全球首個具身數(shù)據(jù)獨(dú)角獸光輪智能，2026年一季度狂攬5.5億元訂單，刷新具身數(shù)據(jù)行業(yè)紀(jì)錄，直接引爆“具身數(shù)據(jù)元年”。

把訂單拆開來看，背后浮現(xiàn)出的并非單一需求，而是兩股力量在今年第一次清晰交匯。

一邊，是具身大模型與世界模型對高質(zhì)量數(shù)據(jù)、仿真環(huán)境和規(guī)?；u測的需求集中釋放；另一邊，則是工業(yè)、物流、農(nóng)業(yè)、家電、汽車等產(chǎn)業(yè)場景，開始為機(jī)器人在真實世界中的訓(xùn)練、驗證與部署投入真金白銀。

前者推動模型跨過從“演示”到“訓(xùn)練”的門檻，后者則把行業(yè)推向另一個更現(xiàn)實的問題：機(jī)器人進(jìn)入真實場景之后，如何在持續(xù)運(yùn)行中不斷優(yōu)化。

而光輪智能，恰好站在這兩個需求曲線的交匯點(diǎn)上。

它所連接的，既是訓(xùn)練機(jī)器人的數(shù)據(jù)，也是圍繞數(shù)據(jù)展開的評測和部署的基礎(chǔ)設(shè)施體系。到了物理AI時代，這恰如一條鋪設(shè)好的公路。

5.5億元訂單之于光輪智能，遠(yuǎn)非終點(diǎn)，而是走向產(chǎn)業(yè)更深處的起點(diǎn)。

01、具身大模型，率先拉動數(shù)據(jù)需求

過去一年，具身智能領(lǐng)域的競爭，更多還停留在模型與算法層面。

但到了2026年，行業(yè)的重心開始悄然前移。越來越多團(tuán)隊發(fā)現(xiàn)，決定模型上限的已不只是參數(shù)規(guī)模，數(shù)據(jù)的重要性迅速抬升。數(shù)據(jù)的多樣性、物理保真度以及閉環(huán)迭代能力，開始成為新的關(guān)鍵變量。

于是，今年被業(yè)內(nèi)視作“具身數(shù)據(jù)規(guī)?；?/strong>”。隨著全球頭部具身智能團(tuán)隊紛紛拋出百萬乃至千萬小時級的數(shù)據(jù)采集目標(biāo)，數(shù)據(jù)迅速成為各家競逐的基礎(chǔ)性戰(zhàn)略資源。

當(dāng)前，無論是世界模型，還是VLA，都被迅速推向更復(fù)雜、更真實的任務(wù)空間。它們面對的，不再只是圖像與語言理解，而是要在真實物理世界中完成長時序、多步驟的復(fù)雜任務(wù)，包括物體操作、環(huán)境交互，以及不確定條件下的持續(xù)決策與規(guī)劃。

這一趨勢已經(jīng)在前沿模型上得到驗證。以Generalist AI的Gen-1模型為例，該模型依托50萬小時規(guī)模的人類視頻數(shù)據(jù)進(jìn)行模型預(yù)訓(xùn)練，進(jìn)一步驗證了具身智能領(lǐng)域正在出現(xiàn)的Scaling Law：當(dāng)高質(zhì)量、可規(guī)?；臄?shù)據(jù)持續(xù)供給，模型的泛化能力就有機(jī)會跨過新的門檻。這也表明，真實人類視頻數(shù)據(jù)并不是邊緣補(bǔ)充，而正在成為具身預(yù)訓(xùn)練階段最重要的數(shù)據(jù)來源之一。

不過，隨著機(jī)器人逐步邁向更復(fù)雜任務(wù)，新的行業(yè)瓶頸也在顯現(xiàn)。人類視頻數(shù)據(jù)固然解決了具身預(yù)訓(xùn)練中的行為先驗問題，卻還不足以獨(dú)立支撐后續(xù)的規(guī)?；瘜W(xué)習(xí)與規(guī)模化評測。

實際上，當(dāng)前具身大模型面臨的核心瓶頸，并不只是“缺數(shù)據(jù)”，更準(zhǔn)確地說，是一種結(jié)構(gòu)性的短缺。

一方面，人類視頻數(shù)據(jù)與仿真合成數(shù)據(jù)之間，還沒有形成足夠有效的互補(bǔ)機(jī)制；另一方面，行業(yè)里也少有能夠把兩類數(shù)據(jù)真正整合起來，并持續(xù)驅(qū)動模型迭代的數(shù)據(jù)體系，也就是所謂“數(shù)據(jù)飛輪”。其難點(diǎn)在于規(guī)?；u測，沒有統(tǒng)一、可量化的評測標(biāo)準(zhǔn)，數(shù)據(jù)就很難有效反哺模型迭代，所謂閉環(huán)也難以真正建立。而光輪智能所做的，正是把人類視頻數(shù)據(jù)、仿真合成數(shù)據(jù)與規(guī)模化評測打通，形成一套可閉環(huán)、可量化、可持續(xù)迭代的數(shù)據(jù)基礎(chǔ)設(shè)施。

眼下，能搭建完整“數(shù)據(jù)飛輪”體系的企業(yè)仍是少數(shù)，需求正加速向具備體系化供給能力的公司集中。

這也解釋了，為什么光輪智能能在短時間內(nèi)手握5.5億元訂單。

02、為什么是光輪智能？

風(fēng)口來了，并不意味著誰都能接得住。

尤其是具身智能這樣一個仍處于早期、標(biāo)準(zhǔn)尚未完全統(tǒng)一的產(chǎn)業(yè)，真正能承接頭部需求的，往往不是聲量最大的那個人，而是最早把底層能力打磨出來的人。

乍看之下，光輪業(yè)務(wù)覆蓋人類數(shù)據(jù)、仿真合成數(shù)據(jù)和仿真評測，像是同時做幾件不同的事。但順著底層邏輯看，其實始終只做一件事：構(gòu)建一套可閉環(huán)、可迭代、可規(guī)?；木呱頂?shù)據(jù)基礎(chǔ)設(shè)施。

具體而言，這套體系可以拆解為三個相互支撐的層次：世界World、行為Behavior、評測Eval。

世界層，是機(jī)器人進(jìn)行學(xué)習(xí)、訓(xùn)練與評測的物理世界。它不是普通的3D資產(chǎn)庫，也不是偏展示性的游戲式場景，而是一個在物理規(guī)律上盡可能貼近現(xiàn)實的仿真環(huán)境：物體可以被抓取，門有阻尼和磁吸，布料會形變，線纜能夠彎折并承受作用力。

行為層，負(fù)責(zé)持續(xù)生產(chǎn)行為數(shù)據(jù)。既有大規(guī)模仿真合成數(shù)據(jù)，也有來自真實世界的人類第一視角視頻、遙操作軌跡和其他真實行為先驗。前者解決規(guī)模問題，后者提供約束與校準(zhǔn)，二者共同構(gòu)成模型學(xué)習(xí)的基礎(chǔ)。

評測層，是整套體系里易被忽視卻愈發(fā)關(guān)鍵的一環(huán)。具身智能的真正難點(diǎn)不是做出一個Demo，而是穩(wěn)定地判斷模型能力是否真正得到提升。沒有統(tǒng)一、可復(fù)現(xiàn)、可并行、可量化的評測體系，數(shù)據(jù)很難有效指導(dǎo)訓(xùn)練，模型也難以持續(xù)迭代。

這三層并非簡單并列，而是構(gòu)成了一個持續(xù)運(yùn)轉(zhuǎn)的飛輪：世界層提供環(huán)境，行為層生成數(shù)據(jù)并拓展任務(wù)分布，評測層持續(xù)暴露模型短板，再反向決定下一輪數(shù)據(jù)采集、生成與覆蓋的重點(diǎn)。由此，數(shù)據(jù)、仿真與評測形成一個持續(xù)運(yùn)轉(zhuǎn)的系統(tǒng)。

再往下看，這套閉環(huán)之所以能夠成立，更關(guān)鍵的支撐來自“求解測量生成”三位一體全棧自研仿真技術(shù)底座。測量真實世界的物理屬性，生成可復(fù)用、可擴(kuò)展的SimReady世界，隨后借助自研solver與仿真能力，在虛擬環(huán)境中跑出物理上可信、行為上可執(zhí)行的結(jié)果。

也正因此，光輪智能承接的，已不是零散的數(shù)據(jù)采購需求，而是逐漸清晰的基礎(chǔ)設(shè)施型需求。

這是光輪智能一直在強(qiáng)調(diào)的核心區(qū)別：它想做的，不是一家數(shù)據(jù)工廠，而是一臺數(shù)據(jù)引擎。

相比之下，傳統(tǒng)數(shù)據(jù)公司更像數(shù)據(jù)工廠：客戶提需求，平臺交付數(shù)據(jù)，項目結(jié)束，價值也隨之終止。光輪構(gòu)建的則是持續(xù)運(yùn)轉(zhuǎn)的引擎：真實世界的數(shù)據(jù)與測量進(jìn)入系統(tǒng)，經(jīng)由仿真世界被放大、重組，行為數(shù)據(jù)在其中持續(xù)生成；評測體系再把模型的失敗模式與能力邊界反饋回來，反向驅(qū)動下一輪數(shù)據(jù)采集、場景生成與任務(wù)定義，最終再服務(wù)于真實部署。

把這套邏輯看明白，再去看光輪的訂單表現(xiàn)，答案其實已經(jīng)寫在結(jié)果里。投資界了解到，按具身數(shù)據(jù)銷售額計，光輪已位居全球前列，且已在人類數(shù)據(jù)、仿真合成數(shù)據(jù)、仿真評測三大領(lǐng)域拿下國際交付冠軍。

先看人類數(shù)據(jù)。光輪搭建起可規(guī)?；?strong>人類第一視角數(shù)據(jù)解決方案EgoSuite，數(shù)據(jù)節(jié)點(diǎn)覆蓋25000多個環(huán)境，執(zhí)行超過10萬種任務(wù)，累計交付超150萬小時高質(zhì)量人類數(shù)據(jù)。

再看仿真合成數(shù)據(jù)。光輪已建成全球交付規(guī)模最大的仿真合成數(shù)據(jù)AutoDataGen。國際主要具身智能團(tuán)隊中，超過80% 的仿真資產(chǎn)體系建立在光輪提供的資產(chǎn)與合成數(shù)據(jù)之上。

在仿真評測領(lǐng)域，光輪推出工業(yè)級機(jī)器人規(guī)?；u測平臺RoboFinals，已形成涵蓋數(shù)十個高價值行業(yè)、萬余個真實Real2Sim2Real場景的評測基礎(chǔ)設(shè)施。并攜手通義千問共建可復(fù)現(xiàn)、可診斷的工業(yè)級評測閉環(huán)，合力推動具身智能評測行業(yè)基座的確立。

憑借體系化能力持續(xù)積累，光輪智能正以物理AI仿真基礎(chǔ)設(shè)施為支點(diǎn)，進(jìn)一步引領(lǐng)國際仿真標(biāo)準(zhǔn)的制定與演進(jìn)。

近日，光輪已受邀作為核心指導(dǎo)委員加入開源GPU加速物理引擎 Newton，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 等頂尖機(jī)構(gòu)引領(lǐng)推動下一代開源物理AI仿真標(biāo)準(zhǔn)。

與此同時，光輪自研的LeIsaac已被Hugging Face官方文檔采納為具身仿真的標(biāo)準(zhǔn)框架，成為全球開發(fā)者進(jìn)入該領(lǐng)域的統(tǒng)一工程范式，直接定義了大規(guī)模開發(fā)實踐的起點(diǎn)與邊界。

03、需求爆發(fā)后

產(chǎn)業(yè)端開始接過第二棒

如果說具身大模型公司和機(jī)器人公司點(diǎn)燃了第一波需求，那么產(chǎn)業(yè)端正在接過第二棒。

相比模型團(tuán)隊傾向于讓機(jī)器人“學(xué)會”，產(chǎn)業(yè)客戶關(guān)心的是落地：部署、執(zhí)行、驗證、迭代與復(fù)制這一整套能力能否真正跑通。

這意味著，當(dāng)機(jī)器人進(jìn)入工廠、倉儲、物流、農(nóng)業(yè)、醫(yī)院、汽車等真實場景時，產(chǎn)業(yè)側(cè)需要的已不再是局部能力，而是一整套打通數(shù)據(jù)、評測與部署的基礎(chǔ)設(shè)施體系。

真實產(chǎn)業(yè)場景里，本就蘊(yùn)含巨大的“數(shù)據(jù)金礦”。一條產(chǎn)線、一個倉庫、一座工廠，背后沉淀著大量尚未被開采的物理交互經(jīng)驗：動作如何完成，機(jī)器人容易在哪些步驟失效，哪些接觸力、路徑修正和恢復(fù)策略更關(guān)鍵，哪些任務(wù)能夠標(biāo)準(zhǔn)化，哪些長尾場景又必須依靠仿真擴(kuò)展覆蓋。

問題在于，過去這些經(jīng)驗大多停留在現(xiàn)場，難以被結(jié)構(gòu)化，也難以進(jìn)一步轉(zhuǎn)化為可復(fù)用、可評測、可持續(xù)迭代的資產(chǎn)。而產(chǎn)業(yè)端真正需要的，正是將這些經(jīng)驗轉(zhuǎn)化為機(jī)器人能力。

于是，行業(yè)討論的重點(diǎn)，已經(jīng)從“要不要機(jī)器人”，轉(zhuǎn)向如何持續(xù)開采并放大場景中的數(shù)據(jù)價值。

這也解釋了，為什么產(chǎn)業(yè)客戶越來越需要一套圍繞場景展開的基礎(chǔ)設(shè)施。先在真實場景中提取高價值數(shù)據(jù)與約束，再通過仿真把場景擴(kuò)展成一個可訓(xùn)練、可覆蓋長尾、可規(guī)模化評測的平行世界；隨后借助評測體系識別哪些能力已經(jīng)穩(wěn)定，哪些能力仍需繼續(xù)迭代，最終再把驗證過的能力部署回真實場景。

放到產(chǎn)業(yè)端來看，世界、行為、評測這三層的意義也變得更具體。世界層對應(yīng)的是為真實場景建立一個可擴(kuò)展的數(shù)字平行世界，行為層負(fù)責(zé)把產(chǎn)業(yè)現(xiàn)場的經(jīng)驗轉(zhuǎn)化為可學(xué)習(xí)的行為數(shù)據(jù)，評測層則成為機(jī)器人進(jìn)入真實場景前的能力診斷。

落到商業(yè)化層面，變化已然明了：訂單來源正從具身大模型團(tuán)隊，進(jìn)一步擴(kuò)展到真實產(chǎn)業(yè)場景中的客戶。

據(jù)投資界了解，目前已有上百家場景方企業(yè)正與光輪接觸或推進(jìn)合作，覆蓋制造業(yè)、農(nóng)業(yè)、物流、家電、汽車等多個領(lǐng)域。與此同時，周度新增接洽企業(yè)仍達(dá)數(shù)十家。真實場景對具身數(shù)據(jù)基礎(chǔ)設(shè)施的需求，已經(jīng)明顯提速。

這一趨勢也體現(xiàn)在資本層面。就在上個月，光輪智能完成10億元A++及A+++輪融資，摘得全球首個具身獨(dú)角獸桂冠，引入新希望集團(tuán)、奧克斯等具備深厚產(chǎn)業(yè)資源的戰(zhàn)略投資者，產(chǎn)融協(xié)同的格局初步顯現(xiàn)。

而光輪智能也在逐步把這套能力落地為標(biāo)準(zhǔn)化、平臺化、可規(guī)模復(fù)制的基礎(chǔ)設(shè)施?？深A(yù)見的是，未來接入的產(chǎn)業(yè)場景越多，這種能力就越關(guān)鍵。

物理AI時代，數(shù)據(jù)就是“水電煤”

回過頭看，這5.5億元訂單的意義，早已不只是金額本身。

它更像一個信號。透過光輪智能，具身智能產(chǎn)業(yè)正在顯露出新的重心。

相比以往行業(yè)比拼的是算力和模型，如今進(jìn)入物理AI時代，隨著機(jī)器人一步步走向真實世界，支撐其持續(xù)學(xué)習(xí)、持續(xù)迭代、持續(xù)部署的底層基礎(chǔ)設(shè)施，開始被重新看見。

如果說算力是上一輪AI競賽里的“電網(wǎng)”，模型是機(jī)器的大腦，那么到了物理AI時代，數(shù)據(jù)更像是“水電煤”看不見，卻決定了整套系統(tǒng)能否真正運(yùn)轉(zhuǎn)起來，并規(guī)?；涞?。

沿著這條線往下看，接下來的競爭焦點(diǎn)也愈加明了。誰能在真實場景中持續(xù)供給數(shù)據(jù)，誰能讓訓(xùn)練、評測與部署真正形成閉環(huán)，并持續(xù)、穩(wěn)定地為機(jī)器提供學(xué)習(xí)與進(jìn)化的能力，誰就更有機(jī)會走到前面。

而光輪智能，已經(jīng)搶得先機(jī)。