3個月5.5億訂單，光輪智能刷新具身數據紀錄

全球首個具身數據獨角獸光輪智能，2026年一季度狂攬5.5億元訂單，刷新具身數據行業紀錄，直接引爆“具身數據元年”。

把訂單拆開來看，背后浮現出的并非單一需求，而是兩股力量在今年第一次清晰交匯。

一邊，是具身大模型與世界模型對高質量數據、仿真環境和規模化評測的需求集中釋放；另一邊，則是工業、物流、農業、家電、汽車等產業場景，開始為機器人在真實世界中的訓練、驗證與部署投入真金白銀。

前者推動模型跨過從“演示”到“訓練”的門檻，后者則把行業推向另一個更現實的問題：機器人進入真實場景之后，如何在持續運行中不斷優化。

而光輪智能，恰好站在這兩個需求曲線的交匯點上。

它所連接的，既是訓練機器人的數據，也是圍繞數據展開的評測和部署的基礎設施體系。到了物理AI時代，這恰如一條鋪設好的公路。

5.5億元訂單之于光輪智能，遠非終點，而是走向產業更深處的起點。

01、具身大模型，率先拉動數據需求

過去一年，具身智能領域的競爭，更多還停留在模型與算法層面。

但到了2026年，行業的重心開始悄然前移。越來越多團隊發現，決定模型上限的已不只是參數規模，數據的重要性迅速抬升。數據的多樣性、物理保真度以及閉環迭代能力，開始成為新的關鍵變量。

于是，今年被業內視作“具身數據規模化元年”。隨著全球頭部具身智能團隊紛紛拋出百萬乃至千萬小時級的數據采集目標，數據迅速成為各家競逐的基礎性戰略資源。

當前，無論是世界模型，還是VLA，都被迅速推向更復雜、更真實的任務空間。它們面對的，不再只是圖像與語言理解，而是要在真實物理世界中完成長時序、多步驟的復雜任務，包括物體操作、環境交互，以及不確定條件下的持續決策與規劃。

這一趨勢已經在前沿模型上得到驗證。以Generalist AI的Gen-1模型為例，該模型依托50萬小時規模的人類視頻數據進行模型預訓練，進一步驗證了具身智能領域正在出現的Scaling Law：當高質量、可規模化的數據持續供給，模型的泛化能力就有機會跨過新的門檻。這也表明，真實人類視頻數據并不是邊緣補充，而正在成為具身預訓練階段最重要的數據來源之一。

不過，隨著機器人逐步邁向更復雜任務，新的行業瓶頸也在顯現。人類視頻數據固然解決了具身預訓練中的行為先驗問題，卻還不足以獨立支撐后續的規模化學習與規模化評測。

實際上，當前具身大模型面臨的核心瓶頸，并不只是“缺數據”，更準確地說，是一種結構性的短缺。

一方面，人類視頻數據與仿真合成數據之間，還沒有形成足夠有效的互補機制；另一方面，行業里也少有能夠把兩類數據真正整合起來，并持續驅動模型迭代的數據體系，也就是所謂“數據飛輪”。其難點在于規模化評測，沒有統一、可量化的評測標準，數據就很難有效反哺模型迭代，所謂閉環也難以真正建立。而光輪智能所做的，正是把人類視頻數據、仿真合成數據與規模化評測打通，形成一套可閉環、可量化、可持續迭代的數據基礎設施。

眼下，能搭建完整“數據飛輪”體系的企業仍是少數，需求正加速向具備體系化供給能力的公司集中。

這也解釋了，為什么光輪智能能在短時間內手握5.5億元訂單。

02、為什么是光輪智能？

風口來了，并不意味著誰都能接得住。

尤其是具身智能這樣一個仍處于早期、標準尚未完全統一的產業，真正能承接頭部需求的，往往不是聲量最大的那個人，而是最早把底層能力打磨出來的人。

乍看之下，光輪業務覆蓋人類數據、仿真合成數據和仿真評測，像是同時做幾件不同的事。但順著底層邏輯看，其實始終只做一件事：構建一套可閉環、可迭代、可規模化的具身數據基礎設施。

具體而言，這套體系可以拆解為三個相互支撐的層次：世界World、行為Behavior、評測Eval。

世界層，是機器人進行學習、訓練與評測的物理世界。它不是普通的3D資產庫，也不是偏展示性的游戲式場景，而是一個在物理規律上盡可能貼近現實的仿真環境：物體可以被抓取，門有阻尼和磁吸，布料會形變，線纜能夠彎折并承受作用力。

行為層，負責持續生產行為數據。既有大規模仿真合成數據，也有來自真實世界的人類第一視角視頻、遙操作軌跡和其他真實行為先驗。前者解決規模問題，后者提供約束與校準，二者共同構成模型學習的基礎。

評測層，是整套體系里易被忽視卻愈發關鍵的一環。具身智能的真正難點不是做出一個Demo，而是穩定地判斷模型能力是否真正得到提升。沒有統一、可復現、可并行、可量化的評測體系，數據很難有效指導訓練，模型也難以持續迭代。

這三層并非簡單并列，而是構成了一個持續運轉的飛輪：世界層提供環境，行為層生成數據并拓展任務分布，評測層持續暴露模型短板，再反向決定下一輪數據采集、生成與覆蓋的重點。由此，數據、仿真與評測形成一個持續運轉的系統。

再往下看，這套閉環之所以能夠成立，更關鍵的支撐來自“求解測量生成”三位一體全棧自研仿真技術底座。測量真實世界的物理屬性，生成可復用、可擴展的SimReady世界，隨后借助自研solver與仿真能力，在虛擬環境中跑出物理上可信、行為上可執行的結果。

也正因此，光輪智能承接的，已不是零散的數據采購需求，而是逐漸清晰的基礎設施型需求。

這是光輪智能一直在強調的核心區別：它想做的，不是一家數據工廠，而是一臺數據引擎。

相比之下，傳統數據公司更像數據工廠：客戶提需求，平臺交付數據，項目結束，價值也隨之終止。光輪構建的則是持續運轉的引擎：真實世界的數據與測量進入系統，經由仿真世界被放大、重組，行為數據在其中持續生成；評測體系再把模型的失敗模式與能力邊界反饋回來，反向驅動下一輪數據采集、場景生成與任務定義，最終再服務于真實部署。

把這套邏輯看明白，再去看光輪的訂單表現，答案其實已經寫在結果里。投資界了解到，按具身數據銷售額計，光輪已位居全球前列，且已在人類數據、仿真合成數據、仿真評測三大領域拿下國際交付冠軍。

先看人類數據。光輪搭建起可規模化的人類第一視角數據解決方案EgoSuite，數據節點覆蓋25000多個環境，執行超過10萬種任務，累計交付超150萬小時高質量人類數據。

再看仿真合成數據。光輪已建成全球交付規模最大的仿真合成數據AutoDataGen。國際主要具身智能團隊中，超過80% 的仿真資產體系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規模化評測平臺RoboFinals，已形成涵蓋數十個高價值行業、萬余個真實Real2Sim2Real場景的評測基礎設施。并攜手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。

憑借體系化能力持續積累，光輪智能正以物理AI仿真基礎設施為支點，進一步引領國際仿真標準的制定與演進。

近日，光輪已受邀作為核心指導委員加入開源GPU加速物理引擎 Newton，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 等頂尖機構引領推動下一代開源物理AI仿真標準。

與此同時，光輪自研的LeIsaac已被Hugging Face官方文檔采納為具身仿真的標準框架，成為全球開發者進入該領域的統一工程范式，直接定義了大規模開發實踐的起點與邊界。

03、需求爆發后

產業端開始接過第二棒

如果說具身大模型公司和機器人公司點燃了第一波需求，那么產業端正在接過第二棒。

相比模型團隊傾向于讓機器人“學會”，產業客戶關心的是落地：部署、執行、驗證、迭代與復制這一整套能力能否真正跑通。

這意味著，當機器人進入工廠、倉儲、物流、農業、醫院、汽車等真實場景時，產業側需要的已不再是局部能力，而是一整套打通數據、評測與部署的基礎設施體系。

真實產業場景里，本就蘊含巨大的“數據金礦”。一條產線、一個倉庫、一座工廠，背后沉淀著大量尚未被開采的物理交互經驗：動作如何完成，機器人容易在哪些步驟失效，哪些接觸力、路徑修正和恢復策略更關鍵，哪些任務能夠標準化，哪些長尾場景又必須依靠仿真擴展覆蓋。

問題在于，過去這些經驗大多停留在現場，難以被結構化，也難以進一步轉化為可復用、可評測、可持續迭代的資產。而產業端真正需要的，正是將這些經驗轉化為機器人能力。

于是，行業討論的重點，已經從“要不要機器人”，轉向如何持續開采并放大場景中的數據價值。

這也解釋了，為什么產業客戶越來越需要一套圍繞場景展開的基礎設施。先在真實場景中提取高價值數據與約束，再通過仿真把場景擴展成一個可訓練、可覆蓋長尾、可規模化評測的平行世界；隨后借助評測體系識別哪些能力已經穩定，哪些能力仍需繼續迭代，最終再把驗證過的能力部署回真實場景。

放到產業端來看，世界、行為、評測這三層的意義也變得更具體。世界層對應的是為真實場景建立一個可擴展的數字平行世界，行為層負責把產業現場的經驗轉化為可學習的行為數據，評測層則成為機器人進入真實場景前的能力診斷。

落到商業化層面，變化已然明了：訂單來源正從具身大模型團隊，進一步擴展到真實產業場景中的客戶。

據投資界了解，目前已有上百家場景方企業正與光輪接觸或推進合作，覆蓋制造業、農業、物流、家電、汽車等多個領域。與此同時，周度新增接洽企業仍達數十家。真實場景對具身數據基礎設施的需求，已經明顯提速。

這一趨勢也體現在資本層面。就在上個月，光輪智能完成10億元A++及A+++輪融資，摘得全球首個具身獨角獸桂冠，引入新希望集團、奧克斯等具備深厚產業資源的戰略投資者，產融協同的格局初步顯現。

而光輪智能也在逐步把這套能力落地為標準化、平臺化、可規模復制的基礎設施。可預見的是，未來接入的產業場景越多，這種能力就越關鍵。

物理AI時代，數據就是“水電煤”

回過頭看，這5.5億元訂單的意義，早已不只是金額本身。

它更像一個信號。透過光輪智能，具身智能產業正在顯露出新的重心。

相比以往行業比拼的是算力和模型，如今進入物理AI時代，隨著機器人一步步走向真實世界，支撐其持續學習、持續迭代、持續部署的底層基礎設施，開始被重新看見。

如果說算力是上一輪AI競賽里的“電網”，模型是機器的大腦，那么到了物理AI時代，數據更像是“水電煤”看不見，卻決定了整套系統能否真正運轉起來，并規模化落地。

沿著這條線往下看，接下來的競爭焦點也愈加明了。誰能在真實場景中持續供給數據，誰能讓訓練、評測與部署真正形成閉環，并持續、穩定地為機器提供學習與進化的能力，誰就更有機會走到前面。

而光輪智能，已經搶得先機。