转自：贝壳财经

1月以来，先后在北京AI“新春第一会”和智源研究院“2026十大技术趋势”发布会上携最新成果亮相，光轮智能联合创始人、总裁杨海波“很忙”。

忙碌的背后，是2025年具身智能赛道爆发式增长，但训练数据短缺的现状。在这一背景下，2023年成立的光轮智能以具身智能背后“卖水人”的身份脱颖而出，其专注的AI仿真合成数据服务精准填补了这一市场缺口。目前，超过80%的国际主流具身智能团队的仿真资产与合成数据来源于光轮智能，世界模型团队与多模态模型团队也是他们的客户。

2026年1月的一个晚上，杨海波接受了新京报贝壳财经记者的专访。之所以选择在晚上，是因为创业近三年来，他始终保持高强度、多线程的工作节奏：每天清晨集中处理来自全球团队的大量信息，他称之为“清圈”（即清理未回复的微信信息），之后持续跟进重点事项进展，并与客户、政府和投资机构进行密集沟通，日均安排4至5场会议。

杨海波向记者坦言，光轮智能成立初期主要面向自动驾驶领域，但具身智能火爆后，其数据需求量至少是自动驾驶的1000倍。在他看来，只有AI仿真数据才能提供具身智能企业们渴求的“规模化数据”，“未来机器人和智能体会像今天的手机、汽车一样，广泛应用于各个行业和城市角落，背后必然需要可靠的数据支撑，而这种支撑依赖于基于仿真的科学能力。”

以下为贝壳财经记者与杨海波的对话。

为什么具身智能卡在数据上？仿真正在成为破局关键

新京报贝壳财经：AI仿真合成数据这一赛道，是光轮智能在2023年成立之初就已经明确瞄准的，还是随着近年来多模态等技术突破逐步拓展出的新业务方向？

杨海波：客观来说，公司从成立第一天起就明确聚焦于仿真合成数据赛道。我们的关注重点并不在于某一种具体的机器人形态，而在于物理AI所必需的数据基础设施建设。当时我们观察到，大语言模型的发展得益于互联网长期积累的大规模文本语料，而物理世界所需的三维与物理数据几乎处于空白状态，这为合成数据提供了重要的发展机遇。

AI要真正进入物理世界，无论是机器人、自动驾驶，还是各类自动化设备，都必须依赖可规模化、可持续、可跨场景的数据供给体系。然而，真实世界数据在获取过程中普遍面临成本高、效率低以及部分场景存在安全风险等问题，难以支撑大规模训练需求。正是由于真实世界试错成本高、周期长且风险较大，仿真合成成为唯一能够承载规模化试错和训练的技术路径。因此，仿真并非事后跟随行业趋势的选择，而是公司自成立之初便确立的核心技术方向。

尽管近年来多模态能力的提升显著改善了仿真的效率、真实度和视觉表现，但在物理层面，受力、接触、形变、材质以及摩擦等关键要素，仍然必须通过高精度仿真来实现。仿真的核心难点并不在于画面是否逼真，而在于力学层面的物理准确性及其在实际训练中的可用性，这也是其与传统仿真或纯视觉模拟的本质区别。

新京报贝壳财经：合成数据与仿真领域的整体市场格局如何？目前这一市场是否仍处于蓝海阶段？

杨海波：2023年创业之初，关注合成数据的公司并不多，当时行业还在讨论“要不要用合成数据”。现在，所有具身智能和物理AI团队都认可合成数据的重要性，行业讨论的焦点变成了“怎么做好合成数据”。

我们进入行业早、技术积累深，判断合成数据做得好与坏，核心验证标准是客户选择。目前全球前三的世界模型团队都在使用我们的仿真和数据服务，超过80%的头部具身智能团队的仿真资产和数据都来源于我们，市场用实际选择证明了我们的实力。

新京报贝壳财经：具身智能行业火爆后，贵公司所接收到的需求与成立初期相比增长了多少？

杨海波：公司初期客户多集中在自动驾驶等领域，2024年下半年，世界模型和具身智能的需求开始显现。最近，具身智能和世界模型领域呈现爆发式增长。具身智能的大脑模型底层源于世界模型，我们更愿意将其理解为物理AI在物理世界落地的重要载体。

具身智能的数据需求量至少是自动驾驶的1000倍。主要有两个原因：第一，自动驾驶本质是“防碰撞的视觉游戏”，没有复杂物理交互，而具身智能需要与世界深度交互，比如开冰箱门时感受磁吸阻尼的力，多了物理交互维度；第二，自动驾驶有现成的数据回传和处理体系，而具身智能处于从零开始的阶段，没有现成数据供给；还有一个更直观的理解，具身智能要替代千行百业，应用场景远比自动驾驶广泛，数据需求量自然大幅增加。

新京报贝壳财经：请问贵公司的定价是主要依据定制化程度、成本投入，还是最终效果？例如线缆仿真这类难度较高的场景，是否按照训练成本进行定价？

杨海波：合成数据的定价主要按小时计价，但具体价格会根据场景难度、任务复杂度、训练规模调整，不是单纯的成本定价法，更多结合难度和市场情况。我们希望定价方式清晰透明，因为客户会将仿真和评测能力纳入长期研发规划，我们提供的不只是数据文件，更是持续提升的研发能力。值得一提的是，高质量数据极其稀缺，一旦解决了客户“有无”的核心问题，价格就不再是关键，乙方也将具备更强的定价能力。

让机器人感受到真实世界，训练仿真数据到底难在哪

新京报贝壳财经：对于稀缺且技术难度较高的数据类型，其训练过程中的主要难点体现在哪些方面？

杨海波：训练过程的核心挑战在于如何产出高质量数据，主要体现在两个方面：第一，数据底层质量要真正对齐物理世界。合成数据在实际应用中需要与真实数据直接竞争，而物理交互的真实性是其中的关键，这一点就挡住了绝大多数参与者。第二，具身模型的演进会不断改变对数据的需求规范，这意味着数据提供方必须具备很好的算法理解能力，从模型和算法的角度去理解数据需求，而不仅仅停留在传统的数据生产或运营层面。这就要求我们既要有数据能力，也要有算法能力。

做好合成数据需要两项核心能力：一是确保数据的高质量，需要长期的底层技术开发能力，同时要与头部客户共创，在0到1的阶段将仿真与真实世界的误差压到最小，我们服务了行业最头部的客户，积累了大量宝贵经验；二是规模化供给能力，要能稳定、持续生成跨本体、跨任务的大规模高质量数据，不能只追求质量而忽视规模，合成数据的真正门槛在于质量和规模的兼顾，这是我们多年服务头部客户后形成的行业认知。

新京报贝壳财经：光轮智能拥有多种类型的仿真数据，涵盖医疗场景中的脏器、农业场景中的采摘任务以及工业场景中的线缆操作等。你们是如何实现仿真数据与真实数据高度一致的？其中有哪些关键方法或技术路径？

杨海波：真实世界重复训练确实在成本、安全性和效率方面存在问题。为此，我们采用了全栈自研的“求解—测量—生成”三位一体的仿真技术路线。以线缆插拔为例，这是工业级的难题，传统仿真仅将线缆视为简单曲线、插头视为简单碰撞检测，而我们会在自动化测量工厂中，精准测量线缆的弯曲刚度、扭曲特性、重量分布，以及插拔过程中的阻力曲线、拔出所需力度、不同角度的卡位点、接触点摩擦系数等真实物理参数。

难点主要有三个：一是计算复杂度高，线缆不像刚体有固定形状，它是连续体，理论上有无限个自由度。要准确模拟，需要把它离散成上千个节点，每个节点都和周围节点相互作用，这意味着要实时求解上万个耦合的非线性方程。传统方法要么算不准，要么算得慢；二是多物理场耦合，线缆插拔不是单一物理现象，线缆本身是柔性体，涉及大变形弹性力学，插头是刚体，涉及精密接触力学；插拔过程有摩擦、有卡位、有形变。把这些不同的物理场统一求解，还要保证实时性，这是世界级难题；三是稳定性和精度的平衡，提高精度会导致计算量指数级增长，过度追求速度则会简化参数，导致过程失真。

针对上述问题，我们自研了GPU物理求解器，通过GPU并行加速，找到了物理精度和实时计算的平衡点，既能呈现线缆完整的物理状态，又能在毫秒内完成计算。凭借这些技术，我们能规模化生成真实场景，让机器人在虚拟环境中真实感受物理反馈，比如插头插歪时的卡阻、插到位时的卡顿感，这些都是机器人训练迫切需要的。相比之下，传统仿真更接近于动画演示，无法实现有效交互。而我们所构建的是物理级仿真体系，每一帧背后都有上万方程支撑，确保虚拟到现实的真实性。

新京报贝壳财经：在当前数据规模不断扩大的背景下，机器人公司在模型训练过程中，是否可以完全使用仿真数据？

杨海波：具身智能的发展需要规模化的本体数据供给，而仿真合成数据是唯一能满足这一需求的解法。在物理AI体系中，仿真数据并非对真实数据的补充，而是训练体系的基础。

总结来说，真实数据负责对齐现实世界，仿真数据负责模型成长，预训练、强化学习、评测都高度依赖仿真数据，这已成为行业的普遍实践。从供给规模上看，仿真数据的供给量能比真机数据跨2到3个数量级，两者完全没有可比性。

新京报贝壳财经：机器人如果依赖仿真数据训练，会不会学到数据中的bug？比如数据存在偏差，或者被黑客植入恶意指令，导致机器人在现实中出现误判，这一风险是否真实存在？又该如何应对？

杨海波：这其实就是行业所说的“仿真与真实之间的差异”，是整个行业面临的挑战，风险确实真实存在。比如仿真中摩擦力参数预估偏大，机器人可能会用更小的力抓取物体，导致在真实世界中抓不起来。

我们的应对方式主要有三点：从源头保证数据真实性，别人的仿真参数多基于假设，而我们会通过实际测量获取不同材质、不同温度下的物理参数，确保测量误差在1%以内，从源头减少系统性偏差；在训练时引入对抗性扰动，比如随机增减20%的物理参数，让模型学会应对不确定性，这样机器人学会的是“原理”，而不是死记硬背；与头部客户持续迭代，客户的真实测试结果就像“体检报告”，能帮助我们及时发现并修正问题。

仿真不是100%替代真实数据，而是“仿真为主、真实为辅”的方案，99%的训练用仿真数据完成，剩下1%用真实数据微调，既保证效率又确保安全，就像飞机驾驶培训，先通过仿真模拟训练，再结合实际飞行练习，仿真的核心是高效逼近真实，而非替代真实。

当机器人走向规模化，仿真数据正在成为底层能力

新京报贝壳财经：如果未来出现实力相当的竞争对手，贵公司更高层面的追求是持续研发更复杂的应用场景，还是进一步逼近真实世界的物理精度？

杨海波：核心是多样复杂场景的生成能力，因为我们本质上是构建一个可被学习的物理世界。这需要三个层面的努力：首先是在资产层面实现“看得见和摸得实”，让零部件、工具等在视觉和物理上都足够真实，比如不同材质的夹爪、不同硬度物体的力反馈都要精准；其次是在场景层面实现高度还原，要构建工厂、仓储、家居等复杂环境，应对动态变化、光照遮挡等情况，比如窗帘开关带来的光照变化都要真实模拟；最后是在任务层面不断丰富，要设计装配公差控制、异常情况处理、长程任务多步规划等多样化任务。面对竞争，本质是要在更多样的场景下实现更高精度的物理交互，提升场景自由度、接触复杂度和稳定性要求。人形机器人的难点不在于外形，而在于全身物理协同，这需要依赖复杂多样的物理信息才能实现。

新京报贝壳财经：您如何看待光轮智能自身的发展前景，以及整个行业的长期走向？

杨海波：用一句话定义光轮智能，就是“基于仿真技术打造物理 AI 时代的数据基础设施”。未来机器人产业规模化落地，最缺的不是概念，而是可训练、可验证、可复现的数据体系，谁能将仿真和数据做成基础设施，谁就能真正支撑物理AI的落地，这是我们的定位。

技术层面，我们会持续深耕全栈自研仿真，从自动化物理测量、物理属性库、高精度物理解算器，到场景和任务的“真实到仿真”生成能力，不断完善技术平台。行业层面，物理AI一定会从工具阶段走向基础产业阶段，未来机器人和智能体会像今天的手机、汽车一样，广泛应用于各个行业和城市角落，背后必然需要可靠的数据支撑，而这种支撑依赖于基于仿真的科学能力。我们希望光轮智能不仅能成为一家成功的企业，还能在中国物理AI赛道的长期竞争中，贡献一套可复用、可持续演进的基于仿真的底座能力，这是我们的使命。

新京报贝壳财经记者 罗亦丹 实习生 郭雯华

编辑 王进雨

校对 柳宝庆