在具身智能赛道爆发式增长的背景下，训练数据短缺成为制约行业发展的关键瓶颈。光轮智能凭借AI仿真合成数据服务，迅速成为这一领域的“卖水人”，为全球超过80%的主流具身智能团队提供仿真资产与数据支持，世界模型和多模态模型团队也纷纷成为其客户。这家成立于2023年的公司，通过精准填补市场缺口，在竞争激烈的AI领域占据了一席之地。
具身智能的火爆直接推动了数据需求的指数级增长。光轮智能联合创始人杨海波指出，具身智能对数据的需求量至少是自动驾驶的1000倍。自动驾驶本质是“防碰撞的视觉游戏”，而具身智能需要与物理世界深度交互，例如开冰箱门时感受磁吸阻尼的力，这种复杂的物理交互维度大幅增加了数据需求。自动驾驶有现成的数据回传体系，而具身智能则处于从零开始的阶段，应用场景的广泛性也进一步推高了数据需求。
面对真实世界数据获取成本高、效率低且存在安全风险的问题，仿真合成数据成为唯一可行的规模化解决方案。杨海波强调，仿真并非事后跟随行业趋势的选择，而是光轮智能自成立之初便确立的核心技术方向。公司通过全栈自研的“求解—测量—生成”三位一体技术路线，解决了线缆插拔等工业级难题。例如，在线缆仿真中，团队会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、拔出所需力度等真实物理参数，确保仿真数据与物理世界的高度一致。
高质量数据的产出是训练过程中的核心挑战。杨海波表示，数据底层质量必须真正对齐物理世界，合成数据需要与真实数据直接竞争。具身模型的演进会不断改变对数据的需求规范，数据提供方必须具备算法理解能力，从模型和算法的角度去理解数据需求。光轮智能通过与头部客户共创，在0到1的阶段将仿真与真实世界的误差压到最小，积累了大量宝贵经验，形成了兼顾质量和规模的供给能力。
在定价策略上，光轮智能采用按小时计价的方式，具体价格根据场景难度、任务复杂度和训练规模调整。杨海波指出，公司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。随着高质量数据的稀缺性日益凸显，一旦解决了客户“有无”的核心问题，价格就不再是关键，数据提供方将具备更强的定价能力。
尽管仿真数据在供给规模上比真机数据跨2到3个数量级，但“仿真与真实之间的差异”仍是行业面临的挑战。杨海波坦言，仿真中摩擦力参数预估偏大可能导致机器人在真实世界中抓不起物体。为应对这一风险，光轮智能从源头保证数据真实性，通过实际测量获取物理参数，确保测量误差在1%以内；在训练时引入对抗性扰动，让模型学会应对不确定性；并与头部客户持续迭代，利用真实测试结果修正问题。公司采用“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。
当被问及未来竞争策略时，杨海波表示，核心是提升多样复杂场景的生成能力。这需要在资产层面实现“看得见和摸得实”，在场景层面高度还原动态变化和光照遮挡等情况，在任务层面设计装配公差控制、异常情况处理等多样化任务。他强调，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。
目前，光轮智能的技术已广泛应用于医疗、农业和工业等领域。在医疗场景中，公司能够仿真脏器的物理特性；在农业场景中，模拟采摘任务的力学反馈；在工业场景中，解决线缆操作等复杂问题。杨海波认为，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将像今天的手机、汽车一样普及，而可靠的数据支撑将依赖于基于仿真的科学能力。光轮智能的目标是打造物理AI时代的数据基础设施，为中国物理AI赛道的长期竞争贡献一套可复用、可持续演进的底座能力。
