中国工业报记者  曹雅丽

当人形机器人走出展会舞台、走进工业产线，它们需要的不再是挥手跳舞的编程动作，而是感知力、摩擦力、形变规律——像熟练工人一样完成插拔、压装、卡扣、柔性接触和复杂装配这些“真活”。

2026年6月，工信部、国资委联合印发《关于联合开展2026年度人形机器人与具身智能实景实训专项行动的通知》，明确要求到年底凝练百个以上高价值应用场景，带动万台级规模落地。一个月后，上海世界人工智能大会现场，光轮智能与西门子正式达成合作——前者是唯一同时加入物理AI两大国际标准的中国企业，后者是拥有数十年工业仿真沉淀的产业巨头。双方将打通西门子工业仿真与光轮智能“求解—测量—生成”三位一体仿真平台SimFoundry，把工业工程知识转化为机器人可交互、可学习、可评测的仿真世界。

这不是一次简单的商业握手，也不只是两类仿真技术的打通，更是建立工业知识的转换层——探索建立从工业工程知识到机器人可验证、可部署能力的转换机制。可以预见，未来工业仿真中长期积累的工程模型、物理参数和工艺知识，将进一步进入机器人训练、评测与部署体系，推动具身智能在工业场景中的工程化落地。光轮智能代表的中国企业正在连接工业工程知识与机器人学习的基础设施层，将逐渐形成更加全面、系统的产业协同能力。

落地之困：从“运动会”到“进工厂”，机器人还缺什么？

过去两年，人形机器人是展会主角，会挥手、跳舞、翻跟头，但距离工业场景仍有巨大鸿沟。

根本问题在于：工业场景不只看视觉识别，更要深度理解物理世界。制造、装配、物流现场，机器人面对的是持续发生的接触、摩擦、形变、插拔、压装、卡扣及装配公差。仿真关键也不只是复刻几何外观，更要准确表达材料属性、接触关系、摩擦参数、形变规律、设备约束和工艺规则。

现有工业场景有大量CAD、CAE、工程模型、物理参数和工艺知识，却不能直接用于机器人训练评测。中间缺一个转换层：把工业工程知识转化为机器人可交互、可学习、可评测的仿真世界。工业AI进厂，最先检验它的不是模型参数和资本热度，而是严苛的物理世界。

暨南大学机器人智能技术研究院院长柳宁指出，人形机器人距大规模商业化仍远，三大瓶颈——“工业大脑”“灵巧手”“双足稳健性”有待突破；工业实操数据几乎无法在线获取，只能靠人工采集、传感器录制、仿真建模补充，普遍采集慢、覆盖窄、标注贵。

光轮智能联合创始人兼总裁杨海波也表示：“具身智能难以在真实场景规模化评测，让机器人在产线先学半年再上岗不现实。”物理世界三维、带精准交互的数据极度匮乏且昂贵，机器人要像人一样开门、用工具，不仅要识别视觉信息，更要感知力度、摩擦、形变等。

这一缺口背后是中国物理AI底层长期短板。杨海波直言：“我们的工业仿真长期依赖国外，依赖度不亚于芯片，只不过更底层、更隐蔽。”

政策面已开始破局。“人工智能+制造”、高质量数据集、具身中试基地与训练场持续推进；具身智能列入“十五五”未来产业，国家数据局将“数据合成”列入关键攻关方向，工信部《人形机器人创新发展指导意见》强调构建仿真系统与训练环境。产业评价正从实验室指标转向真实作业效能。

技术能力上，光轮智能已成为全球物理AI规则共建力量：作为Newton仿真技术委员会唯一中国企业，与英伟达、DeepMind、迪士尼研究院、丰田研究院共定下一代开源仿真标准；作为EgoVerse人类数据委员会唯一中国企业，与Meta、ScaleAI共构全球人类数据体系。中国企业不再只是工业仿真工具使用者，开始建设连接工业知识与机器人训练的基础设施层。

业内认为，光轮智能正从产业应用侧进入全球规则共建层——不再只适配国际框架，而是参与定义全球物理AI基础设施核心规则。

破局之道：西门子与光轮智能打通工业仿真“最后一公里”

此次光轮智能与西门子的合作，正是针对上述产业痛点的系统解决方案。

这也不仅是一次工业软件与具身智能企业的合作。双方将以光轮智能SimFoundry为核心，探索将西门子工业仿真体系中长期沉淀的工程模型、材料属性、物理参数和工艺约束，转变为可直接调用的物理参数、高精度资产和交互环境，让工业知识真正进入机器人训练过程。

双方将重点推进三个方向：

高精度工业具身仿真。将西门子在工业设计与仿真分析中的工程能力，与SimFoundry的物理测量、求解校准和SimReady资产生成能力相结合，把工业设备、零部件、工装夹具和物料，转化为具备真实物理属性与工程约束的仿真资产，为机器人训练和评测提供更加可信的环境基础。

工业级具身Benchmark。基于SimFoundry构建的高精度仿真环境，通过工业级规模化仿真评测平台RoboFinals围绕插拔、压装、卡扣、柔性接触和复杂装配等任务，建立可复现、可比较、可诊断的评测体系，系统衡量接触精度、任务稳定性、鲁棒性、失败模式和部署风险。目前，光轮智能的RoboFinals以仿真评测结果与真实表现的稳定正相关性为核心指标，使仿真评测能够更有效地预测模型在真实任务中的表现。

典型工业场景落地验证。经过仿真训练和规模化评测的机器人模型，进一步通过RoboStack应用于真实设备与工业任务，形成“从工业中来到工业中去”的完整闭环。

这不是简单的“数字孪生”，而是物理足够真实。无论是工业场景中线缆的柔性插拔，还是家庭环境中冰箱门的磁吸阻尼，都需要在仿真环境中进行毫秒级精度、符合真实物理规律的模拟训练。杨海波表示，光轮智能全栈自研的“求解—测量—生成”三位一体仿真技术，通过自动化物理测量打造虚实对标仿真工厂，确保仿真数据与真实世界高精度对齐。

对工业客户而言，这条链路可以把传统依赖现场反复调试的交付流程，转化为“仿真预训—规模化评测—中试验证—真实部署”的标准化流程，提前识别机器人在接触精度、装配稳定性、设备兼容性和安全性方面的潜在问题，降低产线停机和现场试错成本。

在技术与标准层面，光轮智能已取得关键突破。作为全球首个具身数据独角兽，光轮智能已在人类视频数据、仿真合成数据与工业级仿真评测三个关键领域实现全球交付第一。目前，全球前五的世界模型团队均已与光轮智能建立合作，客户覆盖国内外主流具身大模型团队、机器人本体厂商及产业客户。这表明光轮智能所提供的已非单一环节的单点能力，而是一套能够服务不同模型路线、不同机器人形态、不同产业场景的通用型物理AI基础设施能力。

在商业模式上，光轮智能推动的“复售”策略正在重塑行业规则。部分优质场景数据复售超过10倍，即同一批高质量数据卖给10家以上的不同客户。杨海波表示，复售的价值远超商业本身：“统一标准和共有产权是数据共享共用的前提。我们在推复售，推数据的标准化，意味着AI以数据为中心正在变为以供给为中心，数据供给方推出标品数据，大家共同认可，这是行业巨大的变化。”

在解决行业难点上，光轮智能正推动“持续学习闭环”。机器人落地部署不是终点，其在真实场景中的每一次成功或失误，都是最宝贵的数据，必须回流到训练体系实现迭代。这既是AI模型持续提升的过程，也是商业模式自循环运转的关键。

光轮智能明确提出，公司不是要替代传统工业仿真、CAE或数字孪生公司，而是帮助这些能力进入物理AI的训练、数据和评测体系。它是在激活工业软件——将存量工业仿真资产转化为机器人可用的数据资源，共同做大物理AI市场。

未来之势：双轮驱动，工业成为物理AI最大落地场景

在近日召开的工业和信息化部人形机器人与具身智能标准化技术委员会2026年度全体会议暨“标准周”活动上，工业和信息化部党组成员、副部长柯吉欣透露，去年我国人形机器人产量约为2万台，今年上半年已超过4万台，预计全年将超过10万台。柯吉欣判断，未来两三年可能是人形机器人产业发展的关键点，甚至是新的起点。

行业预测进一步印证了这一判断。中国电信人工智能研究院领军科学家白辰甲判断，具身智能将遵循“工业→商业→家庭”三层路径逐级落地。他给出明确时间表：今年已有基础搬运类工业机器人批量落地；今明两年，兼具精细插拔、微小物件操作能力的新一代具身机器人将大规模走进工业场景；家庭场景还需三到五年。“明年至后年具身智能机器人有望冲击10万至20万台量级。同时，行业数据积累迎来关键拐点，全年有效操作数据总量有望突破百万小时，将直接驱动具身模型实现质的飞跃。”

杨海波在WAIC现场也透露，今年行业数据需求已从去年的几百小时飙升至百万小时级别，增长了百倍甚至千倍。

需求端的释放同样可观，当前工业场景对智能机器人的落地需求已经从概念探索转向刚需实操。钢铁、轨道交通、石化三大传统工业领域已累计落地超百项实操场景，首钢股份发布涵盖38个高危场景的机器人替代清单，北京地铁开放12类刚需应用场景，石化产业重点企业也明确提出智能巡检、高危作业、应急抢险、环保安防等核心需求。然而，全国工商联人工智能委员会常务秘书长张崟也提醒，行业需警惕“伪量产”陷阱：“市场需求决定供给——只有打开制造业、家居等刚性需求场景，量产才有实际意义，否则容易沦为伪量产。”

面对这一趋势，光轮智能也明确表示：具身仿真与工业仿真是“双轮驱动”，工业才是具身智能最大的落地场景。杨海波表示：“工业是具身智能规模化落地的最大入口，而工业物理规律和机器人训练之间，长期缺少一座桥。我们要做的，就是把工业沉淀的工程知识转化为机器人可以规模化学习、评测和部署的基础能力。”他认为，具身仿真必须下沉至工业仿真——将工业中试基地、工业场景从物理实体升级为工业仿真的新型基础设施，确立国家具身智能的工业底座。

此次合作也是光轮智能连接工业仿真产业的一个代表性起点。在机械、材料、流体、电磁、数字孪生和制造工艺等领域，不同工业软件与仿真企业已经积累了大量专业模型、工程参数和行业知识。物理AI时代，这些能力需要进一步完成实时化、交互化和规模化转换，进入机器人训练、评测和部署体系。光轮智能并不替代它们，而是希望帮助工业仿真能力打开新的应用出口。

杨海波告诉记者，未来一段时间，光轮智能将继续推进几件事：一是继续发挥国际标准委员会成员优势，将全球最领先的标准落实到产品中，让中国产业享受最高质量的数据供给；二是联合国内机构推动国标建设，形成行业可参考的标准规范，构建数据共享共用体系。“数据领域不应各自为战，否则会导致市场和国家的资源浪费。只有统一标准、形成复用规模，才能真正把数据供给做好。”杨海波指出。三是继续夯实自主可控的物理AI底座。他透露，光轮智能已与摩尔线程等国内企业开展合作，推动数据生成与仿真评测方案在国产算力环境中的适配运行。未来，光轮智能将继续联合工业软件、数字孪生、工业自动化、算力、模型和制造企业，共建高精度SimReady资产、工业级Benchmark和典型落地场景，推动“工业仿真+具身仿真”成为国家物理AI工业底座的一种候选范式。

但杨海波也坦言，在一些底层能力上，我国与国际领先水平仍有一定差距，“需要构建有组织的协同创新，才能实现真正的技术突破”。

从政策层、产业界到学术界，共识正在形成：工业是具身智能最先、最确定的落地场景，但跨越“从Demo到产线”的鸿沟，需要解决数据稀缺、评测标准缺失、安全体系不完善等一系列问题。光轮智能与西门子的合作，正是在“工业仿真→具身仿真→训练评测→部署反馈”这一关键链路上补齐基础设施短板，正当其时。作为唯一同时进入Newton与EgoVerse两大国际标准体系的中国企业，光轮智能正从技术革新走向规则标准制定，从场景应用走向底层基础设施建设，代表中国企业活跃在全球物理AI产业舞台。