光輪智能20億美元估值引領全球具身數據基礎設施｜甲子光年

估值重塑，數據與評測基礎設施成為具身產業估值中心。

作者｜周悅

編輯｜栗子

具身智能的市場邏輯，正在變化。

過去兩年，行業談具身智能，最關注模型和本體：誰的“大腦”更強，誰的人形機器人更像人，誰的動作更精準。這些構成了具身智能最直觀的能力表現。

這符合新興產業的演進邏輯。每一個技術周期啟動時，最先站在聚光燈下的，往往是最接近用戶、最具想象力的公司。一如自動駕駛早期，市場首先聚焦于整車和Robotaxi；大模型爆發之初，資金優先追逐模型和應用公司。在具身智能的啟動期，模型和本體率先獲得高估值，同樣是產業發展的自然結果。

然而，當技術產業從“實驗室”走向“規模化”，市場的定價邏輯往往會向更底層的位置收斂。

自動駕駛催生了支撐數據生產體系的Scale AI；大模型時代真正站到產業C位的，則是提供算力基礎設施NVIDIA。技術越是走向規模化落地，行業就越依賴能支撐全行業持續迭代的底層基礎設施。

進入2026年，具身智能也迎來了這一拐點：決定物理AI能否實現規模化落地的，不再單純取決于模型參數、本體形態或單點能力，而是取決于誰能提供支撐機器人持續反饋、持續學習的數據與評測基礎設施。

資本市場正敏銳地捕捉到這一信號，并開始對具身智能的基礎設施板塊重新定價。

近日，光輪智能宣布完成新一輪融資。本輪由螞蟻集團領投；建投投資、大灣區共同家園基金、森馬方道基金、山東孚弘（工業富聯參與管理產業基金）、芯能投資、臨芯投資等知名國資、產業以及財務機構共同參與；同時，三七互娛、國方創新、道禾長期投資、鼎石資管等老股東超額跟投。

光輪智能估值超過20億美元，在短短兩個月內實現估值翻倍。這一數字不僅刷新了全球具身數據與評測基礎設施領域的估值紀錄，也重塑了物理AI數據與評測基礎設施產業的估值格局。

在「甲子光年」看來，具身智能數據與評測基礎設施正在成為行業新的估值焦點。

光輪智能，正處在產業焦點的核心。

1.具身數據規模化元年，數據與評測基礎設施成為新的價值中心

在大語言模型時代，AI產業最核心的基礎設施是算力。GPU、CUDA、訓練集群、推理服務和云基礎設施，支撐了過去十年AI的快速爆發。

與此不同，物理AI的Scaling Law，并不只發生在參數和算力上。它正在逐漸從參數Scaling，轉向數據、環境與反饋的Scaling。機器人要學習的是物理世界，它需要處理力、接觸、形變、失敗和反饋，這遠比單純的文本和圖像復雜。更重要的是，真實的物理世界無法無限試錯，也不能隨時重置。

因此，具身智能要真正進入規模化階段，核心問題不再只是“誰先造出機器人”，而是誰能持續提供兼具規模化和高質量，且可被評測驗證的數據。

2025年中后期，具身企業Generalist的模型能力突破把具身數據Scaling Law推向臺前。它第一次向行業驗證，機器人模型能力的躍遷，不只來自更大的模型，也來自高質量數據的持續供給。其背后展現的，是具身智能進入預訓練時代后，對底層數據基礎設施的系統性需求。

光輪智能在這一規律被市場看清之前，就已經完成了前瞻性布局。Generalist等前沿模型探索，也有其底層基礎設施的支撐。當Generalist明確了行業方向后，光輪智能順理成章成為率先承接需求、并推動行業進入規模化階段的基礎設施公司。

進入2026年，這一判斷開始從模型進展走向商業驗證。今年第一季度，光輪智能新增訂單達到5.5億元，一季度收入超過去年全年，刷新具身數據行業紀錄，推動行業加速步入“具身數據規模化元年”。

這些訂單反映了海內外市場的兩股剛需：一類是具身大模型和世界模型團隊進入持續訓練、迭代和評測階段；另一類是工業、物流、農業、家電、汽車等真實產業場景，開始為機器人訓練、驗證與部署投入真金白銀。光輪智能恰好站在這兩條需求曲線的交匯點上。

目前，光輪智能已構建起完整閉環：既能生成高質量人類與合成數據服務訓練，也能圍繞場景展開規模化的仿真評測，并基于部署提供真實反饋。物理AI時代，模型訓練、評測驗證和產業部署，都依賴同一套基礎設施來進行持續學習與迭代。

這也是光輪智能被市場重新定價的底層邏輯。大模型時代NVIDIA被一次次重估，不只是因為GPU硬件本身，而是因為GPU、CUDA和訓練集群構成的計算底座，成為整個產業擴張的剛需。進入物理AI時代，相似邏輯正在遷移：模型和本體要持續進步，必須有可規模化的數據供給、可復現的評測體系和真實反饋閉環基礎設施。而光輪智能，就在提供物理AI數據與評測的閉環基礎設施。從這個角度看，螞蟻集團領投，多家國資、產業基金和老股東跟投，不僅是對光輪智能的認可，也是產業資本開始重新評估物理AI基礎設施長期價值的明確信號。

2.人類、仿真、部署全閉環：光輪智能把物理AI數據與評測做成了基礎設施

光輪智能的核心壁壘，并不在于押中了某一條單一的數據路線，而是因為它從一開始就定位為物理AI的基礎設施。

這是一套貫穿訓練、評測與部署反饋的物理AI數據與評測基礎設施。其核心能力，由全棧自研三位一體的仿真內核、人類視頻數據和真實部署的回流反饋共同構成。

首先，是仿真。

光輪智能底層最核心的能力，來自“求解—測量—生成”三位一體全棧自研仿真平臺。求解負責在虛擬環境中還原力、碰撞、接觸和形變，讓仿真在物理上可信；測量負責把材料、接觸、摩擦、形變等真實物理屬性帶入系統；生成則把這些物理規律規模化擴展為可訓練、可評測、可復用的仿真世界。

這也是光輪智能數據與評測基礎設施的技術內核。

在這一體系中，仿真是連接數據生成、模型訓練和能力評測的中樞：一端通過仿真評測暴露模型在不同任務、環境和物理交互中的能力邊界。評測不僅決定模型是否真正進步，也決定下一輪數據與訓練應該如何演化；另一端把真實世界經驗擴展為大量可訓練數據。它一方面通過仿真評測判斷模型能力邊界，并反向定義下一輪數據需求；另一方面通過仿真合成數據，把來自人類視頻、遙操作和真實場景的任務經驗，自動擴展為多場景、多擾動、多物理參數下的仿真合成數據。

其次，是人類視頻數據。

機器人要進入真實世界，首先需要理解人類如何在真實環境中行動：如何開門、抓取、整理、裝配，如何在復雜任務中分解步驟、處理異常、修正動作。人類視頻數據提供的不是靜態樣本，而是真實世界中的操作經驗、任務結構和行為先驗。

外界過去容易把光輪智能理解為仿真公司，但這并不完整。實際上，光輪智能已經將人類數據與仿真打造成一套閉環的基礎設施，并且人類數據交付量全球第一。它的人類視頻數據產品，覆蓋25,000+環境節點、100,000+任務種類，累計交付超150萬小時高質量人類數據。對模型團隊來說，這些數據不只是讓模型“看見世界”，更是讓模型理解人類如何在物理世界中完成任務。

再次，是真實部署反饋回流。

物理AI最終必須回到產業現場。

場景部署，不是閉環之外的終點，而是閉環內最重要的反饋來源。真實部署會暴露新的任務分布、新的失敗模式和新的場景約束，這些反饋再回到數據、仿真和評測系統中，成為下一輪訓練和能力診斷的依據。

由此，光輪形成的是一套持續進化的物理AI數據與評測閉環基礎設施。

仿真內核保證物理可信，人類數據提供真實經驗，仿真評測判斷能力邊界，部署反饋帶回真實問題。三者不是簡單并列，而是在同一套系統里不斷循環、不斷校準、不斷提升。也就是說，人類數據、仿真評測和部署反饋構成了外層循環；而仿真中的“求解—測量—生成”三位一體，是讓這套循環持續運轉的技術內核。

人類視頻數據提供真實世界的人類行為與任務經驗；仿真則將這些經驗規模化擴展為仿真合成數據；評測判斷模型能力邊界，并指出下一輪數據需求；真實部署把模型帶回產業現場，產生新的失敗、反饋和任務約束；這些反饋再回流，推動下一輪數據生成、仿真擴展、評測迭代和真實部署。這套內核與外循環共同指向一個結果：更高質量的數據與評測能力。

對頭部客戶來說，選擇光輪智能，不只是因為它能交付高質量數據，而是因為這些數據來自一套持續驗證、持續提升的基礎設施。數據質量、評測標準和反饋閉環，正在成為物理AI時代新的核心資源。光輪智能正在做的，正是把這些底層能力從項目型交付，變成可以被反復調用、持續進化、支撐全行業迭代的基礎設施。光輪智能的人類、仿真、部署全閉環的最終落點，不是數量，而是質量；不是一次性交付，而是更高質量、持續進化的物理AI基礎設施。

3.從基礎設施到規則層：光輪智能正在定義物理AI數據、仿真與評測的國際標準

當數據、仿真和評測能力被產業各方高頻復用，其方法、接口和評價體系，便開始沉淀為行業的共同標準。

如果基礎設施解決的是“行業能不能跑起來”，那么標準解決的是“行業能不能在同一套底層秩序上跑得更遠”。具身智能的下一階段競爭，正在從單點技術能力的輸出，演變為對行業生態標準的定義。

物理AI要實現產業規模化，行業必須回答一系列底層問題：如何定義高質量數據？如何定義高質量仿真？如何定義高質量評測？模型應該如何被訓練、驗證和部署，以及部署反饋如何重新進入訓練系統，持續提升？

誰能深度參與這些問題的定義，誰就更有機會在下一階段產業演進中占據關鍵位置。而光輪智能，正在通過三個維度參與這些底層標準的構建。

第一，數據質量標準。

對頭部模型團隊來說，真正關鍵的不是“更多數據”，而是規模化的高質量數據，只有高質量數據，才能持續轉化為模型能力提升。

對光輪智能來說，高質量數據并不依賴單純采集，而是在其“內外雙循環系統”中形成的：外層由人類數據、仿真評測和部署反饋形成循環，內層則由“求解—測量—生成”三位一體的全棧自研仿真平臺，數據質量因此不只依賴單次采集或人工質檢，而是能夠在生成、訓練、評測、部署和反饋中不斷被驗證和提升。

這種閉環能力在商業上直接轉化為一個核心指標——“數據復售率”（即單位小時的光輪數據能夠出售給多少個不同客戶）。一份高質量數據可以在不同客戶、不同模型階段和不同任務體系中持續流通并產生更高價值。這一指標越高，意味著數據質量越穩定，光輪智能對數據的定義能力越強，質量越高，客戶認可度也越高。

光輪智能聯合創始人兼總裁楊海波介紹，光輪智能在優質場景的數據，復售率已經能夠超過10倍。這一指標不僅印證了其數據的穩定性與客戶認可度，也是其2026年一季度新增的5.5億元訂單的底層支撐之一。

第二，仿真標準。

2026年，光輪智能接受Google Deepmind、NVIDIA和Disney Research的聯合邀請，作為核心指導委員加入開源GPU加速物理引擎Newton。光輪智能將在關鍵具身仿真技術方向上發揮主導作用，與NVIDIA、Google DeepMind、Disney Research、Toyota Research Institute四家國際頂尖機構共同推動下一代開源物理AI仿真標準。

Newton TSC的出現，標志著全球物理AI仿真基礎設施正在走向統一。過去，GPU并行計算、高精度接觸動力學、復雜機構求解、機器人學習生態和工業級驗證長期分散在不同體系中。Newton把這些能力放進同一個開放架構中，定義下一代仿真系統如何設計、如何演進、如何被全球開發者和產業場景共同采用。

在Newton TSC中的5位頂尖仿真專家中，Miles Macklin博士、Yuval Tassa博士、謝晨博士、Moritz B?cher博士、Michael Sherman博士，分別代表了Warp仿真、MuJoCo仿真、基于“三位一體”定義SimReady、Kamino仿真、與Drake仿真等全球核心技術路徑。

光輪智能進入Newton，意味著它不再只是全球仿真生態的參與者，而是開始參與下一代物理AI仿真基礎設施的規則共建。與此同時，在仿真基礎設施的落地方面，光輪智能也與摩爾線程圍繞算力、仿真平臺與數據評測能力展開合作，聯合打造國產自研仿真合成數據方案，以國產算力與仿真的深度融合，為具身智能發展夯實自主可控的基礎設施。

第三，評測標準。

在評測生態中，光輪智能與NVIDIA聯合推進Isaac Lab-Arena等評測框架建設，自研LeIsaac仿真平臺被Hugging Face官方文檔收錄；與通義千問、World Labs等世界前沿團隊持續開展評測與世界生成方向合作；這些合作的核心，不只是共建項目，而是推動評測走向可復現、可對比、可規模化的行業標準。

在標準組織與測試評價體系層面，光輪智能成為全國首批具身智能行動計劃中數據領域唯一民企，參與高質量數據集建設與具身智能數據基礎設施完善，并聯合全國信標委、工信部相關標委會等機構推進標準體系建設。

截至目前，光輪智能已主導或參編20項相關國家、行業相關標準，覆蓋數據質量、仿真平臺與工業高質量數據集等重點領域。同時，還與國家機器人檢測和評定中心（總部）達成合作，共同推動具身智能關鍵基礎設施與工業級測試評價標準建設。

光輪的角色正在發生變化。它不只是為客戶交付數據和評測，而是在把自身的數據質量、仿真能力、評測體系和產業經驗，持續沉淀為行業的共同標準。

4.數據不是燃料：光輪智能要做物理AI的教育系統

當具身智能從實驗室走向真實世界，一個本質問題開始浮現：機器人到底該如何學習？

人類的認知獲取是一個長周期的持續過程。從基礎教育、高等教育到終身學習，個體不僅需要汲取知識，更要經歷反復的嘗試、迭代和來自外部的反饋和挑戰。

機器人理解物理世界，也需要經歷這樣的過程。這正是光輪智能的底層邏輯：它在搭建一套教機器人持續學習的教育系統。用人類數據提供真實示范，以仿真世界提供訓練環境，用評測體系判斷能力邊界，再通過真實部署把新的反饋帶回下一輪訓練。

這也解釋了光輪智能創始人兼CEO謝晨不希望將數據簡單地看作燃料。

燃料是消耗品，核心在于供給、價格和效率；教育是系統工程，本質在于學習、反饋和演進。燃料回答的是“機器能不能運行”，教育回答是“機器人能不能形成認知且持續進化”。而持續學習能力，最終會決定機器人能力的長期上限。

正因如此，光輪智能選擇同時做人類數據、仿真評測和部署反饋。因為真正的教育必須以終為始，從“學生”最終要進入的真實世界出發。真實產業場景定義了機器人未來必須具備的能力，也反向定義了它今天應該學習什么。光輪非常重視質量、反饋、復盤和持續改進。只有這樣才有能力建設一套面向物理AI的教育系統。它考驗的不只是企業的交付能力，更是對技術能力、質量保障、反饋機制和持續改進的工程敬畏。

這正是光輪智能估值短期內翻倍、再次刷新全球估值紀錄的深層原因。過去十年，NVIDIA之所以進入AI產業中心，是因為它定義并支撐了大模型時代的計算基礎設施；而光輪智能，不僅是因為它領先的產品技術能力和商業落地能力，更主要的是定義了物理AI時代的數據與評測基礎設施。

光輪選擇的是一條更長期、更底層、也更接近物理 AI 產業終局的路。隨著 2026 年具身智能規模化元年的開啟，物理 AI 的價值重心，也正在從模型與本體，進一步走向數據、評測與持續學習基礎設施。而光輪智能，正在這場產業范式遷移中，占據越來越核心的位置。

（封面圖來源：AI生成）