在具身智能賽道爆發式增長的背景下，訓練數據短缺成為制約行業發展的關鍵瓶頸。光輪智能憑借AI仿真合成數據服務，迅速成為這一領域的“賣水人”，為全球超過80%的主流具身智能團隊提供仿真資產與數據支持，世界模型和多模態模型團隊也紛紛成為其客戶。這家成立于2023年的公司，通過精準填補市場缺口，在競爭激烈的AI領域占據了一席之地。

具身智能的火爆直接推動了數據需求的指數級增長。光輪智能聯合創始人楊海波指出，具身智能對數據的需求量至少是自動駕駛的1000倍。自動駕駛本質是“防碰撞的視覺游戲”，而具身智能需要與物理世界深度交互，例如開冰箱門時感受磁吸阻尼的力，這種復雜的物理交互維度大幅增加了數據需求。自動駕駛有現成的數據回傳體系，而具身智能則處于從零開始的階段，應用場景的廣泛性也進一步推高了數據需求。

面對真實世界數據獲取成本高、效率低且存在安全風險的問題，仿真合成數據成為唯一可行的規模化解決方案。楊海波強調，仿真并非事后跟隨行業趨勢的選擇，而是光輪智能自成立之初便確立的核心技術方向。公司通過全棧自研的“求解—測量—生成”三位一體技術路線，解決了線纜插拔等工業級難題。例如，在線纜仿真中，團隊會精準測量線纜的彎曲剛度、扭曲特性、重量分布，以及插拔過程中的阻力曲線、拔出所需力度等真實物理參數，確保仿真數據與物理世界的高度一致。

高質量數據的產出是訓練過程中的核心挑戰。楊海波表示，數據底層質量必須真正對齊物理世界，合成數據需要與真實數據直接競爭。具身模型的演進會不斷改變對數據的需求規范，數據提供方必須具備算法理解能力，從模型和算法的角度去理解數據需求。光輪智能通過與頭部客戶共創，在0到1的階段將仿真與真實世界的誤差壓到最小，積累了大量寶貴經驗，形成了兼顧質量和規模的供給能力。

在定價策略上，光輪智能采用按小時計價的方式，具體價格根據場景難度、任務復雜度和訓練規模調整。楊海波指出，公司希望定價方式清晰透明，因為客戶會將仿真和評測能力納入長期研發規劃。隨著高質量數據的稀缺性日益凸顯，一旦解決了客戶“有無”的核心問題，價格就不再是關鍵，數據提供方將具備更強的定價能力。

盡管仿真數據在供給規模上比真機數據跨2到3個數量級，但“仿真與真實之間的差異”仍是行業面臨的挑戰。楊海波坦言，仿真中摩擦力參數預估偏大可能導致機器人在真實世界中抓不起物體。為應對這一風險，光輪智能從源頭保證數據真實性，通過實際測量獲取物理參數，確保測量誤差在1%以內；在訓練時引入對抗性擾動，讓模型學會應對不確定性；并與頭部客戶持續迭代，利用真實測試結果修正問題。公司采用“仿真為主、真實為輔”的方案，99%的訓練用仿真數據完成，剩下1%用真實數據微調，既保證效率又確保安全。

當被問及未來競爭策略時，楊海波表示，核心是提升多樣復雜場景的生成能力。這需要在資產層面實現“看得見和摸得實”，在場景層面高度還原動態變化和光照遮擋等情況，在任務層面設計裝配公差控制、異常情況處理等多樣化任務。他強調，人形機器人的難點不在于外形，而在于全身物理協同，這需要依賴復雜多樣的物理信息才能實現。

目前，光輪智能的技術已廣泛應用于醫療、農業和工業等領域。在醫療場景中，公司能夠仿真臟器的物理特性；在農業場景中，模擬采摘任務的力學反饋；在工業場景中，解決線纜操作等復雜問題。楊海波認為，物理AI一定會從工具階段走向基礎產業階段，未來機器人和智能體將像今天的手機、汽車一樣普及，而可靠的數據支撐將依賴于基于仿真的科學能力。光輪智能的目標是打造物理AI時代的數據基礎設施，為中國物理AI賽道的長期競爭貢獻一套可復用、可持續演進的底座能力。