两周两轮20亿，全球最火具身数据公司爆发

投资界消息，光轮智能刚刚完成了一轮10亿元的战略融资。

本轮的投资方阵容相当有分量——中关村科学城基金、四川发展科创基金、山东发展科创投等政府基金都在列，巨人网络、宇信科技、宝通科技、中科产投、量图智策等产业和财务机构也参与其中。老股东方面，建投投资、三七互娱、森马投资继续跟投。

算起来，这已经是光轮智能近期连续完成的又一轮大额融资了。就在上个月底（5月末），他们刚宣布了一轮融资，当时估值已经冲到了150亿元以上。

连续融资背后，一个信号正在变得越来越清晰：具身智能的产业重心，正从模型和本体本身，悄悄延伸到支撑机器人持续学习的底层基础设施上。

机器人从实验室演示走向真实场景，挑战远不止完成单次任务这么简单。它还要能在长尾任务、复杂环境和持续反馈中不断提升能力。行业真正要回答的问题，也随之变成了一个更根本的命题：机器人到底怎么持续学习？

光轮智能切入的，正是这个命题的核心——支撑机器人持续学习的数据与评测基础设施。

物理AI基础设施进入窗口期

人工智能每一次重大跃迁的背后，都少不了基础设施的演进。

大语言模型的爆发表面看是算法和模型能力的突破，但底层真正撑起这片天的，是英伟达构建起来的一整套基础设施体系：GPU提供算力底座，CUDA连接开发者，TensorRT和DGX支撑模型优化、训练与部署，开发者生态持续放大应用创新。可以说，英伟达定义了数字AI时代算力、模型、开发者和应用之间的共同接口与基础设施底座。

每一次新兴技术进入规模化周期，都需要重新定义底层的工具链、标准接口和生态系统。如今，物理AI正在进入这样一个基础设施机会窗口期。

与大语言模型或者自动驾驶不同，机器人领域并不存在一个免费、标准化、可直接拿来用的预训练数据集。真实世界中发生的海量物理交互，并不会天然沉淀为可训练、可评测、可复用的具身数据。

机器人学习的是手与物体、机器与环境之间连续发生的物理交互——抓取、推动、装配、形变、摩擦、碰撞，这些复杂过程。这些经验如果不能被系统性地记录、转化和验证，机器人学习闭环就很难真正实现。

物理AI需要的不只是真机数据，而是一套跨本体、跨场景、跨任务的数据与评测系统。它不绑定单一机器人硬件，也不局限在单一场景里，而是能够被不同本体、不同模型、不同任务反复调用，持续产生经验、发现问题并反哺训练。

可以这样理解：如果说GPU和CUDA解决了AI时代模型训练与应用规模化的问题，那么在物理AI时代，数据、仿真、评测与部署反馈要解决的，就是机器人如何在真实世界中持续验证和迭代。

数据，正从服务变成基础设施

过去的数据公司很难成为真正意义上的基础设施，原因在于传统的数据交付往往是围绕单个客户、单个任务和单次训练展开的。项目一结束，数据价值大多就停留在当下了。这更像是一门依赖人力、周期和定制需求的服务生意。

但物理AI所需要的数据，完全不同。

机器人面对的是连续、复杂、不可穷尽的真实世界。要支撑机器人持续学习，数据必须是一套能够持续生成、验证、复用并反馈的系统。

同一份人类操作经验，可以服务多个机器人团队；同一个工业场景，可以支撑多个模型训练和评测；同一套评测结果，也能反向定义下一轮数据生产的方向。

这正是数据与基础设施之间的真正区别：服务型数据公司的收入依赖项目交付，做一单交一单；基础设施型数据系统的价值，则来自资产沉淀、复用次数、标准接口和客户网络。前者交付的是数据，后者沉淀的是可被持续调用的资产。

机器人学习的共性并不限定在单一机器人上，而是沉淀在任务结构、场景分布、物理属性、行为轨迹和反馈模式之中。这让数据复用成为可能。只有当这些共性被标准化为可调用的场景、任务、物理属性、行为轨迹和评测指标，数据才能真正实现跨客户、跨模型、跨本体的复用。

评测在这个过程中扮演着关键角色。它不只是单次训练后的验收环节，更是驱动数据产生复利的组织系统：人类经验和仿真持续供给学习素材，评测发现能力边界，部署反馈再把真实世界中的失败、异常和约束带回数据与评测系统，推动下一轮训练和验证。只有这套系统持续运转，机器人才能真正走向复杂场景。

据投资界了解，光轮智能的数据已经实现了最高10倍的复售率。这一指标的意义不只是销售效率的提升，更说明数据、场景和任务已经具备了标准化、可调用、可复用的资产属性。

物理AI时代被重新定价的，不再是某一份数据，而是数据持续生成、评测验证、标准化沉淀和资产化复用的能力。

光轮智能被市场持续看好，也正是源于此。

不止于数据，光轮智能搭建物理AI时代的数据与评测基础设施

曾经市场把光轮智能理解成一家数据公司。但数据其实只是个起点。

就像英伟达的价值早已超出GPU本身，演变成了一整套基础设施栈一样。

光轮智能的数据与评测基础设施已经形成了清晰的轮廓：它的核心不是算力调用，而是经验如何被采集，能力如何被评测，部署反馈如何回流，以及真实世界如何被转化为可训练、可验证的仿真世界。

总的说来，光轮智能的产品体系围绕机器人持续学习，形成了一套内外环结构。

从外层看，EgoSuite、RoboFinals和RoboStack分别对应数据、评测和部署反馈三大板块。

·EgoSuite沉淀高质量、规模化、跨本体的人类行为数据。它记录的不是简单动作，而是人类在真实世界中的观察、操作、纠错和长程任务经验，是机器人获得可规模化行为经验的入口。

·RoboFinals提供工业级规模化评测。通过标准化任务、可复现环境和可比较指标，它可以判断机器人模型学会了什么、能力边界在哪里、失败模式是什么，并反向定义下一轮数据需求。

·RoboStack连接真实部署反馈。机器人进入工厂、仓库、农业、物流等产业现场后，会持续遇到新的任务分布、异常情况、失败样本和现场约束；这些反馈被重新带回数据、仿真和评测系统，成为下一轮学习的起点。

内层则是SimFoundry。作为光轮自研的物理AI仿真基础设施，SimFoundry通过“求解—测量—生成”三位一体全栈自研技术，把真实世界规模化转化为可执行、可训练、可评测的仿真资产与场景，支撑数据生成、评测验证和真实反馈的持续迭代。

这样一来，几个产品便形成了清晰的协同：EgoSuite提供经验数据，RoboFinals验证模型能力，RoboStack回流真实部署反馈，SimFoundry则作为仿真基础设施，支撑数据生成、评测验证和真实世界反馈的持续迭代。

英伟达重新定义了AI时代的算力基础设施；光轮正在定义的，则是机器人走向真实世界所需的数据与评测基础设施。

机器人越走向真实世界，这套系统的价值就越清晰。

开放生态，共建物理AI时代的CUDA

基础设施的规模化，始于产品，成于生态与标准。

GPU奠定了算力底座，CUDA则把开发者、模型、工具链和应用纳入同一套共同语言。到了物理AI时代，类似的共同语言也在形成，只是连接的对象变成了数据采集、仿真生成、模型评测、产业部署和真实世界反馈。

对光轮而言，开放生态的半径进一步扩展，已经进入了基础设施建设本身的层面。

机器人进入真实世界，数据来自不同设备和场景，模型由不同团队训练，评测运行在不同仿真环境，反馈发生在不同产业现场。这些分散的能力必须进入同一套接口、质量和评测标准，才可能支撑机器人长期迭代。

围绕这套基础设施，光轮智能已经在数据采集、云与算力、世界模型和产业场景侧形成了合作网络。PICO、舞肌科技等伙伴提升人类行为数据采集的质量和标准化程度；阿里云、摩尔线程等提供数据生成、仿真训练和规模化评测支撑；生数科技等企业探索真实世界数据如何进入可生成、可交互、可训练、可评测的仿真环境；新希望、宝通科技等产业方则把数据与评测体系带入工业、矿业、农业等真实现场。

合作网络之上，平台规则开始变得更加关键。评测牵引数据，用统一基准识别模型能力边界，并反向定义下一轮数据需求；数据标准，让多源数据在统一结构、标注、时序和质量门槛下进入训练与评测体系；数据配方，则沉淀不同数据来源在不同任务、场景和模型阶段中的组合方法。

平台规则向前一步，就是行业标准。

数据需要在统一结构下复用，仿真结果需要在统一接口下比较，模型能力需要在统一评测基准下稳定评估。如今，光轮智能已受邀加入国际开源物理仿真引擎Newton技术指导委员会（TSC），与英伟达、谷歌 DeepMind、迪士尼研究院、丰田研究院四家顶尖机构共同推动下一代开源物理AI仿真标准建设。同时，光轮也与国家机器人检测与评定中心推进“真实+仿真”的评测体系建设。

从数据采集到仿真生成，从规模化评测到真实部署反馈，物理AI正在走向一套开放协作的基础设施体系。

「数据的英伟达」指向的，正是这种行业位置：把数据、仿真、评测、部署反馈和产业生态连接起来，成为机器人走向真实世界的共同底座。

一个新的产业周期，已然开始。