蚂蚁集团领投，光轮智能20亿美元估值引领全球具身数据基础设施｜甲子光年
估值重塑，数据与评测基础设施成为具身产业估值中心。
作者｜周悦
编辑｜栗子
具身智能的市场逻辑，正在变化。
过去两年，行业谈具身智能，最关注模型和本体：谁的“大脑”更强，谁的人形机器人更像人，谁的动作更精准。这些构成了具身智能最直观的能力表现。
这符合新兴产业的演进逻辑。每一个技术周期启动时，最先站在聚光灯下的，往往是最接近用户、最具想象力的公司。一如自动驾驶早期，市场首先聚焦于整车和Robotaxi；大模型爆发之初，资金优先追逐模型和应用公司。在具身智能的启动期，模型和本体率先获得高估值，同样是产业发展的自然结果。
然而，当技术产业从“实验室”走向“规模化”，市场的定价逻辑往往会向更底层的位置收敛。
自动驾驶催生了支撑数据生产体系的Scale AI；大模型时代真正站到产业C位的，则是提供算力基础设施NVIDIA。技术越是走向规模化落地，行业就越依赖能支撑全行业持续迭代的底层基础设施。
进入2026年，具身智能也迎来了这一拐点：决定物理AI能否实现规模化落地的，不再单纯取决于模型参数、本体形态或单点能力，而是取决于谁能提供支撑机器人持续反馈、持续学习的数据与评测基础设施。
资本市场正敏锐地捕捉到这一信号，并开始对具身智能的基础设施板块重新定价。
近日，光轮智能宣布完成新一轮融资。本轮由蚂蚁集团领投；建投投资、大湾区共同家园基金、森马方道基金、山东孚弘（工业富联参与管理产业基金）、芯能投资、临芯投资等知名国资、产业以及财务机构共同参与；同时，三七互娱、国方创新、道禾长期投资、鼎石资管等老股东超额跟投。
本轮融资完成后，光轮智能估值超过20亿美元，在短短两个月内实现估值翻倍。这一数字不仅刷新了全球具身数据与评测基础设施领域的估值纪录，也重塑了物理AI数据与评测基础设施产业的估值格局。
在「甲子光年」看来，具身智能数据与评测基础设施正在成为行业新的估值焦点。
光轮智能，正处在产业焦点的核心。
1.具身数据规模化元年，
数据与评测基础设施成为新的价值中心
在大语言模型时代，AI产业最核心的基础设施是算力。GPU、CUDA、训练集群、推理服务和云基础设施，支撑了过去十年AI的快速爆发。
与此不同，物理AI的Scaling Law，并不只发生在参数和算力上。它正在逐渐从参数Scaling，转向数据、环境与反馈的Scaling。机器人要学习的是物理世界，它需要处理力、接触、形变、失败和反馈，这远比单纯的文本和图像复杂。更重要的是，真实的物理世界无法无限试错，也不能随时重置。
因此，具身智能要真正进入规模化阶段，核心问题不再只是“谁先造出机器人”，而是谁能持续提供兼具规模化和高质量，且可被评测验证的数据。
2025年中后期，具身企业Generalist的模型能力突破把具身数据Scaling Law推向台前。它第一次向行业验证，机器人模型能力的跃迁，不只来自更大的模型，也来自高质量数据的持续供给。其背后展现的，是具身智能进入预训练时代后，对底层数据基础设施的系统性需求。
光轮智能在这一规律被市场看清之前，就已经完成了前瞻性布局。Generalist等前沿模型探索，也有其底层基础设施的支撑。当Generalist明确了行业方向后，光轮智能顺理成章成为率先承接需求、并推动行业进入规模化阶段的基础设施公司。
进入2026年，这一判断开始从模型进展走向商业验证。今年第一季度，光轮智能新增订单达到5.5亿元，一季度收入超过去年全年，刷新具身数据行业纪录，推动行业加速步入“具身数据规模化元年”。
这些订单反映了海内外市场的两股刚需：一类是具身大模型和世界模型团队进入持续训练、迭代和评测阶段；另一类是工业、物流、农业、家电、汽车等真实产业场景，开始为机器人训练、验证与部署投入真金白银。光轮智能恰好站在这两条需求曲线的交汇点上。
目前，光轮智能已构建起完整闭环：既能生成高质量人类与合成数据服务训练，也能围绕场景展开规模化的仿真评测，并基于部署提供真实反馈。物理AI时代，模型训练、评测验证和产业部署，都依赖同一套基础设施来进行持续学习与迭代。
这也是光轮智能被市场重新定价的底层逻辑。大模型时代NVIDIA被一次次重估，不只是因为GPU硬件本身，而是因为GPU、CUDA和训练集群构成的计算底座，成为整个产业扩张的刚需。进入物理AI时代，相似逻辑正在迁移：模型和本体要持续进步，必须有可规模化的数据供给、可复现的评测体系和真实反馈闭环基础设施。而光轮智能，就在提供物理AI数据与评测的闭环基础设施。从这个角度看，蚂蚁战投领投，多家国资、产业基金和老股东跟投，不仅是对光轮智能的认可，也是产业资本开始重新评估物理AI基础设施长期价值的明确信号。
2.人类、仿真、部署全闭环：
光轮智能把物理AI数据与评测做成了基础设施
光轮智能的核心壁垒，并不在于押中了某一条单一的数据路线，而是因为它从一开始就定位为物理AI的基础设施。
这是一套贯穿训练、评测与部署反馈的物理AI数据与评测基础设施。其核心能力，由全栈自研三位一体的仿真内核、人类视频数据和真实部署的回流反馈共同构成。
首先，是仿真。
光轮智能底层最核心的能力，来自“求解—测量—生成”三位一体全栈自研仿真平台。求解负责在虚拟环境中还原力、碰撞、接触和形变，让仿真在物理上可信；测量负责把材料、接触、摩擦、形变等真实物理属性带入系统；生成则把这些物理规律规模化扩展为可训练、可评测、可复用的仿真世界。
这也是光轮智能数据与评测基础设施的技术内核。
在这一体系中，仿真是连接数据生成、模型训练和能力评测的中枢：一端通过仿真评测暴露模型在不同任务、环境和物理交互中的能力边界。评测不仅决定模型是否真正进步，也决定下一轮数据与训练应该如何演化；另一端把真实世界经验扩展为大量可训练数据。它一方面通过仿真评测判断模型能力边界，并反向定义下一轮数据需求；另一方面通过仿真合成数据，把来自人类视频、遥操作和真实场景的任务经验，自动扩展为多场景、多扰动、多物理参数下的仿真合成数据。
其次，是人类视频数据。
机器人要进入真实世界，首先需要理解人类如何在真实环境中行动：如何开门、抓取、整理、装配，如何在复杂任务中分解步骤、处理异常、修正动作。人类视频数据提供的不是静态样本，而是真实世界中的操作经验、任务结构和行为先验。
外界过去容易把光轮智能理解为仿真公司，但这并不完整。实际上，光轮智能已经将人类数据与仿真打造成一套闭环的基础设施，并且人类数据交付量全球第一。它的人类视频数据产品，覆盖25,000+环境节点、100,000+任务种类，累计交付超150万小时高质量人类数据。对模型团队来说，这些数据不只是让模型“看见世界”，更是让模型理解人类如何在物理世界中完成任务。
再次，是真实部署反馈回流。
物理AI最终必须回到产业现场。
场景部署，不是闭环之外的终点，而是闭环内最重要的反馈来源。真实部署会暴露新的任务分布、新的失败模式和新的场景约束，这些反馈再回到数据、仿真和评测系统中，成为下一轮训练和能力诊断的依据。
由此，光轮形成的是一套持续进化的物理AI数据与评测闭环基础设施。
仿真内核保证物理可信，人类数据提供真实经验，仿真评测判断能力边界，部署反馈带回真实问题。三者不是简单并列，而是在同一套系统里不断循环、不断校准、不断提升。也就是说，人类数据、仿真评测和部署反馈构成了外层循环；而仿真中的“求解—测量—生成”三位一体，是让这套循环持续运转的技术内核。
人类视频数据提供真实世界的人类行为与任务经验；仿真则将这些经验规模化扩展为仿真合成数据；评测判断模型能力边界，并指出下一轮数据需求；真实部署把模型带回产业现场，产生新的失败、反馈和任务约束；这些反馈再回流，推动下一轮数据生成、仿真扩展、评测迭代和真实部署。这套内核与外循环共同指向一个结果：更高质量的数据与评测能力。
对头部客户来说，选择光轮智能，不只是因为它能交付高质量数据，而是因为这些数据来自一套持续验证、持续提升的基础设施。数据质量、评测标准和反馈闭环，正在成为物理AI时代新的核心资源。光轮智能正在做的，正是把这些底层能力从项目型交付，变成可以被反复调用、持续进化、支撑全行业迭代的基础设施。光轮智能的人类、仿真、部署全闭环的最终落点，不是数量，而是质量；不是一次性交付，而是更高质量、持续进化的物理AI基础设施。
3.从基础设施到规则层：
光轮智能正在定义物理AI数据、仿真与评测的国际标准
当数据、仿真和评测能力被产业各方高频复用，其方法、接口和评价体系，便开始沉淀为行业的共同标准。
如果基础设施解决的是“行业能不能跑起来”，那么标准解决的是“行业能不能在同一套底层秩序上跑得更远”。具身智能的下一阶段竞争，正在从单点技术能力的输出，演变为对行业生态标准的定义。
物理AI要实现产业规模化，行业必须回答一系列底层问题：如何定义高质量数据？如何定义高质量仿真？如何定义高质量评测？模型应该如何被训练、验证和部署，以及部署反馈如何重新进入训练系统，持续提升？
谁能深度参与这些问题的定义，谁就更有机会在下一阶段产业演进中占据关键位置。而光轮智能，正在通过三个维度参与这些底层标准的构建。
第一，数据质量标准。
对头部模型团队来说，真正关键的不是“更多数据”，而是规模化的高质量数据，只有高质量数据，才能持续转化为模型能力提升。
对光轮智能来说，高质量数据并不依赖单纯采集，而是在其“内外双循环系统”中形成的：外层由人类数据、仿真评测和部署反馈形成循环，内层则由“求解—测量—生成”三位一体的全栈自研仿真平台，数据质量因此不只依赖单次采集或人工质检，而是能够在生成、训练、评测、部署和反馈中不断被验证和提升。
这种闭环能力在商业上直接转化为一个核心指标——“数据复售率”（即单位小时的光轮数据能够出售给多少个不同客户）。一份高质量数据可以在不同客户、不同模型阶段和不同任务体系中持续流通并产生更高价值。这一指标越高，意味着数据质量越稳定，光轮智能对数据的定义能力越强，质量越高，客户认可度也越高。
光轮智能联合创始人兼总裁杨海波介绍，光轮智能在优质场景的数据，复售率已经能够超过10倍。这一指标不仅印证了其数据的稳定性与客户认可度，也是其2026年一季度新增的5.5亿元订单的底层支撑之一。
第二，仿真标准。
2026年，光轮智能接受Google Deepmind、NVIDIA和Disney Research的联合邀请，作为核心指导委员加入开源GPU加速物理引擎Newton。光轮智能将在关键具身仿真技术方向上发挥主导作用，与NVIDIA、Google DeepMind、Disney Research、Toyota Research Institute四家国际顶尖机构共同推动下一代开源物理AI仿真标准。
Newton TSC的出现，标志着全球物理AI仿真基础设施正在走向统一。过去，GPU并行计算、高精度接触动力学、复杂机构求解、机器人学习生态和工业级验证长期分散在不同体系中。Newton把这些能力放进同一个开放架构中，定义下一代仿真系统如何设计、如何演进、如何被全球开发者和产业场景共同采用。
在Newton TSC中的5位顶尖仿真专家中，Miles Macklin博士、Yuval Tassa博士、谢晨博士、Moritz Bächer博士、Michael Sherman博士，分别代表了Warp仿真、MuJoCo仿真、基于“三位一体”定义SimReady、Kamino仿真、与Drake仿真等全球核心技术路径。
光轮智能进入Newton，意味着它不再只是全球仿真生态的参与者，而是开始参与下一代物理AI仿真基础设施的规则共建。与此同时，在仿真基础设施的落地方面，光轮智能也与摩尔线程围绕算力、仿真平台与数据评测能力展开合作，联合打造国产自研仿真合成数据方案，以国产算力与仿真的深度融合，为具身智能发展夯实自主可控的基础设施。
第三，评测标准。
在评测生态中，光轮智能与NVIDIA联合推进Isaac Lab-Arena等评测框架建设，自研LeIsaac仿真平台被Hugging Face官方文档收录；与通义千问、World Labs等世界前沿团队持续开展评测与世界生成方向合作；这些合作的核心，不只是共建项目，而是推动评测走向可复现、可对比、可规模化的行业标准。
在标准组织与测试评价体系层面，光轮智能成为全国首批具身智能行动计划中数据领域唯一民企，参与高质量数据集建设与具身智能数据基础设施完善，并联合全国信标委、工信部相关标委会等机构推进标准体系建设。
截至目前，光轮智能已主导或参编20项相关国家、行业标准，覆盖数据质量、仿真平台与工业高质量数据集等重点领域。同时，还与国家机器人检测和评定中心（总部）达成合作，共同推动具身智能关键基础设施与工业级测试评价标准建设。
光轮的角色正在发生变化。它不只是为客户交付数据和评测，而是在把自身的数据质量、仿真能力、评测体系和产业经验，持续沉淀为行业的共同标准。
4.数据不是燃料：
光轮智能要做物理AI的教育系统
当具身智能从实验室走向真实世界，一个本质问题开始浮现：机器人到底该如何学习？
人类的认知获取是一个长周期的持续过程。从基础教育、高等教育到终身学习，个体不仅需要汲取知识，更要经历反复的尝试、迭代和来自外部的反馈和挑战。
机器人理解物理世界，也需要经历这样的过程。这正是光轮智能的底层逻辑：它在搭建一套教机器人持续学习的教育系统。用人类数据提供真实示范，以仿真世界提供训练环境，用评测体系判断能力边界，再通过真实部署把新的反馈带回下一轮训练。
这也解释了光轮智能创始人兼CEO谢晨不希望将数据简单地看作燃料。
燃料是消耗品，核心在于供给、价格和效率；教育是系统工程，本质在于学习、反馈和演进。燃料回答的是“机器能不能运行”，教育回答是“机器人能不能形成认知且持续进化”。而持续学习能力，最终会决定机器人能力的长期上限。
正因如此，光轮智能选择同时做人类数据、仿真评测和部署反馈。因为真正的教育必须以终为始，从“学生”最终要进入的真实世界出发。真实产业场景定义了机器人未来必须具备的能力，也反向定义了它今天应该学习什么。光轮非常重视质量、反馈、复盘和持续改进。只有这样才有能力建设一套面向物理AI的教育系统。它考验的不只是企业的交付能力，更是对技术能力、质量保障、反馈机制和持续改进的工程敬畏。
这正是光轮智能估值短期内翻倍、再次刷新全球估值纪录的深层原因。过去十年，NVIDIA之所以进入AI产业中心，是因为它定义并支撑了大模型时代的计算基础设施；而光轮智能，不仅是因为它领先的产品技术能力和商业落地能力，更主要的是定义了物理AI时代的数据与评测基础设施。
（封面图来源：AI生成）
