在一家新能源汽车公司里，一台机器人正在学习完成一项精密任务——装配电池模组。视觉传感器快速扫描，精准识别出不同规格的零件；机械臂随即灵活调整角度，以最优轨迹接近；柔性夹爪轻柔抓取，内置的力觉反馈实时微调，确保零件既不被捏损又能稳稳固定；最后将零件精准平稳地推入卡槽，整套动作一气呵成。

令人惊叹的是

这台机器人从“新手”到“出师”

仅用了七天

而就在几个月前，完成同样的训练，需要企业搭建专用训练产线，准备海量的真实零件，由工程师全程监护调整，每一次碰撞都要停工更换零件，机器人要反复试错数十万次，耗时数月且成本极高。而如今，机器人可以在虚拟空间里同时进行成千上万次并行训练，零件可无限复制，场景能任意组合，甚至能模拟零件形变、偏差等真实生产中的突发状况，让企业快速提升机器人训练效率的同时，训练成本降低至原来的十分之一以下。

这背后，是海淀企业光轮智能（北京）科技有限公司（以下简称“光轮智能”）对仿真数据技术的极致打磨，它为具身智能打造了一个“仿真训练场”。据介绍，光轮智能致力于以高质量仿真合成数据与物理AI技术驱动具身智能走向现实世界。目前，全球前五的世界模型团队已全部与光轮智能开展合作，在国际主要具身智能团队中，超过80%的仿真资产和合成数据来自光轮智能。

物理AI的“燃料”从哪里来

2022年深冬，在一次关于人工智能趋势的思考中，一个关键问题被反复推演：当人工智能的浪潮从数字世界涌向物理实体，驱动它持续进化的“燃料”从何而来？“当时，大模型正如火如荼，大家热议的是参数规模、算法创新。但我们看到了更底层，也更迫切的瓶颈。”光轮智能联合创始人兼总裁杨海波回忆道。

在他看来，物理AI面临一个天然的数据困局：大语言模型的成功，建立在人类数十年积累的互联网公开文本数据之上；自动驾驶的演进，依靠全球车队源源不断的真实路采数据。然而，当具身智能以机器人等形态进入千行百业的物理世界时，所需的高质量、规模化的交互数据几乎不存在。

“不可能为了训练一个医疗手术机器人，就让它在真实的手术室里‘试错’；也不可能为了让工业机器人学会装配精密器件，就放任它在产线上碰撞报废。”杨海波分析道，“真实数据采集成本极高、风险极大、周期极长，且高度绑定特定本体和场景，难以被规模化复用。”

这一判断让结论逐渐清晰：物理AI的突破，必须率先解决数据供给问题。而唯一能够实现海量、安全、高泛化性数据生产的方式，就是仿真合成数据。

2023年初，光轮智能正式成立，从诞生之日起，就锚定了“致力于构建物理AI数据与仿真基础设施”这一战略定位。光轮智能选择从底层能力入手：深耕仿真引擎的物理精度与计算效率，确保数据的高保真，同时将技术与产业需求深度对齐，确保数据能真正驱动千行百业的智能进化。这种从起点就确立的、对数据困局的深刻洞察，与技术发展结合产业需求驱动的模式，成为了公司发展的核心基因。

让虚拟世界“用起来真”

“仿真，尤其是面向机器人复杂交互的高保真物理仿真，是技术攻关的‘珠峰’。市场上的游戏引擎或传统工业仿真软件，或追求视觉炫丽而非物理真实，或计算迟缓无法支撑AI训练所需的海量并行，或底层封闭难以适配多样化的国产机器人本体与算力生态。”杨海波告诉记者，而光轮智能选择了最艰难但也是最根本的道路：全栈自研。

杨海波说，这不仅是为了技术自主，更是因为，只有自研才能让我们根据机器人训练的真实需求，深度优化整个数据生产流水线。

基于这一核心理念，光轮智能走出了一条独特的技术路径。公司首创了“求解—测量—生成”三位一体的全栈自研仿真技术范式，系统性攻克物理仿真领域的核心难题。

求解方面，传统求解器在处理柔性体、复杂接触等百万级自由度计算时，常面临吞吐量不足、难以适配国产算力等制约。光轮智能通过自主研发的GPU物理求解器，原生支持国产GPU，以高吞吐、高稳定的并行计算能力，为大规模训练与数据生成提供了核心支撑。

测量方面，传统仿真依赖工程师经验设定参数，导致模拟失真。光轮智能则构建了全自动的虚实对标物理测量工厂，通过自研高精度设备，精确捕获材料、摩擦、刚度等真实物理特性，建立了基于“真值”而非“经验值”的物理属性数据库，从源头确保仿真输入的准确性。

生成方面，市面上多数仿真资产仅具视觉真实，缺乏交互真实。光轮智能在精准求解与测量的基础上，生成与物理信息严格对齐的仿真资产与场景，实现了视觉与物理交互的双重保真，并以此定义了全球广泛认可的物理仿真资产规范。基于此，三方面闭环协同，构建出一个高度拟真的“数字平行宇宙”。

以被视为行业级难题的“柔性线缆装配”为例。线缆柔软易变形，受力情况极其复杂，光轮智能通过其自研求解器与高保真实测参数，在虚拟环境中成功模拟出线缆在各种抓取、缠绕、插拔状态下的精确形变与多维度力反馈，使得机器人能够在此稳定习得技能，并最终无缝迁移至真实产线。

“我们的目标，是让仿真世界不仅仅是‘看起来像’，更要‘用起来真’。”杨海波说。这种对物理真实的极致追求，构成了光轮智能最深厚的技术护城河。

全球80%主流头部企业“入场”

过硬的技术迅速赢得了市场的认可。目前，光轮智能的仿真合成数据服务，已覆盖全球前五的世界模型研发团队。在国际主流的具身智能头部企业中，超过80%使用光轮提供的仿真资产与训练场景。其客户名单包括阿里巴巴、字节跳动、智元机器人、银河通用、比亚迪等全球顶尖科技公司。

2026年，光轮智能再次向前迈出关键一步：推出全球首个具身智能工业级仿真评测平台——RoboFinals。该平台设计了超过100项涵盖操作、移动、认知等维度的标准化任务，为各类“机器人大脑”提供统一、客观的能力标尺。

“这不仅仅是提供一个训练场，更是建立了一套‘高考’体系。”杨海波比喻道。例如，在与阿里巴巴通义千问团队的深度合作中，双方共同定义了一系列工业场景的复杂任务与评测标准。

近日，光轮智能已受邀作为核心指导委员加入开源GPU加速物理引擎Newton，在关键具身仿真技术方向上发挥主导作用，与NVIDIA, Google DeepMind, Disney Research, Toyota Research Institute共同引领推动下一代开源物理AI仿真标准。与此同时，光轮自研的LeIsaac已被HuggingFace官方文档采纳为具身仿真的标准框架，成为全球开发者进入该领域的统一工程范式，直接定义了大规模开发实践的起点与边界。

从仿真世界建构，到数据生成，再到能力评测，光轮智能构建了完整的产业赋能闭环。其仿真平台每周能生成上万小时的高质量训练数据，规模已达百万小时级别，远超任何真机采集可能达到的体量。在物流分拣、精密装配、医疗模拟等多个场景中，帮助企业将机器人训练效率提升十倍以上。

做物理AI时代的“数据江河”

光轮智能的快速成长，离不开其扎根的土壤。“海淀给我们的远不止是人才和政策。”杨海波感慨道，“这里有一种独特的‘认知密度’和创新生态，让我们始终能与最前沿的思想、最迫切的需求同步。”

海淀区汇聚了中国最顶尖的高校、科研院所与科技企业，形成了从理论创新、技术研发到产业应用的完整链条。对于光轮智能这样需要持续吸纳跨学科顶尖人才，比如物理、计算机图形学、机器人学、AI等领域人才，并深度理解各行业场景的公司而言，这里是天然的沃土。

更重要的是生态协同。“在海淀，你可以在3以公里内找到算力伙伴、算法公司、机器人本体厂商和最终用户。”杨海波说。光轮智能与国产算力企业摩尔线程深度合作，优化仿真平台在国产芯片上的性能；与机器人公司银河通用等共同打磨仿真-真机迁移流程。这种紧密的产业协同，加速了技术迭代与落地应用。

“这正呼应了国家在‘十五五’期间强调的加强原始创新和关键核心技术攻关。”杨海波表示，光轮智能的实践，正是通过市场化机制，联合产业链上下游，打通从战略牵引到市场转化的全链条创新生态，共同攻克仿真合成数据这一基础环节，为中国把握具身智能产业主动权夯实地基。

随着新一轮融资完成和订单超过5.5亿元，光轮智能站在了新的起点，但其愿景远不止于商业成功。“如果将未来的智能社会比作一个生命体，算力是心脏，算法是大脑，那么数据就是奔流的血液。”杨海波描绘着他的构想，“光轮智能想做的，就是确保流向那些机器人、智能装备的‘血液’（数据）是充足、纯净且源源不断的。我们是在构建整个系统的‘循环系统’。”

公司的规划路径清晰而雄心勃勃：到2027年，服务上千家企业，形成完整的产业赋能网络；到2030年，其自研的仿真数据基础设施，要能够支撑起一个万亿级规模的具身智能大市场。

届时，从工厂里灵巧作业的工业机器人，到家庭中提供陪伴服务的护理机器人，从医院里辅助医生的手术机器人，到仓库中自主穿梭的物流机器人……它们的“童年”和“职业教育”，可能都将始于像光轮智能构建的“仿真训练场”中。在这里，它们以极低的成本和极高的效率，学会与物理世界安全、精准、智能地共处，然后将能力注入实体，真正改变我们的生产与生活。