光轮智能杨海波：具身智能落地面临数据和评测巨大缺口

在WAIC展会上，有个细节很有意思：光轮智能带来的不是炫酷的机器人本体，而是一套数据和评测的基础设施。

先把这家公司的定位说清楚。光轮智能是2024年成立的，现在已经是具身数据领域的独角兽了，主要做的是人类视频数据和仿真合成数据——说白了，就是给机器人打造“教育体系”的底层基础设施。在仿真和数据这两个关键领域，它也是目前唯一一家同时参与国际标准建设的中国企业。

光轮智能联合创始人杨海波打了个比方，挺形象：“本体就是身体，模型是婴儿的大脑。怎么让这个婴儿变成成年人，能去各种场景里干活？得不断喂数据、不断考试。我们就像建学校，给模型提供教育、知识，再给它考试。定位就是物理AI的数据和评测基础设施。”

这话点出了当前具身智能落地的核心痛点：人形机器人要进场景，最缺的就是场景数据和评测能力。总不能真让一台机器人在真实场景里先学半年吧？没有这个条件。所以仿真的价值就在于：先在虚拟环境里学、评测，解决99%的问题，最后1%再到真实场景里解决。光轮智能的仿真评测能力，支撑的就是最后一道部署。

相比真机采集，仿真合成数据的优势相当明显：规模化供给、效率极高，秒级切换场景、物体、环境参数，多样性强，整体成本低。一句话，解决了真机采集无法满足的海量、多元数据需求，是支撑具身智能规模化落地的核心数据供给方式。

这次WAIC上，光轮展出了围绕“数据—评测—部署反馈”构建的物理AI持续学习系统。SimFoundry做底层仿真基础设施，EgoSuite提供人类经验，RoboFinals衡量能力边界，RoboStack连接部署反馈，四个模块共同形成Real2Sim2Real持续学习闭环。

那么，问题来了：什么样的数据才算有效数据？杨海波总结了三个标准——高质量、大规模、多样性。举例来说，曾经服务过一家行业头部客户，要求一个人在一个场景、一项任务只能采一条数据：成年男人的手怎么拿、老人的手怎么拿、孩子的手怎么拿，就是要找生理属性和动作习惯的多样性。他强调，数据供给和数据有效是两码事，有效的前提是数据商自己能评测自己的数据，而客户的多次买单才是最终的试金石。

随着具身智能集体走向场景落地，数据缺口问题愈发突出。机器人落地最核心的缺口，就是适配场景的海量训练数据和标准化评测工具。杨海波透露，今年具身智能领域的数据与评测需求，比去年高出百倍甚至千倍——去年还是几百几千小时的数据规模，今年已经进入百万小时级别。他的判断是：“2026年是具身智能数据规模化的元年，因为今年具身就要从demo走向落地部署。”

当然，供需缺口短期内很难平衡。具身智能的整体数据需求体量是自动驾驶的1000倍以上，对标特斯拉的百万台车辆数据采集终端，具身行业要满足需求，需要十亿级数据生成终端。当前供给能力与长期需求之间，还有巨大差距。光轮智能的数据供给能力虽然呈指数级增长，但依然无法以一己之力匹配全行业长期的海量需求。

2026年第一季度，光轮智能斩获5.5亿元订单。但杨海波更关注的核心是提升客户复购、推进数据复售、打通完整数据商业闭环——这也是今年要重点推进的三大商业方向。未来三年，规划明确：一是推动国际标准落地，向国内市场输出最高规格训练数据；二是推动国内标准建设，促进行业数据共享共用，减少重复采集造成的资源浪费；三是持续强化全栈仿真、数据自闭环能力。