过去一年，机器人和物理 AI 太热了。人形机器人、世界模型、具身大模型，几乎每隔一段时间就有新的 DEMO、新的融资、新的发布。

但越是在这种时候，越要看一个更底层的问题：这个行业真正的瓶颈到底在哪里？

有一家做机器人训练数据基础设施的公司叫光轮智能，最近几周连续融了两轮资，总共超过 20 亿，估值已经超过 150 亿了。中关村科学城这样的国家队和蚂蚁集团这样的产业方都成了股东。

虽然我之前说过看好光轮，但融资如此火爆确实没想到。仔细研究背后的投资逻辑后我发现——这些投资人正在押注物理 AI 的三个新趋势。

物理 AI 的胜负手，正在从算力转向数据

AI 的能力取决于三样东西：算法、算力和数据。

大语言模型需要的文本和图像数据，互联网上、图书馆里到处都是。数据不缺，所以胜负手就成了算力。大模型能力的每一次跃迁，表面上是模型变强了，底层其实是算力这套地基给修好了。

但到了机器人和物理 AI，问题全变了。

机器人要学的不是互联网上现成的文本和图片，而是手怎么抓住一个杯子、东西为什么会滑落、一个动作失败之后该怎么纠正。这些经验，互联网上根本就不存在。

机器人面对的三维物理世界，是一个高维、连续、多模态的时空流，包括视觉、声音、力、扭矩、本体姿态等多种传感器信号。

目前卡住物理 AI 和机器人的瓶颈，不是模型不够大，算力不够多，更不是机器人不够多——是数据。

光轮智能创始人谢晨算过一笔账：物理 AI 的数据需求规模，是自动驾驶的 1000 倍。自动驾驶的交互主要是车辆与地面动力学的有限维度交互，而具身智能需要复刻人类全场景精细物理操作，涉及海量高自由度、高精度的力与姿态交互。

更大的挑战是：自动驾驶可以靠量产车持续回传真实路况，但具身智能短期内无法实现百万级真机落地。物理 AI 99.9% 的训练数据无法来自本体。

具身智能至今没有任何免费、标准化、通用的公开预训练数据集。数据，就是物理 AI 的胜负手。

传统数据公司是 " 送水工 "，光轮智能在 " 修水管 "

问题来了——数据公司不就是个苦生意吗？

过去的数据公司，本质上是运营生意、人力生意。美国的 Scale AI 看上去很高大上，但它的模式是在菲律宾、肯尼亚这些地方雇大量的人，把数据一条一条标注出来。

时薪只有 1 到 3 美元。国内同行也类似，客户要什么就定制一批、标一批。这种生意有个天花板——每多一个客户就得多堆一波人，很难规模化。

机器人数据也一样。采集来的数据只能卖一次，成本太高，业务根本跑不通。

光轮智能的打法完全不同——把数据做成了能反复调用的基础设施，让优质数据的复售率做到了 10 倍。怎么做到的？

靠一套闭环：真实世界里的人类经验进来，用仿真举一反三地放大；再用评测判断模型到底会什么、不会什么；最后放到真实场景里实战，把失败和异常回流回来，精准定义下一轮该练什么。

光轮智能把人类数据、仿真、评测、部署、反馈串成了一套让机器人可以持续学习的系统。2026 年第一季度，公司新增订单达 5.5 亿元，刷新了具身数据行业纪录。

打个比方：如果说传统数据服务是一次性送水上门，光轮做的就是修一条自来水管。

物理 AI 也会迎来自己的 "CUDA 时刻 "

如果能把数据瓶颈通过搭建基础设施的方式解决掉，物理 AI 是不是就可以像大语言模型一样快速进化了？还不行，还有一些问题要解决。

目前的现状是：数据来自不同设备，模型来自不同团队，本体来自不同公司，场景分布在工厂、仓库、农场、医院等各种地方。如果各做各的，缺乏统一语言和统一标准，就很难形成合力，实现快速规模化。

这个问题在别的领域也出现过。芯片行业当年也有类似的困境，后来被英伟达用 CUDA 解决了。CUDA 是一套让全世界开发者都能调用芯片能力的通用语言和标准，把芯片、模型、开发者、应用连成了一个生态。

截至 2025 年，全球已有 2000 万开发者加入 CUDA 生态，基于 CUDA 开发的应用超 10 万个。CUDA 成了英伟达最宽的护城河。

物理 AI 也会出现自己的 "CUDA 时刻 "。只是它连接的不再只是算力和模型，而是数据采集、仿真生成、模型评测、产业部署和真实反馈——范围更广，链条更长。

谁有更大的概率把物理 AI 的 "CUDA" 做出来？

数据是物理 AI 的胜负手，想抓住这个胜负手，用传统的重运营方式行不通，必须做成基础设施。具备这两个特征的公司，不就是光轮智能吗？

事实上，光轮智能已经在这么做了——它正在把采集设备（比如 PICO）、云和算力（比如英伟达、阿里云和摩尔线程）、世界模型团队（比如李飞飞的 World Labs）、产业场景方（比如新希望）连进同一套数据和评测体系。

业内已经有观点把它类比为物理 AI 领域的 " 数据端英伟达 " ——英伟达构筑通用 AI 算力底座，光轮智能则补齐机器人走进现实世界的数据基础设施短板。

顺带说一句，光轮智能的创始人谢晨，本科毕业于北大物理系、哥伦比亚大学数量金融博士，曾在英伟达、Cruise、蔚来担任自动驾驶仿真负责人，国际首创将生成式 AI 融入仿真。由他来铺这层机器人的 " 地基 "，逻辑上是顺的。

所以我觉得，这轮融资真正值得关注的不是光轮又融了多少钱，而是产业的最新认知，甚至是拐点。

目前，国际主要具身智能团队中超过 80% 的仿真资产与合成数据来自光轮智能，全球前五的世界模型团队均已与光轮智能开展合作。光轮智能已主导或参编 20 项国家及行业标准。

很多产业的拐点发生时，看起来只是一轮融资、一次合作、一次产品发布。但几年后回头看，你会发现那个时刻恰恰就是整个行业的拐点。

物理 AI 很可能正处于这个拐点。过去我们问：谁能造出更强的机器人？接下来真正要问的是：谁能让所有机器人更快地学会真实世界。

机器人和物理 AI 的竞争，正在从 " 造本体 " 转向 " 铺基建 "。谁先铺好这条路，谁就可能成为这个时代最值钱的基础设施。

光轮智能能不能成为物理 AI 的 " 数据端英伟达 "，现在下结论还太早。但有一点已经很清楚了——投资人正在用真金白银投票，而他们押注的，从来不只是这一家公司。

信息来源：