2026 年 6 月 23 日，投资界一则消息引爆创投圈——光轮智能完成新一轮 10 亿元战略融资。而仅仅三周前的 5 月末，这家公司刚宣布完成由蚂蚁集团领投的新一轮融资，估值突破 20 亿美元。从 3 月 A++ 及 A+++ 轮累计 10 亿元融资、成为全球首家具身数据独角兽，到 5 月估值翻倍至 20 亿美元，再到 6 月再获 10 亿元战略融资——短短数月，光轮智能以近乎 " 疯狂 " 的节奏席卷一级市场。

这不仅是单一企业的融资奇迹，更是一个强烈信号：具身智能的产业重心，正在从模型与本体延伸到支撑机器人持续学习的底层基础设施。当 " 数据 " 从服务变为基础设施，当 " 仿真 " 从工具升维为平台，物理 AI 时代的 " 卖铲人 " 故事才刚刚拉开序幕。

资本为何疯狂押注？" 数据铲子 " 站上物理 AI 的 C 位

要理解光轮智能为何能 " 两周两轮 20 亿 "，首先要理解它所处的赛道正在经历怎样的范式转移。

从 " 模型为王 " 到 " 数据为王 "。大语言模型的成功已经证明了一个残酷法则：模型架构可以快速复制，但高质量数据的壁垒难以逾越。具身智能面临的 " 数据荒 " 比大语言模型严峻得多——物理 AI 真机交互数据量不足大语言模型的两万分之一。机器人学习涉及抓取、推动、装配、形变、摩擦、碰撞等连续复杂的物理交互，而这些经验 " 不会天然沉淀为可训练、可评测、可复用的具身数据 "。真实世界中发生的海量物理交互，天然是碎片化、不可复用的。

更关键的是，机器人并不存在一个免费、标准化、可直接使用的预训练集。每一次机器人训练都需要从零开始采集数据、标注数据、验证数据——成本高昂、周期漫长、难以规模化。这正是光轮智能切入的痛点：为物理 AI 构建数据与仿真基础设施。

一个 1800 亿的市场正在成型。据沙利文预测，到 2030 年中国物理 AI 仿真及数据平台市场规模将达到 1806 亿元，其中智能汽车和具身智能机器人分别占比 36% 和 34%。英伟达 CEO 黄仁勋甚至断言，物理 AI 有望重塑全球价值约 50 万亿美元的制造和物流产业。在一个即将爆发的千亿级市场中，率先卡位基础设施层的玩家，天然享有最高的估值溢价。

投资人用脚投票的逻辑清晰可见。纵观光轮智能两轮融资的投资方阵容，可以清晰看到三类资本的合流：

政府基金包括中关村科学城基金、四川发展科创基金、山东发展科创投。这些国资背景的基金集体押注，说明光轮智能的业务方向已被纳入国家战略性新兴产业视野。光轮智能已主导或参编 20 项国家及行业标准，成为全国具身智能行动计划数据领域唯一民企——这种 " 标准制定者 " 的身份，是国资最看重的战略价值。

产业资本包括巨人网络、宇信科技、宝通科技、新希望集团、奥克斯。这些来自游戏、金融科技、工业制造、消费等不同领域的产业方，各自看到了物理 AI 数据基础设施在本行业的应用场景。特别是新希望集团直接与光轮智能成立合资公司，推动数据能力与产业场景深度融合——这是 " 基础设施 " 定位最直接的商业验证。

财务机构与老股东包括蚂蚁集团领投、建投投资、三七互娱、森马投资等。老股东在估值翻倍后依然超额跟投，传递的信号再明确不过：他们看到的不是短期估值泡沫，而是长期的平台价值。

海淀的人才与生态红利同样不可忽视。光轮智能总部位于北京海淀，创始人谢晨毕业于北京大学物理系。海淀聚集了全国约 43% 的顶尖 AI 人才，其中超过 80% 位于海淀。2026 年 3 月，海淀三家企业——银河通用、光轮智能、月之暗面——单月狂揽超 104 亿元融资。这种 " 海淀现象 " 背后，是高校、科研机构、科技巨头与创业公司构成的完整创新生态。

从 " 卖数据 " 到 " 定标准 "：光轮智能的护城河与隐忧

融资速度惊人，但资本从来不是慈善。光轮智能凭什么让投资人如此笃定？答案在于它构建的并非单一产品，而是一套贯穿训练、评测与部署反馈的物理 AI 数据与评测基础设施。

技术内核：三位一体的全栈自研仿真平台。光轮智能的核心竞争力来自 " 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；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。这套体系让光轮智能成为行业内唯一一家同时覆盖仿真合成数据、仿真评测和人类视频数据业务的企业。

产品矩阵：围绕机器人持续学习的内外双循环。光轮智能的产品体系已形成完整闭环。内环包括 EgoSuite（数据采集与生成）、RoboFinals（工业级评测平台）、RoboStack（数据管理与复用）、SimFoundation（仿真基础平台）。外环则打通了 " 人类视频数据→仿真合成数据→评测→真实部署→反馈回流 " 的完整链路。这套内外双循环指向同一个结果：更高质量的数据与评测能力，持续迭代、持续复用。

数据资产：规模与质量的双重壁垒。截至目前，光轮智能的人类视频数据体系已覆盖 25000+ 环境结点、100000+ 任务种类，累计交付超 150 万小时高质量人类数据。更关键的是复售率——据联合创始人杨海波透露，公司在优质场景的数据复售率已超过 10 倍。这意味着同一份数据可以被多个客户、多个场景、多个模型反复使用，边际成本趋近于零——这正是基础设施与数据服务的本质区别。

商业化验证：订单是最好的背书。2026 年第一季度，光轮智能新增订单达 5.5 亿元，刷新具身数据行业纪录。单季收入预计超过 2025 年全年。从融资到订单，从技术到商业，光轮智能正在完成从 " 概念验证 " 到 " 规模化变现 " 的关键跨越。

生态卡位：从参与者到规则制定者。2026 年，光轮智能接受谷歌 DeepMind、英伟达和 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，主导下一代物理 AI 仿真标准共建。同时与英伟达联合推进 Isaac Lab-Arena 等评测框架，自研 LeIsaac 仿真平台被 Hugging Face 官方文档收录。全球排名前三的世界模型团队均与光轮智能保持合作。从 " 卖铲子 " 到 " 定规则 "，这是基础设施玩家最深的护城河。

然而，隐忧同样不容忽视。

竞争正在加剧。具身智能数据赛道已形成三类玩家的差异化布局。纯数据基础设施专项公司中，无问智科已建有国内最大实体数据采集训练场；觅蜂科技近期也完成了数亿元天使 + 轮融资。京东已发布行业首个具身数据全链路基础设施，发动 10 万员工 +50 万社会人员的采集队伍。当科技巨头亲自下场，创业公司的生存空间可能被挤压。

数据伦理与安全的风险。人类视频数据涉及大量真实场景采集，隐私保护、数据安全、合规使用等问题将随着业务扩张而愈发突出。作为行业标准的主要制定者，光轮智能如何在 " 数据饥渴 " 与 " 数据伦理 " 之间找到平衡，将是一个长期课题。

估值与商业化的张力。从 10 亿美元到 20 亿美元，光轮智能两个月估值翻倍。如此快速的估值攀升，意味着市场对其商业化节奏抱有极高期望。5.5 亿元订单固然亮眼，但相对于 20 亿美元的估值体量，仍需持续证明收入的可持续性与规模的扩张性。

光轮智能的 " 两周两轮 20 亿 "，表面上看是一场资本的狂欢，本质上却是物理 AI 时代基础设施层价值重估的缩影。当大语言模型的竞争逐渐进入存量博弈，资本正在急切寻找 " 下一个英伟达 " ——那个在全新 AI 范式下定义底层工具链、标准接口和生态系统的平台级公司。

光轮智能能否成为物理 AI 时代的 " 数据英伟达 "，尚需时间检验。但至少有一点已经明确：在机器人真正走进千家万户之前，为机器人建造 " 训练场 " 和 " 考场 " 的人，已经率先迎来了自己的高光时刻。

数据正在从 " 服务 " 变成 " 基础设施 " ——这或许才是光轮智能融资狂潮背后，最值得深思的产业命题。

本文创作借助 AI 工具收集整理市场数据和行业信息，结合辅助观点分析和撰写成文。