光輪智能20億美元估值引領(lǐng)全球具身數(shù)據(jù)基礎(chǔ)設(shè)施｜甲子光年

估值重塑，數(shù)據(jù)與評(píng)測(cè)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(chǎng)邏輯，正在變化。

過(guò)去兩年，行業(yè)談具身智能，最關(guān)注模型和本體：誰(shuí)的“大腦”更強(qiáng)，誰(shuí)的人形機(jī)器人更像人，誰(shuí)的動(dòng)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(jìn)邏輯。每一個(gè)技術(shù)周期啟動(dòng)時(shí)，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(dòng)駕駛早期，市場(chǎng)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(dòng)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(shí)驗(yàn)室”走向“規(guī)模化”，市場(chǎng)的定價(jià)邏輯往往會(huì)向更底層的位置收斂。

自動(dòng)駕駛催生了支撐數(shù)據(jù)生產(chǎn)體系的Scale AI；大模型時(shí)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(jìn)入2026年，具身智能也迎來(lái)了這一拐點(diǎn)：決定物理AI能否實(shí)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(diǎn)能力，而是取決于誰(shuí)能提供支撐機(jī)器人持續(xù)反饋、持續(xù)學(xué)習(xí)的數(shù)據(jù)與評(píng)測(cè)基礎(chǔ)設(shè)施。

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

近日，光輪智能宣布完成新一輪融資。本輪由螞蟻集團(tuán)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(guó)資、產(chǎn)業(yè)以及財(cái)務(wù)機(jī)構(gòu)共同參與；同時(shí)，三七互娛、國(guó)方創(chuàng)新、道禾長(zhǎng)期投資、鼎石資管等老股東超額跟投。

光輪智能估值超過(guò)20億美元，在短短兩個(gè)月內(nèi)實(shí)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(píng)測(cè)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(píng)測(cè)基礎(chǔ)設(shè)施產(chǎn)業(yè)的估值格局。

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

光輪智能，正處在產(chǎn)業(yè)焦點(diǎn)的核心。

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

在大語(yǔ)言模型時(shí)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(guò)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(jī)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(yuǎn)比單純的文本和圖像復(fù)雜。更重要的是，真實(shí)的物理世界無(wú)法無(wú)限試錯(cuò)，也不能隨時(shí)重置。

因此，具身智能要真正進(jìn)入規(guī)模化階段，核心問(wèn)題不再只是“誰(shuí)先造出機(jī)器人”，而是誰(shuí)能持續(xù)提供兼具規(guī)模化和高質(zhì)量，且可被評(píng)測(cè)驗(yàn)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(tái)前。它第一次向行業(yè)驗(yàn)證，機(jī)器人模型能力的躍遷，不只來(lái)自更大的模型，也來(lái)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(jìn)入預(yù)訓(xùn)練時(shí)代后，對(duì)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(chǎng)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(dòng)行業(yè)進(jìn)入規(guī)模化階段的基礎(chǔ)設(shè)施公司。

進(jìn)入2026年，這一判斷開始從模型進(jìn)展走向商業(yè)驗(yàn)證。今年第一季度，光輪智能新增訂單達(dá)到5.5億元，一季度收入超過(guò)去年全年，刷新具身數(shù)據(jù)行業(yè)紀(jì)錄，推動(dòng)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(chǎng)的兩股剛需：一類是具身大模型和世界模型團(tuán)隊(duì)進(jìn)入持續(xù)訓(xùn)練、迭代和評(píng)測(cè)階段；另一類是工業(yè)、物流、農(nóng)業(yè)、家電、汽車等真實(shí)產(chǎn)業(yè)場(chǎng)景，開始為機(jī)器人訓(xùn)練、驗(yàn)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(diǎn)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(chǎng)景展開規(guī)模化的仿真評(píng)測(cè)，并基于部署提供真實(shí)反饋。物理AI時(shí)代，模型訓(xùn)練、評(píng)測(cè)驗(yàn)證和產(chǎn)業(yè)部署，都依賴同一套基礎(chǔ)設(shè)施來(lái)進(jìn)行持續(xù)學(xué)習(xí)與迭代。

這也是光輪智能被市場(chǎng)重新定價(jià)的底層邏輯。大模型時(shí)代NVIDIA被一次次重估，不只是因?yàn)镚PU硬件本身，而是因?yàn)镚PU、CUDA和訓(xùn)練集群構(gòu)成的計(jì)算底座，成為整個(gè)產(chǎn)業(yè)擴(kuò)張的剛需。進(jìn)入物理AI時(shí)代，相似邏輯正在遷移：模型和本體要持續(xù)進(jìn)步，必須有可規(guī)模化的數(shù)據(jù)供給、可復(fù)現(xiàn)的評(píng)測(cè)體系和真實(shí)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(píng)測(cè)的閉環(huán)基礎(chǔ)設(shè)施。從這個(gè)角度看，螞蟻集團(tuán)領(lǐng)投，多家國(guó)資、產(chǎn)業(yè)基金和老股東跟投，不僅是對(duì)光輪智能的認(rèn)可，也是產(chǎn)業(yè)資本開始重新評(píng)估物理AI基礎(chǔ)設(shè)施長(zhǎng)期價(jià)值的明確信號(hào)。

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(píng)測(cè)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?yàn)樗鼜囊婚_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(píng)測(cè)與部署反饋的物理AI數(shù)據(jù)與評(píng)測(cè)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(shí)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(lái)自“求解—測(cè)量—生成”三位一體全棧自研仿真平臺(tái)。求解負(fù)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(cè)量負(fù)責(zé)把材料、接觸、摩擦、形變等真實(shí)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(kuò)展為可訓(xùn)練、可評(píng)測(cè)、可復(fù)用的仿真世界。

這也是光輪智能數(shù)據(jù)與評(píng)測(cè)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(píng)測(cè)的中樞：一端通過(guò)仿真評(píng)測(cè)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(píng)測(cè)不僅決定模型是否真正進(jìn)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(shí)世界經(jīng)驗(yàn)擴(kuò)展為大量可訓(xùn)練數(shù)據(jù)。它一方面通過(guò)仿真評(píng)測(cè)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(guò)仿真合成數(shù)據(jù)，把來(lái)自人類視頻、遙操作和真實(shí)場(chǎng)景的任務(wù)經(jīng)驗(yàn)，自動(dòng)擴(kuò)展為多場(chǎng)景、多擾動(dòng)、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(jī)器人要進(jìn)入真實(shí)世界，首先需要理解人類如何在真實(shí)環(huán)境中行動(dòng)：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(dòng)作。人類視頻數(shù)據(jù)提供的不是靜態(tài)樣本，而是真實(shí)世界中的操作經(jīng)驗(yàn)、任務(wù)結(jié)構(gòu)和行為先驗(yàn)。

外界過(guò)去容易把光輪智能理解為仿真公司，但這并不完整。實(shí)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(diǎn)、100,000+任務(wù)種類，累計(jì)交付超150萬(wàn)小時(shí)高質(zhì)量人類數(shù)據(jù)。對(duì)模型團(tuán)隊(duì)來(lái)說(shuō)，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(shí)部署反饋回流。

物理AI最終必須回到產(chǎn)業(yè)現(xiàn)場(chǎng)。

場(chǎng)景部署，不是閉環(huán)之外的終點(diǎn)，而是閉環(huán)內(nèi)最重要的反饋來(lái)源。真實(shí)部署會(huì)暴露新的任務(wù)分布、新的失敗模式和新的場(chǎng)景約束，這些反饋再回到數(shù)據(jù)、仿真和評(píng)測(cè)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(jìn)化的物理AI數(shù)據(jù)與評(píng)測(cè)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(shí)經(jīng)驗(yàn)，仿真評(píng)測(cè)判斷能力邊界，部署反饋帶回真實(shí)問(wèn)題。三者不是簡(jiǎn)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(shuō)，人類數(shù)據(jù)、仿真評(píng)測(cè)和部署反饋構(gòu)成了外層循環(huán)；而仿真中的“求解—測(cè)量—生成”三位一體，是讓這套循環(huán)持續(xù)運(yùn)轉(zhuǎn)的技術(shù)內(nèi)核。

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

對(duì)頭部客戶來(lái)說(shuō)，選擇光輪智能，不只是因?yàn)樗芙桓陡哔|(zhì)量數(shù)據(jù)，而是因?yàn)檫@些數(shù)據(jù)來(lái)自一套持續(xù)驗(yàn)證、持續(xù)提升的基礎(chǔ)設(shè)施。數(shù)據(jù)質(zhì)量、評(píng)測(cè)標(biāo)準(zhǔn)和反饋閉環(huán)，正在成為物理AI時(shí)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(xiàng)目型交付，變成可以被反復(fù)調(diào)用、持續(xù)進(jìn)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(diǎn)，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(jìn)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(píng)測(cè)的國(guó)際標(biāo)準(zhǔn)

當(dāng)數(shù)據(jù)、仿真和評(píng)測(cè)能力被產(chǎn)業(yè)各方高頻復(fù)用，其方法、接口和評(píng)價(jià)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(lái)”，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(yuǎn)”。具身智能的下一階段競(jìng)爭(zhēng)，正在從單點(diǎn)技術(shù)能力的輸出，演變?yōu)閷?duì)行業(yè)生態(tài)標(biāo)準(zhǔn)的定義。

物理AI要實(shí)現(xiàn)產(chǎn)業(yè)規(guī)模化，行業(yè)必須回答一系列底層問(wèn)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(píng)測(cè)？模型應(yīng)該如何被訓(xùn)練、驗(yàn)證和部署，以及部署反饋如何重新進(jìn)入訓(xùn)練系統(tǒng)，持續(xù)提升？

誰(shuí)能深度參與這些問(wèn)題的定義，誰(shuí)就更有機(jī)會(huì)在下一階段產(chǎn)業(yè)演進(jìn)中占據(jù)關(guān)鍵位置。而光輪智能，正在通過(guò)三個(gè)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(duì)頭部模型團(tuán)隊(duì)來(lái)說(shuō)，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(duì)光輪智能來(lái)說(shuō)，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(píng)測(cè)和部署反饋形成循環(huán)，內(nèi)層則由“求解—測(cè)量—生成”三位一體的全棧自研仿真平臺(tái)，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(píng)測(cè)、部署和反饋中不斷被驗(yàn)證和提升。

這種閉環(huán)能力在商業(yè)上直接轉(zhuǎn)化為一個(gè)核心指標(biāo)——“數(shù)據(jù)復(fù)售率”（即單位小時(shí)的光輪數(shù)據(jù)能夠出售給多少個(gè)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(jià)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(duì)數(shù)據(jù)的定義能力越強(qiáng)，質(zhì)量越高，客戶認(rèn)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(chǎng)景的數(shù)據(jù)，復(fù)售率已經(jīng)能夠超過(guò)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(rèn)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(qǐng)，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(guó)際頂尖機(jī)構(gòu)共同推動(dòng)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(guò)去，GPU并行計(jì)算、高精度接觸動(dòng)力學(xué)、復(fù)雜機(jī)構(gòu)求解、機(jī)器人學(xué)習(xí)生態(tài)和工業(yè)級(jí)驗(yàn)證長(zhǎng)期分散在不同體系中。Newton把這些能力放進(jìn)同一個(gè)開放架構(gòu)中，定義下一代仿真系統(tǒng)如何設(shè)計(jì)、如何演進(jìn)、如何被全球開發(fā)者和產(chǎn)業(yè)場(chǎng)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(jìn)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(shí)，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(tái)與數(shù)據(jù)評(píng)測(cè)能力展開合作，聯(lián)合打造國(guó)產(chǎn)自研仿真合成數(shù)據(jù)方案，以國(guó)產(chǎn)算力與仿真的深度融合，為具身智能發(fā)展夯實(shí)自主可控的基礎(chǔ)設(shè)施。

第三，評(píng)測(cè)標(biāo)準(zhǔn)。

在評(píng)測(cè)生態(tài)中，光輪智能與NVIDIA聯(lián)合推進(jìn)Isaac Lab-Arena等評(píng)測(cè)框架建設(shè)，自研LeIsaac仿真平臺(tái)被Hugging Face官方文檔收錄；與通義千問(wèn)、World Labs等世界前沿團(tuán)隊(duì)持續(xù)開展評(píng)測(cè)與世界生成方向合作；這些合作的核心，不只是共建項(xiàng)目，而是推動(dòng)評(píng)測(cè)走向可復(fù)現(xiàn)、可對(duì)比、可規(guī)模化的行業(yè)標(biāo)準(zhǔn)。

在標(biāo)準(zhǔn)組織與測(cè)試評(píng)價(jià)體系層面，光輪智能成為全國(guó)首批具身智能行動(dòng)計(jì)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(guó)信標(biāo)委、工信部相關(guān)標(biāo)委會(huì)等機(jī)構(gòu)推進(jìn)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(xiàng)相關(guān)國(guó)家、行業(yè)相關(guān)標(biāo)準(zhǔn)，覆蓋數(shù)據(jù)質(zhì)量、仿真平臺(tái)與工業(yè)高質(zhì)量數(shù)據(jù)集等重點(diǎn)領(lǐng)域。同時(shí)，還與國(guó)家機(jī)器人檢測(cè)和評(píng)定中心（總部）達(dá)成合作，共同推動(dòng)具身智能關(guān)鍵基礎(chǔ)設(shè)施與工業(yè)級(jí)測(cè)試評(píng)價(jià)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(píng)測(cè)，而是在把自身的數(shù)據(jù)質(zhì)量、仿真能力、評(píng)測(cè)體系和產(chǎn)業(yè)經(jīng)驗(yàn)，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(shí)驗(yàn)室走向真實(shí)世界，一個(gè)本質(zhì)問(wèn)題開始浮現(xiàn)：機(jī)器人到底該如何學(xué)習(xí)？

人類的認(rèn)知獲取是一個(gè)長(zhǎng)周期的持續(xù)過(guò)程。從基礎(chǔ)教育、高等教育到終身學(xué)習(xí)，個(gè)體不僅需要汲取知識(shí)，更要經(jīng)歷反復(fù)的嘗試、迭代和來(lái)自外部的反饋和挑戰(zhàn)。

機(jī)器人理解物理世界，也需要經(jīng)歷這樣的過(guò)程。這正是光輪智能的底層邏輯：它在搭建一套教機(jī)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(shí)示范，以仿真世界提供訓(xùn)練環(huán)境，用評(píng)測(cè)體系判斷能力邊界，再通過(guò)真實(shí)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(jiǎn)單地看作燃料。

燃料是消耗品，核心在于供給、價(jià)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(jìn)。燃料回答的是“機(jī)器能不能運(yùn)行”，教育回答是“機(jī)器人能不能形成認(rèn)知且持續(xù)進(jìn)化”。而持續(xù)學(xué)習(xí)能力，最終會(huì)決定機(jī)器人能力的長(zhǎng)期上限。

正因如此，光輪智能選擇同時(shí)做人類數(shù)據(jù)、仿真評(píng)測(cè)和部署反饋。因?yàn)檎嬲慕逃仨氁越K為始，從“學(xué)生”最終要進(jìn)入的真實(shí)世界出發(fā)。真實(shí)產(chǎn)業(yè)場(chǎng)景定義了機(jī)器人未來(lái)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(jìn)。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(yàn)的不只是企業(yè)的交付能力，更是對(duì)技術(shù)能力、質(zhì)量保障、反饋機(jī)制和持續(xù)改進(jìn)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(guò)去十年，NVIDIA之所以進(jìn)入AI產(chǎn)業(yè)中心，是因?yàn)樗x并支撐了大模型時(shí)代的計(jì)算基礎(chǔ)設(shè)施；而光輪智能，不僅是因?yàn)樗I(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(shí)代的數(shù)據(jù)與評(píng)測(cè)基礎(chǔ)設(shè)施。

光輪選擇的是一條更長(zhǎng)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(jià)值重心，也正在從模型與本體，進(jìn)一步走向數(shù)據(jù)、評(píng)測(cè)與持續(xù)學(xué)習(xí)基礎(chǔ)設(shè)施。而光輪智能，正在這場(chǎng)產(chǎn)業(yè)范式遷移中，占據(jù)越來(lái)越核心的位置。

（封面圖來(lái)源：AI生成）