来源：环球网

【环球网科技报道 记者 李文瑶】走进2026世界人工智能大会（WAIC）展馆，人形机器人的展台依旧被围得水泄不通。与往年不同的是，今年企业不再热衷于展示机器人跳舞、翻跟头，而是把工厂流水线、仓储货架甚至咖啡吧台搬进了展厅。

“今年是一个明显的分水岭，具身智能从‘跳舞’走向‘干活’。”光轮智能联合创始人兼总裁杨海波在展会现场接受环球网记者采访时说。这家成立仅三年的公司，已是全球唯一的具身数据独角兽。

但一个值得关注的现实是：产业链上下游出现的一种现象是，“目前没有一家工厂敢真的让机器人单独干活。

”问题出在哪里？缺的不是硬件

如果把机器人比作一个婴儿，本体是身体，大模型是大脑。问题是，这个大脑目前很初级——它需要被教育、被训练、被考试，才能走进真实世界工作。

“教育”机器人的方式，就是不断给它提供数据营养，然后评测它，循环往复地提升能力。杨海波将光轮智能的角色定义为“物理AI的数据和评测基础设施”：“就像我们建了一所学校，给模型提供教材和知识，再给它考试。”

但给机器人编写“教材”远比教大语言模型复杂。大语言模型的数据是互联网上现成的文本，自动驾驶的数据有上百万辆车在路上实时采集。而具身智能面对的是物理世界：拧开一个瓶盖，既有视觉信息，也有力度大小、触觉反馈、手腕旋转角度等多维数据。

更棘手的是，机器人无法在真实工厂里“边干边学”。一座汽车焊装线停机一小时的损失可达数十万元，没有企业会冒险让机器人在生产线上进行试错。

因此，仿真成为解题之路。在仿真环境中，机器人可以反复练习拧螺丝、叠衣服、搬货架，系统会记录每一次成败，量化出通过率指标。由于仿真环境可复现、可对比、可量化，还能大规模并行测试，它也是目前评测机器人能力的唯一最优解。

行业痛点：数据量需求暴增百倍，亟需数据有效供给

2026年被业界视为“具身智能数据规模化元年”。杨海波给出了一组数据：今年市场对具身数据的需求是去年的百倍甚至千倍——从几百小时飙升至百万小时级别。与此同时，行业涌入大量数据供应商，热闹非凡。

但热闹不等于有效。“数据供给和数据有效是两码事。”杨海波直言，大量供给并不合格。

在他看来，有效的具身数据必须同时满足三个条件：高质量、大规模、多样性。真实世界里，同一个动作，成年男人、老人、孩子的手势各不相同；同一个场景，工厂、家庭、商超的环境千差万别。如果训练数据缺乏多样性，机器人在陌生环境下就会“宕机”。

某头部客户甚至提出“一个人在一个场景下的一项任务只能采集一条数据”，强制数据企业去寻找人类生理属性和动作习惯的多样性。而“纠正数据”——即机器人一开始做错、后来纠正过来的过程数据，反倒可以卖出更高溢价，因为它补足了失败案例的多样性。

这些严苛要求，使传统真机遥操（真实机器人操作采集）模式在规模和成本上捉襟见肘。一台人形机器人售价数十万元，折损率高，搭建一个采集场景动辄百万级别。相比而言，仿真合成数据和人类第一视角视频数据正成为重要的供给方式。

全球竞赛：中国企业在规则制定中占据一席

具身智能数据的全球竞争不仅是技术赛跑，更是标准之争。谁制定数据格式、场景定义、评测指标的标准，谁就掌握了产业的话语权。

WAIC上，光轮智能披露了其在国际标准化组织中的身份：在仿真领域，公司是Newton仿真技术委员会中唯一中国企业成员，与英伟达、谷歌DeepMind、迪士尼研究院、丰田研究院共同定义下一代开源物理AI仿真标准；在数据领域，则是EgoVerse人类数据委员会唯一中国代表，与Meta、Scale AI等国际团队共同构建全球最大规模的人类数据训练体系。

杨海波直言，中国在物理AI仿真领域过去长期落后，工业仿真软件的对外依赖度甚至不低于芯片。“我们被纳入Newton仿真技术委员会，是因为在仿真下定义了物品、环境和任务的标准，拉通了各家的规范。”

但他也坦承，标准层面的突破只是第一步。更底层的仿真器和求解器，仍是国内亟待攻关的“硬骨头”。目前光轮智能早已启动全栈自研国产仿真器，并与摩尔线程合作，将数据生成和评测方案跑在国产GPU上。“这不是单点创新，而是有组织的协同创新，否则单兵突进很难落地。”杨海波说。

商业化验证：“复售”能否成为行业破局之道？

数据基础设施的商业化路径，过去并不清晰。杨海波给出了两个关键指标：复购和复售。

复购代表客户黏性——企业持续下单，从单点合同变成框架协议。而复售更具行业价值：同一批高质量场景数据有效服务10家以上不同客户，意味着这套数据正在成为“事实标准”。

“目前数据领域缺乏统一标准，所以什么标准最有价值？可能就是事实标准。”杨海波说，“当大家都去买同一份数据，认同它，它就逐渐成为事实标准。”

复售的商业逻辑也很直接：对数据方而言，边际成本低、毛利高；对客户而言，共享共用能大幅降低成本。今年，当数据需求从数百小时猛增至百万小时级别，成本不再是“不重要的小事”。行业正从“算法确定需求、数据方被动交付”的模式，转向“数据供给驱动模型演进”的新范式。

未来：从“送水人”到“学习闭环”

WAIC上，光轮智能展示了从数据生成、仿真评测、落地部署到真实反馈的全链条闭环。机器人进入工厂干活不是终点——它在产线上的每一个成功或失败动作，都将回传至数据系统，继续训练下一代模型。

“形成循环往复的持续学习闭环，跟人一样，这是我们觉得对落地部署最重要的一点。”杨海波说。

对于外界最关心的“机器人何时能真正进厂打工”，他给出的判断是：今年是“跑通”阶段，明年或有望在部分场景算平经济账。“明年的本体价格或许会大幅度下降，稳定性会指数级提高。”届时，工厂最缺的不再是硬件，而是帮机器人“学会干活”的数据和评测基础设施。