全球首家具身數據獨角獸誕生：光輪智能完成10億元融資，開啟具身數據規模化元年｜甲子光年

具身智能正在進入自己的數據Scaling Law 時代，而光輪正在領跑這個時代。

作者｜王藝

編輯｜栗子

「甲子光年」獲悉，具身數據與仿真基礎設施公司光輪智能近日完成A++與A+++輪融資10億元融資。本輪融資完成后，光輪智能正式進入獨角獸行列，成為全球首家以具身數據為核心業務的獨角獸公司，也是目前全球具身數據規模最大、對具身數據生成與評測方法理解最深的企業之一。

本輪融資引入了多家產業場景方與財務機構，包括新希望集團、鼎邦投資（三安光電董事長家辦）、奧克斯、鼎石資管等產業投資機構，以及建投華科、國方創新、道禾長期投資、清新資本等財務投資機構。

2024年是硬件元年，2025年是模型元年，而2026年正在成為具身數據的規模化元年。在這一轉折點上，一批以數據為核心能力的基礎設施公司開始崛起，其中光輪智能已經成為全球具身數據規模最大的企業。

如果說2026是具身數據規模化元年，那么光輪智能已經成為這一輪規模化浪潮的領跑者。

行業競爭的焦點，正在從“模型能力”轉向一個新的核心變量：

數據。

但更準確地說，決定勝負的并不只是“誰擁有更多數據”，而是“誰更清楚什么樣的數據真正有效、什么樣的評測真正可信”。

「甲子光年」認為，2026年行業競爭的勝負手不會再主要體現在“誰的Demo更驚艷”，而會越來越集中在一個更樸素、也更本質的問題上：誰能以更高的可復用性，持續構建覆蓋更廣世界與更復雜交互、并經過有效評測驗證的高質量具身數據體系，支撐萬臺級交付后的指數級數據需求。這背后拼的已經不只是數據生成能力，更是對“什么樣的數據會轉化成模型能力”這件事的理解深度。

1.2026，具身數據規模化元年

過去兩年，具身智能賽道融資最常見的主角是“機器人本體公司”與“端到端大模型團隊”：一個講交付、一個講能力。但到了2026年，融資故事正在出現第三種主角：數據與仿真基礎設施公司。

光輪智能此次完成10億元融資，本質上意味著市場開始用更“底層”的方式給具身智能定價：不再只為某個單點能力或某個炫目Demo付費，而是為“可復制的工程體系”付費。

在具身智能行業里，真正稀缺的并不是單次訓練數據，而是能夠持續運轉的數據系統。現實世界中的機器人訓練往往依賴具體場景與設備條件，很難形成穩定的數據循環。而仿真合成數據的核心價值，在于把這些離散訓練過程轉化為可并行、可復制、可統計的數據系統。當真實世界數據尚未形成規模化循環時，誰能把仿真資產、數據生成與評測流程構建成持續運轉的數據系統，誰就更接近行業的基礎設施層。

這一轉向正在工業界得到驗證：在機器人操作領域，數據擴展規律已經被更系統地研究與量化——去年11月，Generalist發布了GEN-0模型（用27萬小時的數據訓練而成）的同時，聲稱首次在機器人領域驗證了類似語言模型的Scaling Law，即隨著預訓練數據和計算量的增加，下游任務性能呈現可預測的冪律提升。

預訓練期間模型規模與下游零樣本任務計算量之間的關系，圖源：Generalist

換句話說，具身智能的Scaling變量不再是token數量，而是世界覆蓋度——環境、物體與交互分布的多樣性。具身智能正在進入自己的數據Scaling Law時代。

這也解釋了為什么2026年會被很多產業方視作“具身數據規模化元年”：一方面，越來越多機器人廠商提出“萬臺級”交付目標，任務場景將從實驗室擴展到家庭、工廠與門店，數據分布隨之迅速擴張；另一方面，交付規模越大，模型迭代節奏越依賴穩定的數據供給。行業對數據的需求因此不是線性增長，而更接近指數級增長：本體越多、場景越雜、任務越長，數據缺口就越大。

于是，行業也在探索不同的具身數據體系：有人押注人類視頻擴大行為覆蓋，有人提升采集效率，也有人通過real-to-sim縮小真實與仿真之間的差距。

這些路線看似不同，指向的卻是同一個終點：把具身數據從“一次性采集”變成“持續運轉的數據系統”。

2.構建規模化具身數據引擎

光輪智能是一家數據與仿真基礎設施公司，也是目前全球具身數據規模最大的企業。和專注于大模型的企業不同，他們的核心目標不是簡單地“生成更多數據”，而是建立一套能夠持續定義、生成、驗證高質量具身數據的方法論與工程體系，幫助AI更好地理解和進入物理世界。

「甲子光年」認為，在通用策略的數據Scaling Law開始顯性化、行業競爭焦點從“秀模型”轉向“搶數據/搶評測標準”的當下，光輪智能正在領跑具身智能數據規模化時代。這其中，最值得行業關注的，是光輪智能的產品路線。他們把具身的研發流程“工程化”——像軟件行業的CI/CD（持續集成/持續交付部署）一樣，讓資產、數據、評測生成形成高頻閉環。更重要的是，光輪試圖把“什么樣的世界值得構建、什么樣的行為值得采集、什么樣的評測才真正有效”也一并工程化。

光輪在產品層面所建立的，是目前行業規模最大的具身數據引擎體系：World-Behavior-Eval。這套框架的關鍵不只在于它能規模化生成數據，更在于它試圖回答具身智能領域最核心的三個問題：什么樣的世界值得被建模，什么樣的行為值得被采集，什么樣的評測才能真實反映能力進步。它是一條“可規模化生成數據、也可規模化定義數據質量與衡量進步”的自動化流水線，并打通Real2Sim2Real。

光輪智能具身數據引擎體系，圖源：光輪智能

光輪智能創始人兼CEO謝晨博士告訴「甲子光年」，“具身數據不是采集問題，而是系統工程問題。World定義數據分布，Behavior通過人工示范、自動化策略與Agent系統生成訓練信號，Eval提供能力反饋。只有三者形成閉環，數據系統才能持續驅動模型能力提升。”

在“World”層面，具身的“世界”難點不在于畫面好看，而在于物理與空間結構可信，以及能否把真實世界的物理屬性（材料、摩擦、接觸等）規模化地映射到可復用的仿真資產中。

訓練機器人，首先要給它一個足夠真實的“練習場”。仿真的核心難題在于物理可信——布料、液體、金屬摩擦，任何參數偏差都會讓機器人到了真實場景中“水土不服”。光輪圍繞求解、測量、生成三位一體的全棧自研技術架構，自研求解器支持剛體、柔體、流體等多物理場高精度實時求解；首創物理測量工廠與虛實對標方法論，將真實物理參數系統數字化；配合大規模非剛體資產生成能力，形成從物理真實到數據規模化的完整自研閉環。

更關鍵的是，光輪并不把“測量”理解為簡單采集更多參數，而是要判斷哪些物理屬性真正決定策略泛化、哪些世界細節必須被精確保留、哪些長尾交互最值得優先進入訓練分布。

在“Behavior”層面，具身數據的結構性矛盾是：行業還沒有足夠多的機器人在真實場景里持續產生日志數據，因此“預訓練燃料”很難像自動駕駛那樣自然涌現。

當前機器人仍缺乏穩定的數據來源，具身數據尚未形成類似自動駕駛那樣的規模化數據循環。光輪構建了全球最大規模的非本體數據引擎，通過仿真合成數據與人類行為數據（EgoSuite）兩條路徑構建具身數據體系。國際主要具身智能團隊中超過80%的仿真資產與合成數據來自光輪，這也使得光輪成為目前全球具身仿真數據規模最大的供應方。

但在光輪的理解里，Behavior的核心并不是“采更多視頻”或“堆更多Demo”，而是擴大有效行為分布并提升行為信號密度。：哪些動作模式有助于泛化，哪些示范存在重復冗余，哪些交互分布是模型真正缺失的，這決定了數據的真實價值。在這一過程中，Behavior層也在逐漸從人工示范走向自動化策略與Agent系統，通過程序化方式持續生成、篩選與擴展交互數據。

如果說“World”與“Behavior”解決的是“能不能生成數據”的問題，那Eval解決的則是“數據生成是否真的在推動能力提升”的問題。

數據有了，還得知道“訓練究竟有沒有用”。沒有統一嚴苛的標準，各家進展就像用不同尺子量長度，無從比較。去年年底，光輪推出了RoboFinals評測標準。這是業內首個工業級、可規模化、真實可信的具身仿真評測平臺，專為尖端機器人基礎模型評測而生。某種意義上，RoboFinals不只是“測模型”，更是在定義具身智能里什么才算真正的能力進步。

光輪智能RoboFinals評測產品，視頻來源：光輪智能

其核心Benchmark RoboFinals?100覆蓋100項任務，面向家庭、工廠、零售等真實應用域，重點覆蓋剛體、關節體以及電纜/布料/液體等可變形材料的交互難題，并支持桌面機械臂、移動操作、全身locomanipulation等多類機器人本體評測。

World、Behavior與Eval三層系統協同，構成具身數據引擎。

通過World、Behavior與Eval三層系統協同，機器人模型的訓練、評測與數據生成能夠形成持續迭代的數據引擎。光輪是目前業內唯一同時覆蓋三要素的企業，使得世界生成、行為信號與能力評測能夠在同一系統中形成穩定閉環，從而構建難以被單點復制的數據基礎設施。

3.三項“國際交付冠軍”

在具身AI進入數據規模化時代的背景下，光輪智能已經率先跑出。

據「甲子光年」了解，光輪智能已經在仿真合成數據、仿真評測、人類視頻數據三個維度均摘得全球交付冠軍，成為目前全球唯一同時覆蓋三類具身數據能力并實現規模化交付的企業。

在合成數據領域，光輪已建成全球交付規模最大的仿真合成數據Pipeline，覆蓋海量物體、場景與物理屬性組合，為機器人模型訓練提供高多樣性的世界數據，全球主要具身團隊的仿真資產體系中，超過80%建立在光輪提供的資產與合成數據之上。

在仿真評測領域，光輪推出工業級機器人評測平臺RoboFinals，并攜手NVIDIA聯合開源發布Isaac Lab-Arena具身評測基準框架，逐步確立具身AI領域的標準化評測體系；聯合通義千問共建可復現、可診斷的工業級評測閉環，合力推動具身智能評測行業基座的確立。

在人類視頻數據領域，光輪的行為數據節點系統已覆蓋全球7個國家、2500+個不同環境，執行50000多種多樣化任務，每周穩定生成超過50000小時具身行為數據，累計交付超100萬小時高質量人類行為數據。

“真正的具身數據基礎設施不是‘數據工廠’，而是一個自動化閉環：生成數據、驗證能力、理解行為，然后再反向優化數據。”謝晨博士表示。

在不少業內人士看來，光輪已經成為具身AI研發流程中不可或缺的數據與仿真基礎設施。這些國際頂尖具身團隊之所以持續選擇光輪，也并不只是因為其交付規模大，更因為它能夠幫助團隊回答一個更關鍵的問題：什么樣的數據最值得生成，什么樣的評測最值得相信。

其客戶名單堪稱全球AI界的“全明星陣容”——不僅深度覆蓋了NVIDIA、DeepMind、字節跳動、阿里等全球最頂尖的大模型公司，還包括Figure AI、1X Technology、智元機器人、銀河通用等機器人本體廠商，以及Toyota、BOSCH、比亞迪、吉利等全球汽車巨頭。全球前五的世界模型團隊均已與光輪展開合作。

光輪智能的商業化進展也勢如破竹。據悉，光輪智能2025年的營收預期將是2024年的10倍，且今年預計Q1收入就已超過去年全年。這不僅證明了其商業模式的極高健康度，更標志著在商業交付上的巨大成功。

4.物理AI時代的數據與仿真基礎設施

隨著具身數據規模化時代的到來，機器人產業的基礎設施格局，或許正在被光輪智能這樣的公司重新定義。

光輪智能的目標，從來不是制造某一款機器人，而是成為物理AI時代的數據與仿真基礎設施。憑借在仿真數據、行為數據與評測體系上的領先規模，光輪已經成為全球具身數據領域最重要的基礎設施企業之一。如果說規模定義了光輪的產業位置，那么對“什么是好具身數據”的理解，則定義了它的行業高度。

“在物理AI時代，基礎設施的定義在發生改變：它不只是算力，而是能夠訓練世界、生成行為數據并評測智能能力的數據與仿真系統。”謝晨博士說。

「甲子光年」認為，物理AI時代的“基礎設施”有一個與互聯網時代完全不同的前提：數據不只來自傳感器采集，更來自對真實世界物理屬性的系統化測量與可規模復現。在機器人任務中，決定策略能否穩定泛化的往往不是“有沒有畫面”，而是“有沒有物理”——材質、摩擦、阻尼、形變、接觸、碰撞、柔性物體與液體等長尾交互細節，決定了同一個動作在不同場景下會不會變成失敗樣本。要把這些“物理細節”變成可訓練的數據供給，必須建立從物理測量到資產生成、再到數據生成的工程閉環，而不是停留在一次性項目交付。

在這一意義上，本輪融資的股東結構值得被單獨點出來：光輪智能本輪融資引入了多家產業場景方與財務機構，包括新希望集團、鼎邦投資（三安光電董事長家辦）、奧克斯、鼎石資管等產業投資機構，以及建投華科、國方創新、道禾長期投資、清新資本等財務投資機構。

「甲子光年」的判斷是：產業場景方的進入，不僅是資金層面的支持，更意味著一種“數據邊界”的外擴——當產業方把真實業務場景、真實物體、真實流程帶入合作鏈條，光輪的具身數據生成與物理測量能力就能被延伸到更廣泛的真實應用場景，進而大幅拓展具身數據與仿真資產的來源邊界：哪些物體值得被測量、哪些場景值得被資產化、哪些交互應當優先被規模化覆蓋，會從“技術判斷”變成“產業共建”的系統工程。

完成A++與A+++輪融資后，光輪智能計劃進一步擴大其全球數據生成能力，并持續投入物理仿真引擎研發與全球數據生成網絡建設；公司正在多個國家和地區布局行為數據節點，目標是構建一個覆蓋不同文化、不同場景、不同物體類型的全球化行為數據網絡。

「甲子光年」認為，這種“全球節點+產業場景共建”的路徑，本質上是在為萬臺級機器人交付做準備：只有當數據供給具備網絡化擴展能力，行業迭代速度才可能保持可控。

在物理AI時代，決定行業上限的不再只是模型能力，而是數據與仿真基礎設施。 光輪智能，正在構建這一基礎設施層。

如果說2026是具身數據規模化元年，那么光輪智能已經在這一輪規模化浪潮中率先跑出。

（封面圖來源：AI生成）