技术指导委员会，与英伟达、谷歌Deepmind、迪士尼研究院、丰田研究院共同推动下一代开源物理AI仿真标准建设，在国内标准体系建设方面，光轮智能已围绕智能仿真平台、工业高质量数据集、具身智能数据质量、数据采集系统能力等方向，牵头或参与制定20项国家、行业相关标准；同时与国家检测机构、地方政府和产业伙伴共同建设标准化测试评价体系，把真实产业场景转化为标准化任务、测试流程和评价指标。

杨海波说，物理AI基础设施建设需要开放生态协同推进。光轮智能已与摩尔线程、阿里云、生数科技等，在国产算力适配、云上训练评测、世界模型验证和标准化测试评价等方向合作，沉淀任务定义、数据标准和评测体系，推动真实产业场景转化为可训练、可评测、可复用的数据资产，共同加速具身智能规模化落地。