1月以来，先后在北京AI“新春第一会”和智源谋划院“2026十大时间趋势”发布会上携最新终局亮相，光轮智能合伙首创东说念主、总裁杨海波“很忙”。

攻击的背后，是2025年具身智能赛说念爆发式增长，但放哨数据空匮的近况。在这一布景下，2023年景立的光轮智能以具身智能背后“卖水东说念主”的身份脱颖而出，其专注的AI仿真合成数据服务精确填补了这一市集缺口。面前，朝上80%的海外主流具身智能团队的仿真钞票与合成数据起首于光轮智能，宇宙模子团队与多模态模子团队亦然他们的客户。

2026年1月的一个晚上，杨海波给与了新京报贝壳财经记者的专访。之是以采纳在晚上，是因为创业近三年来，他长期保持高强度、多线程的职业节律：每天早晨采集处理来险恶众团队的多半信息，他称之为“清圈”（即计帐未回应的微信信息），之后不时跟进重隐衷项进展，并与客户、政府和投资机构进行密集调换，日均安排4至5场会议。

杨海波向记者坦言，光轮智能成立初期主要面向自动驾驶领域，但具身智能火爆后，其数据需求量至少是自动驾驶的1000倍。在他看来，唯有AI仿真数据智力提供具身智能企业们渴求的“范畴化数据”，“改日机器东说念主和智能体会像今天的手机、汽车相似，平凡运用于各个行业和城市边际，背后势必需要可靠的数据维持，而这种维持依赖于基于仿果真科学才略。”

以下为贝壳财经记者与杨海波的对话。

光轮智能合伙首创东说念主、总裁杨海波。会议主理方供图

为什么具身智能卡在数据上？仿真简直成为破局枢纽

新京报贝壳财经：AI仿真合成数据这一赛说念，是光轮智能在2023年景立之初就照旧明确对准的，照旧跟着连年来多模态等时间打破逐渐拓展出的新业务处所？

杨海波：客不雅来说，公司从成立第一天起就明确聚焦于仿真合成数据赛说念。咱们的关巩固心并不在于某一种具体的机器东说念主形态，而在于物理AI所必需的数据基础门径开发。其时咱们不雅察到，大谈话模子的发展获利于互联网耐久积存的大范畴文本语料，而物理宇宙所需的三维与物理数据简直处于空缺情景，这为合成数据提供了要紧的发展机遇。

AI要真实进入物理宇宙，不管是机器东说念主、自动驾驶，照旧各类自动化开导，都必须依赖可范畴化、可不时、可跨场景的数据供给体系。可是，真实宇宙数据在获得经由中渊博濒临资本高、效力低以及部分场景存在安全风险等问题，难以维持大范畴放哨需求。恰是由于真实宇宙试错资本高、周期长且风险较大，仿真合成成为惟一大约承载范畴化试错和放哨的时间旅途。因此，仿真并非过后奴隶行业趋势的采纳，而是公司自成立之初便建树的中枢时间处所。

尽管连年来多模态才略的晋升权贵改善了仿果真效力、真实度和视觉分解，但在物理层面，受力、战争、形变、材质以及摩擦等枢纽身分，仍然必须通过高精度仿真来已矣。仿果真中枢难点并不在于画面是否传神，而在于力学层面的物理准确性特别在执行放哨中的可用性，这亦然其与传统仿真或纯视觉模拟的本质折柳。

新京报贝壳财经：合成数据与仿真领域的举座市集形式如何？面前这一市集是否仍处于蓝海阶段？

杨海波：2023年创业之初，关心合成数据的公司并未几，其时行业还在探究“要不要用合成数据”。当今，整个具身智能和物理AI团队都招供合成数据的要紧性，行业探究的焦点变成了“如何作念好合成数据”。

咱们进入行业早、时间积存深，判断合成数据作念得好与坏，中枢考证尺度是客户采纳。面前各人前三的宇宙模子团队都在使用咱们的仿真和数据服务，朝上80%的头部具身智能团队的仿真钞票和数据都起首于咱们，市集用执行采纳解释了咱们的实力。

新京报贝壳财经：具身智能行业火爆后，贵公司所给与到的需求与成立初期比较增长了几许？

杨海波：公司初期客户多采集在自动驾驶等领域，2024年下半年，宇宙模子和具身智能的需求运转败露。最近，具身智能和宇宙模子领域呈现爆发式增长。具身智能的大脑模子底层源于宇宙模子，咱们更简洁将其鸠集为物理AI在物理宇宙落地的要紧载体。

具身智能的数据需求量至少是自动驾驶的1000倍。主要有两个原因：第一，自动驾驶本质是“防碰撞的视觉游戏”，莫得复杂物理交互，而具身智能需要与宇宙深度交互，比如开雪柜门时感受磁吸阻尼的力，多了物理交互维度；第二，自动驾驶有现成的数据回传和处理体系，而具身智能处于从零运转的阶段，莫得现成数据供给；还有一个更直不雅的鸠集，具身智能要替代千行百业，运用场景远比自动驾驶平凡，数据需求量当然大幅加多。

新京报贝壳财经：请教贵公司的订价是主要依据定制化进度、资本参加，照旧最终效果？举例线缆仿真这类难度较高的场景，是否按照放哨资本进行订价？

杨海波：合成数据的订价主要按小时计价，nba比赛外围下注app但具体价钱会凭据场景难度、任务复杂度、放哨范畴更正，不是单纯的资本订价法，更多联结难度和市集情况。咱们但愿订价面容明晰透明，因为客户会将仿真和评测才略纳入耐久研发筹办，咱们提供的不单是数据文献，更是不时晋升的研发才略。值得一提的是，高质地数据极其稀缺，一朝贬责了客户“有无”的中枢问题，价钱就不再是枢纽，乙方也将具备更强的订价才略。

让机器东说念主感受到真实宇宙，放哨仿真数据到底难在哪

新京报贝壳财经：关于稀缺且时间难度较高的数据类型，其放哨经由中的主要难点体当今哪些方面？

杨海波：放哨经由的中枢挑战在于如何产出高质地数据，主要体当今两个方面：第一，数据底层质地要真实对皆物理宇宙。合成数据在执走运用中需要与真实数据径直竞争，而物理交互的真实性是其中的枢纽，这少量就挡住了绝大多数参与者。第二，具身模子的演进会不休改变对数据的需求要领，这意味着数据提供方必须具备很好的算法鸠集才略，从模子和算法的角度去鸠集数据需求，而不单是停留在传统的数据分娩或运营层面。这就条目咱们既要脱落据才略，也要有算法才略。

作念好合成数据需要两项中枢才略：一是确保数据的高质地，需要耐久的底层时间开发才略，同期要与头部客户共创，在0到1的阶段将仿真与真实宇宙的症结压到最小，咱们服务了行业最头部的客户，积存了多半贵重训戒；二是范畴化供给才略，要能踏实、不时生成跨内容、跨任务的大范畴高质地数据，不可只追求质地而淡薄范畴，合成数据的真实门槛在于质地和范畴的兼顾，这是咱们多年服务头部客户后造成的行业融会。

新京报贝壳财经：光轮智能领有多种类型的仿真数据，涵盖医疗场景中的脏器、农业场景中的采摘任务以及工业场景中的线缆操作等。你们是如何已矣仿真数据与真实数据高度一致的？其中有哪些枢纽方法或时间旅途？

杨海波：真实宇宙重叠放哨如简直资本、安全性和效力方面存在问题。为此，咱们选择了全栈自研的“求解—测量—生成”三位一体的仿真时间门道。以线缆插拔为例，这是工业级的难题，传统仿真仅将线缆视为简单弧线、插头视为简单碰撞检测，九游会j9而咱们会在自动化测量工场中，精确测量线缆的迤逦刚度、误解特质、分量散布，以及插拔经由中的阻力弧线、拔出所需力度、不同角度的卡位点、战争点摩擦统共等真什物理参数。

难点主要有三个：一是筹办复杂度高，线缆不像刚体有固定格式，它是一语气体，表面上有无尽个解放度。要准确模拟，需要把它破碎成上千个节点，每个节点都和周围节点相互作用，这意味着要实时求解上万个耦合的非线性方程。传统方法要么算不准，要么算得慢；二是多物理场耦合，线缆插拔不是单一物理步地，线缆本人是柔性体，波及大变形弹性力学，插头是刚体，波及精密战争力学；插拔经由有摩擦、有卡位、有形变。把这些不同的物理场搭救求解，还要保说明时性，这是宇宙级难题；三是踏实性和精度的均衡，提高精度会导致筹办量指数级增长，过度追求速率则会简化参数，导致经由失真。

针对上述问题，咱们自研了GPU物理求解器，通过GPU并行加快，找到了物理精度和实时筹办的均衡点，既能呈现线缆齐全的物理情景，又能在毫秒内完成筹办。凭借这些时间，咱们能范畴化生成真实场景，让机器东说念主在捏造环境中真实感受物理响应，比如插头插歪时的卡阻、插到位时的卡顿感，这些都是机器东说念主放哨垂危需要的。比较之下，传统仿真更接近于动画演示，无法已矣存效交互。而咱们所构建的是物理级仿真体系，每一帧背后都有上万方程维持，确保捏造到现实的真实性。

新京报贝壳财经：在刻下数据范畴不休扩大的布景下，机器东说念主公司在模子放哨经由中，是否不错统统使用仿真数据？

杨海波：具身智能的发展需要范畴化的内容数据供给，而仿真合成数据是惟一能知足这一需求的解法。在物理AI体系中，仿真数据并非对真实数据的补充，而是放哨体系的基础。

纪念来说，真实数据厚爱对皆现实宇宙，仿真数据厚爱模子成长，预放哨、强化学习、评测都高度依赖仿真数据，这已成为行业的渊博实行。从供给范畴上看，仿真数据的供给量能比真机数据跨2到3个数目级，两者统统莫得可比性。

新京报贝壳财经：机器东说念主如若依赖仿真数据放哨，会不会学到数据中的bug？比如数据存在偏差，或者被黑客植入坏心提醒，导致机器东说念主在现实中出现误判，这一风险是否真实存在？又该如何嘱咐？

杨海波：这其实即是行业所说的“仿真与真实之间的各别”，是通盘行业濒临的挑战，风险如实真实存在。比如仿真中摩擦力参数预估偏大，机器东说念主可能会用更小的力捏取物体，导致在真实宇宙中捏不起来。

咱们的嘱咐面容主要有三点：从起源保证数据真实性，别东说念主的仿真参数多基于假定，而咱们融会过执行测量获得不同材质、不同温度下的物理参数，确保测量症结在1%以内，从起源减少系统性偏差；在放哨时引入抗拒性扰动，比如随即增减20%的物理参数，让模子学会嘱咐不细目性，这么机器东说念主学会的是“旨趣”，而不是死记硬背；与头部客户不时迭代，客户的真实测试终局就像“体检论说”，能匡助咱们实时发现并修正问题。

仿真不是100%替代真实数据，而是“仿真为主、真实为辅”的决议，99%的放哨用仿真数据完成，剩下1%用真实数据微调，既保证效力又确保安全，就像飞机驾驶培训，先通过仿真模拟放哨，再联结执行翱游熟习，仿果真中枢是高效靠近真实，而非替代真实。

当机器东说念主走向范畴化，仿真数据正在成为底层才略

新京报贝壳财经：如若改日出现实力相当的竞争敌手，贵公司更高层面的追求是不时研发更复杂的运用场景，照旧进一步靠近真实宇宙的物理精度？

杨海波：中枢是万般复杂场景的生成才略，因为咱们本质上是构建一个可被学习的物理宇宙。这需要三个层面的勇猛：率先是在钞票层面已矣“看得见和摸得实”，让零部件、器具等在视觉和物理上都饱和真实，比如不同材质的夹爪、不同硬度物体的力响应都要精确；其次是在场景层面已矣高度收复，要构建工场、仓储、家居等复杂环境，嘱咐动态变化、光照散失等情况，比如窗帘开关带来的光照变化都要真实模拟；临了是在职务层面不休丰富，要遐想装置公役截止、荒谬情况处理、长程任务多步筹办等万般化任务。面对竞争，本质是要在更万般的场景下已矣更高精度的物理交互，晋升场景解放度、战争复杂度和踏实性条目。东说念主形机器东说念主的难点不在于外形，而在于全身物理协同，这需要依赖复杂万般的物理信息智力已矣。

新京报贝壳财经：您如何看待光轮智能自身的发展远景，以及通盘行业的耐久走向？

杨海波：用一句话界说光轮智能，即是“基于仿真时间打造物理 AI 时间的数据基础门径”。改日机器东说念主产业范畴化落地，最缺的不是倡导，而是可放哨、可考证、可复现的数据体系，谁能将仿真和数据作念成基础门径，谁就能真实维持物理AI的落地，这是咱们的定位。

时间层面，咱们会不时深耕全栈自研仿真，从自动化物理测量、物理属性库、高精度物蚁划算器，到场景和任务的“真实到仿真”生成才略，不休完善时间平台。行业层面，物理AI一定会从器具阶段走向基础产业阶段，改日机器东说念主和智能体会像今天的手机、汽车相似，平凡运用于各个行业和城市边际，背后势必需要可靠的数据维持，而这种维持依赖于基于仿果真科学才略。咱们但愿光轮智能不仅能成为一家奏效的企业，还能在中国物理AI赛说念的耐久竞争中，孝顺一套可复用、可不时演进的基于仿果真底座才略，这是咱们的职责。

新京报贝壳财经记者 罗亦丹 实习生 郭雯华

裁剪 王进雨

校对 柳宝庆