转自：证券日报网

    本报记者 李乔宇

    8月19日至8月23日，2026世界机器人大会在北京亦庄召开。约5万平方米的展馆内，300余家企业、超3000件展品同台亮相。与往年形成鲜明对比的是，机器人不再只活跃于舞台上，而是愈加熟练地忙碌在模拟产线、物流仓库、咖啡店等现实场景中。

    机器人从表演走向实用，这一转变既反映出我国具身智能产业链在关节模组、灵巧手、传感器等核心部件上的日趋成熟，也预示着在硬件能力逐渐趋同的背景下，场景理解与落地能力将成为下一阶段的竞争重心。而高质量数据，正是打通场景闭环的关键所在。

    “今年以来公司承接的数据需求呈指数级跃升。”光轮智能（北京）科技股份有限公司（以下简称“光轮智能”）联合创始人兼总裁杨海波在此次大会现场告诉《证券日报》记者，去年光轮智能承接的单笔订单对于数据的需求量尚停留在数百至数千小时的量级，而今年已出现单笔达上百万小时的订单。

    他表示，大语言模型有互联网数十年积累的文本数据可供调用，自动驾驶亦有百余年道路测试的沉淀，但具身预训练的数据基础近乎空白。但这种情况正在发生变化，他表示，2026年将成为具身智能数据规模化的元年。

十万小时开源数据补齐行业短板

    走进光轮智能位于2026世界机器人大会C馆C121的展位，记者注意到，最吸引人的不是展板上的技术架构图，而是几个正忙着制作咖啡的工作人员。

    这些工作人员头戴传感设备，手腕上还固定着一枚微型相机，熟练地制作一杯手冲咖啡。在工作人员头顶的屏幕上则实时呈现着另一番景象，三维空间中的手部轨迹被逐帧记录，手指的每一个关节角度、手腕的每一次旋转、手掌与咖啡壶之间的接触力和摩擦系数，都被量化为一条条数据流，源源不断地汇入后台系统。

    这是光轮智能数据采集系统的现场演示，这些真实的人类动作，正在被转化为机器人可以学习的“教材”。通过学习这些“教材”，机器人能够习得操作逻辑，理解场景细节，真正走进真实世界。

    咖啡制作只是光轮智能EgoSuite人类数据平台采集体系的冰山一角。在更广阔的场景中，这套系统正在记录人们在厨房做饭、在工厂装配零件、在仓库分拣包裹、在药房取药，甚至在田间劳作的全过程。

    杨海波向记者表示，具身智能对数据的要求和大语言模型存在本质区别，它不只是简单的视觉信息，还需要力反馈、形变、接触交互等多维度物理信息。仅仅依靠真机搭建采集场，很难满足产业爆发的需求。

    “真机采集模式存在难以回避的现实短板。”杨海波坦言，搭建实体场景成本高昂，硬件设备存在损耗。场景、人物、姿态的多样性很难做到充分覆盖，单纯依靠真机遥操，很难支撑起千万小时以上级别的训练素材供给。行业迫切需要人类视频数据、仿真合成数据两条路径并行，共同完成数据供给。

    8月20日上午，光轮智能发布了全球首个十万小时级全模态人类行为开源数据集EgoSuite-Open100K。这正是光轮智能针对行业痛点给出的公共供给方案。据悉，该数据集整体规模达到十万小时，覆盖7大类环境，128个细分场景，15000余种真实任务。采用头显加腕部双视角采集，同步输出手部全身位姿、事件级语义标注。首批资源已经通过海外开源平台与国内AtomGit同步开源，面向学术研究与商业训练开放使用。

    10万小时只是一个起点。杨海波坦言，开源不只是对外释放一批静态文件，更是为行业输出一套统一的数据范式。过去国内具身数据领域各自为战，不同团队采集口径、标注格式互不兼容，数据资产很难跨项目复用。统一标准的公开数据集，能够降低中小研发团队的入门门槛，推动行业沉淀事实标准。

    大会期间，光轮智能与多个领域的头部企业签约，在汽车、农业、工业等多个场景中落地这一闭环。光轮智能同时推出了“5年100亿小时数据共建计划”，围绕数据标准、评测闭环、模型协同设计三项工作，推动全行业共建开放的数据生态。

仿真底座搭建产业标准化考场

    如果说高质量数据是机器人的学习教材，标准化仿真评测就是产业必不可少的考场。杨海波表示，大语言模型、自动驾驶都拥有海量真实场景可以完成效果校验。但具身智能很难在产线、家庭现场开展上万次破坏性、高风险重复测试。真机反复试错的时间成本、物料损耗、安全风险都很难承受。

    “仿真是具身智能评测的最优解。”杨海波断言，仿真环境可以做到任务可复现，多模型同台对比，结果可量化，支持大规模并行测试。机器人可以先在虚拟环境解决绝大多数问题，剩下一小部分差异再到真实场景对齐。但这一切成立的前提，是仿真环境具备足够的物理真实性，而不是仅做到视觉层面的渲染。

    光轮智能SimFoundry三位一体全栈自研仿真底座，核心就落在物理求解、物理测量、资产生成整套体系。可以复现磁吸阻尼、线缆柔性形变、物体摩擦等现实世界的复杂物理特征。RoboFinals工业级仿真评测平台，则补齐了具身智能产业的中试验证短板。

    传统工业中试面向确定性设备工艺，参数固定，追求最优生产结果。具身智能属于复杂大系统，本体硬件、模型算法、传感器、环境变量全部存在不确定性。这就要求中试环节必须实现可量化、可对比、可复现、大规模并行评测。RoboFinals可以把工业产线的真实工艺约束转化为仿真任务，大规模测试不同本体、不同模型版本的表现，定位失败模式，反向指导数据补采和模型迭代。

    杨海波告诉记者，评测不是输出一个简单的分数，而是找到模型能力的边界，给出迭代优化的明确方向。评测完成不等于工作结束，真实上岗之后的反馈同样至关重要。

    在此次大会上，光轮智能发布RoboStack真实场景部署与反馈平台。该平台能够打通仿真训练、仿真评测、真机上岗、失败样本回流的完整链路。

    “机器人在真实作业中出现的错误、人工接管的案例，可以自动回传到数据体系。针对性补充训练素材，再回到仿真环境复测验证，迭代完成之后重新下发部署。由此形成Real2Sim2Real持续学习闭环。”杨海波表示。

    过去很多项目属于一次性交付，机器人部署完成之后很难吸收现场经验持续变强。这套闭环体系，让每一台上岗工作的机器人，都可以反过来为整个模型体系贡献经验。杨海波表示，工业制造、物流仓储、农业、医疗康养等场景都可以复用这套迭代逻辑。

（编辑 周文睿）