仿真，正在成为具身智能竞争的新赛场

过去几年，全球人工智能（AI）竞争的焦点集中在模型、算法和算力。大模型的快速突破，让GPU、CUDA、芯片成为产业关注的核心，也让算力基础设施自主可控成为广泛共识。

但当AI从数字世界走向物理世界，竞争的底层逻辑正在发生变化。

在数字世界中，AI处理的是文本、图像和视频；在物理世界中，机器人面对的是由材料、空间、设备、流程和安全约束共同构成的复杂现实系统。它不只是“理解世界”，更要与真实物理环境持续交互、在复杂场景中完成任务。这正是具身智能的挑战所在。

大语言模型答错一道题可以重新生成；机器人在真实场景中的一次错误动作，可能损坏设备、打断流程，甚至带来安全风险。AI一旦进入物理世界，试错成本就不再只是算力成本，而是时间、工程、运营和安全的综合代价。

因此，物理AI无法像大模型那样在真实世界中无限试错。它需要一个足够真实、可重复、可量化、可规模化的虚拟物理环境，在进入真实产业现场之前，完成训练、验证和评测。

这就是仿真。

如果说大模型时代最突出的依赖是算力，那么物理AI时代更深层、更隐蔽的依赖，正在转向仿真——而仿真之所以进一步取代算力成为底层瓶颈，关键在于数据问题发生了根本变化。

大模型的数据主要来自互联网文本、图像和视频；自动驾驶的数据主要来自车辆在真实道路上的采集；而具身智能需要的，是包含动作、接触、受力、材料、空间关系和任务结果的物理交互数据——这是一类前所未有的数据形态。

据光轮智能联合创始人兼总裁杨海波判断，2026年正在成为具身智能“数据规模化元年”。与自动驾驶相比，机器人面对的是更加开放的物理世界，需要处理更多样的场景、任务、物体和物理交互，且目前尚未形成成熟、规模化的本体回环数据。“具身智能的数据量需求，至少是自动驾驶的1000倍。”

单靠真实世界采集，难以支撑这样的数据需求。人类视频可以提供行为参考，却无法完整描述力学状态、接触变化和任务结果。仿真合成数据把真实经验放入可控、可复现的物理环境中，规模化生成可用于训练和评测的物理交互数据。

换句话说，物理AI时代真正稀缺的，不是算力，而是一个能够持续生成数据、承载训练、完成评测、反哺迭代的仿真系统——这正是仿真被推上物理AI关键底座的根本原因。

物理AI发展的隐蔽瓶颈

仿真对外依赖度高于算力

早在工业时代，高端工业仿真软件和关键物理引擎主要由欧美企业和机构主导。美国的Ansys、法国的达索、德国的西门子等工业仿真平台，深度服务航空航天、汽车、能源等关键领域，并在底层技术、工程流程、标准体系和生态规则中形成长期优势。

进入物理AI时代，国际科技巨头又开始围绕物理引擎、机器人学习、仿真评测和开源生态持续布局。

英伟达收购PhysX，并将仿真能力与GPU、Omniverse、Isaac等生态深度绑定；谷歌DeepMind收购并开源MuJoCo，使其成为机器人强化学习的重要工具；丰田研究院长期主导Drake，面向高可信动力学、控制与规划；迪士尼研究院自研Kamino，聚焦复杂机械结构和高难度运动求解。

这些动作本质上争夺的是物理AI时代的基础设施入口：谁定义仿真环境和评测体系，谁就可能影响机器人如何学习、如何训练、如何被评测；谁进入底层生态，谁就有机会参与下一代物理AI基础设施的规则制定。

值得注意的是，与算力相比，仿真对外依赖的隐蔽性更高。

算力的“卡脖子”会直观体现在芯片供货、出口管制、海关单据上；而仿真的依赖则深嵌在物理引擎、求解器、数据格式、评测框架与开源生态之中——它不出现在新闻头条，却悄然决定着机器人产业的训练和评测的能力天花板。

一旦底层引擎、关键标准和评测体系在国外固化，国产具身智能产业将长期面对“模型能跑，但训练和评测环境受制于人”的结构性约束。

对于刚刚被列入国家未来产业重点方向的具身智能而言，仿真，正是这样一个必须正视，且时间窗口已经开始收窄的“卡脖子”环节。

光轮智能参与国际物理AI规则共建

2026年3月，光轮智能接受了英伟达、谷歌DeepMind和迪士尼研究院的联合邀请，加入国际开源GPU加速物理引擎Newton技术指导委员会（TSC），成为其中唯一来自中国的企业成员。

Newton的目标是面向下一代物理AI仿真需求，构建开放、统一、可扩展的物理仿真架构。其技术指导委员会负责核心技术路线、接口规范、生态治理和标准演进方向。光轮智能加入其中，意味着中国企业进到重要国际开源技术生态的决策机制，参与下一代仿真架构、技术路线与生态规则的共建。

支撑这一突破的，是光轮智能“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。通俗地讲，就是先把物理规律算准，再把真实世界量准，最后规模化造出可用于训练和评测的虚拟世界。

推动国产物理AI基础设施协同创新

在参与国际规则共建的同时，光轮智能也在国内推进物理AI基础设施的系统性建设。

在算力层面，光轮智能与摩尔线程达成合作，推动数据生成与仿真评测方案在国产算力环境中的适配和运行。在模型评测层面，光轮智能与通义千问围绕工业级仿真评测平台RoboFinals等方向推进共建，探索用可复现、可量化、可规模化的方式衡量具身智能模型的能力边界。

在标准与检测层面，围绕智能仿真平台、工业高质量数据集、具身智能数据质量、数据采集系统能力等方向，光轮智能联合全国信标委、工信部相关标委会等机构，牵头或参与制定20项国家、行业相关标准；与国家机器人检测和评定中心（总部）开展合作，围绕“真实＋仿真”评测闭环、评测方法、评测流程与指标体系进行协同探索。作为全国首批具身智能行动计划数据领域唯一民企，光轮智能也在持续推动高质量具身智能数据集建设。

此外，对于物理AI数据与仿真基础设施而言，真正关键的不只是交付了多少数据，而是数据能否被不同客户、不同模型阶段和不同任务体系反复调用。光轮智能将这一能力概括为“数据复售率”，即单位小时的光轮数据能够服务多少个不同客户和任务需求。

杨海波介绍，光轮智能优质场景数据的复售率已经能够超过10倍。这意味着高质量具身数据不再只是一次性交付物，而是可以持续流通、持续增值的基础设施型资产。

可以说，以光轮智能为代表的中国企业不仅正在物理AI时代让具身行业具备更强的应用能力，也在底层标准、检测评测和基础设施体系上逐渐形成话语权。

这一次，中国企业不会只做追赶者，也正在成为规则共建者。

这场竞争，才刚刚开始。