四川
近年發現機器人和物理 AI 這塊最近熱得離譜 —— 幾乎每隔幾天就有新的演示、融資或者新品發布，但越是這種熱鬧的時候，越該想想，這個行業真正的瓶頸到底在哪？
近期有一家叫光輪智能的公司，連續拿了兩輪融資，加起來超 20 億，估值已經突破 150 億。
連中關村科學城的國家隊資本、螞蟻集團這種產業方，都成了它的股東。
之前我就看好光輪，但拿到這么多錢還是有點意外，仔細捋了捋背后的邏輯，發現投資人押注的是物理 AI 的三個新趨勢。
數據才是物理 AI 的勝負手
之前大家做 AI，都知道拼算法、算力、數據。
大語言模型的興起，表面是模型變大，其實底層是算力基建拉起來了。
所以那時候 AI 的勝負手是算力。
但到了機器人和物理 AI 這兒，玩法完全變了。
說白了，現在卡物理 AI 脖子的，根本不是模型大小、算力多少，而是數據。
有人可能說，數據公司不就是靠標注數據賺錢嗎？
但過去的傳統數據公司，本質是賺人力差價的活 —— 比如美國的 Scale AI，靠雇菲律賓、肯尼亞的工人一條條標數據，
國內同行也差不多，客戶要啥就采啥標啥，做一單結一單，頂多靠堆人賺點辛苦錢，根本沒法規模化。
而且機器人數據還特別坑：采來的數據集只能賣一次，下次用還要重新采，成本高到離譜。
要做數據基礎設施，不是靠堆人的運營公司
機器人需要的數據量，遠超普通人想象。
就拿 “拿起一個杯子” 這個動作來說，杯子是紙杯還是玻璃杯？
是圓的還是帶棱角？光照是亮還是暗？
背景是廚房還是客廳？
這些細節，對機器人來說都是完全不同的場景，都得單獨采集數據。
如果靠人工把所有可能性都采完，成本高到根本沒法做。
而且傳統數據公司賣一次就完事，相當于送一桶水上門，下次還要重新拉，根本跑不通這個生意。
光輪的打法完全不一樣，它把數據做成了能反復調用的基礎設施。
它搭了一套閉環系統：先采集真實世界的人類經驗，用仿真技術把數據無限放大，再用評測工具判斷模型會不會、哪里不行，最后放到真實場景里實戰，把失敗和異常的經驗回流，精準定義下一輪要練什么。
這么玩下來，光輪的成本復售率做到了十倍—— 相當于修了一條自來水管，而不是每次送水，成本直接壓下來了。
它賣的不是一批靜態的數據樣本，而是這套能持續迭代的基礎設施產出。
物理 AI 離自己的 “CUDA 時刻” 不遠了
現在物理 AI 還面臨一個大問題：數據來自不同設備，模型來自不同團隊，本體來自不同公司，場景分布在工廠、倉庫、農場、醫院各個地方，大家各做各的，根本沒有統一的語言和標準，沒法形成合力。
這事兒當年芯片行業也遇到過，后來英偉達用 CUDA 解決了 ——CUDA 就是一套通用標準，讓全世界的開發者都能調用芯片的能力，把芯片、模型、開發者、應用全串成了一個生態，最后成了英偉達的護城河。
現在物理 AI 也需要這樣一套通用標準，把數據采集、仿真生成、模型評測、產業部署、真實反饋全串起來。
而誰能做成這個事？
回到光輪身上，它已經在干這個事了：對接了 PICO 云這些采集設備、英偉達、阿里云這些算力廠商、李飛飛的 World Labs、聲樹科技這類世界模型公司，還有新希望這種產業場景方。
創始人謝晨本來就出自英偉達的仿真團隊，邏輯上順得很。
說白了，誰能做出物理 AI 的這套通用標準，誰就是下一個贏家。
這輪融資不是光輪自己拿到了多少錢那么簡單，而是行業的認知已經到了拐點。
過去我們總問 “誰能造出更強的機器人”，但接下來真正要問的，是 “誰能讓所有機器人更快學會真實世界”。
只要數據的瓶頸被打通，物理 AI 真的有可能像當年的大模型一樣，迎來爆發式增長。
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
