8月19日，2026世界机器人大会开幕。展馆里，人形机器人已经能流畅地抓取水瓶、完成简单的装配动作。
“一次成功并不代表真正学会。抓一个杯子，换一个材质、一个位置、一个光照条件，甚至人从旁边经过，结果都可能不同。机器人要走向工厂、仓储、医疗等真实环境，真正需要解决的不是再做一个漂亮 Demo，而是让它能够持续学习、经过验证，并在真实场景里不断改进。”光轮智能副总裁杜习奇在接受经济观察报专访时说。
光轮智能成立于2023年，股东包括三七互娱、蚂蚁集团等产业投资者以及建投投资、大湾区共同家园基金等国资背景基金。光轮智能不做机器人本体，也不做通用大脑模型，其定位物理AI时代的数据与评测基础设施，并已在人类视频数据、仿真合成数据和仿真评测三个关键维度形成规模化交付能力。
在本次大会上，光轮智能发布RoboFinals中试基地仿真评测基础设施和RoboStack真实场景部署与反馈平台。
杜习奇“我们想打造一个让机器人持续进化的学校。人类数据是教材，仿真是训练场，RoboFinals是考试，RoboStack则把机器人上岗后的反馈重新带回学习系统。只有这套系统跑起来，机器人的能力才可能从一次性的展示，变成可复制、可规模化的生产力。”杜习奇说。
杜习奇观察到，当前具身智能行业的讨论更多集中在机器人本体、灵巧手和大模型上，但产业走向规模化以后，一个更底层的问题会浮出水面：机器人依赖什么训练、靠什么验证，又如何在真实世界里持续改进？
机器人指向的物理AI领域和传统互联网软件不一样，它最终要进入真实世界，要处理材料、接触、摩擦、形变、力学和复杂环境。底层的物理求解、仿真资产、数据生产和评测体系，都会直接影响机器人的训练效率和可靠性。
“如果这些关键能力长期依赖外部平台，一方面企业的研发流程、数据资产和验证体系会受制于人；另一方面，国内不同机器人企业、制造业场景和硬件平台的实际需求，也很难被充分满足。所以我们一直在做的，是从底层物理求解、真实物理测量，到高保真场景生成和规模化评测，建立可持续迭代的国产物理AI基础设施。”杜习奇说。
在机器人商业化落地过程中，可靠性是一个非常敏感的因素。在真实产线或服务场景里，一次失败可能意味着设备损耗、停线、人工介入，甚至安全风险。很多低频、高风险的情况，根本没有条件让机器人在真实世界里反复试错。
杜习奇表示，仿真不能替代真实世界，但可以承担那些昂贵、危险、重复且必要的试错。光轮智能的系统可以系统改变物体材质、摆放位置、摩擦系数、环境扰动和任务条件，让机器人在虚拟世界中经历大量压力测试。机器人在进入真实世界之前，多经历一万种可控的失败，真正上岗时就少付出一些不可控的代价。
在本次大会上，光轮智能还发布了十万小时级全模态人类行为开源数据集EgoSuite-Open100K，这在具身智能行业相当罕见。数据在机器人行业是非常值钱的资产，为什么光轮智能愿意把这么稀缺的东西拿出来？
杜习奇解释称：“具身智能现在最大的敌人不是竞争，而是‘数据孤岛’和‘没有统一评测’。人类操作数据稀缺、成本高，如果每家都关起门来重复造轮子，整个行业都跑不快。我们开源，是先把‘数据要素流通’做起来，把蛋糕做大，再谈怎么分蛋糕。”
千里马配资提示：文章来自网络，不代表本站观点。
