44.7 亿具身数据融资，一家公司拿走七成——资本在为什么定价？

作者：彭堃方

编辑：吕鑫燚

出品：具身研习社

在 2026 年，具身智能进入“数据规模化元年”。比产品形态更早出现明确分化的，是资本流向。

据量子位统计，过去一年，国内具身数据方向 15 家独立服务商共完成 34 起融资，累计 44.7 亿元；其中约七成资金，只流向了一家公司——光轮智能。

在具身数据这个看起来百花齐放的赛道里，资金并没有均匀撒向所有采集公司、遥操作平台、仿真工具和数据集运营方，而是高度集中在同一家企业身上。

资本为何会形成如此集中的选择？

这个问题比讨论“具身数据是不是一门好生意”本身，更能看清行业正在发生的深层变化。

要理解为什么资本高度集中，先要理解今天大部分具身数据业务到底是怎么运转的。

当前具身数据市场中，较为常见的模式仍是围绕具体客户、机器人本体和任务开展项目制交付：客户提出一个具体任务，数据公司围绕指定本体、场景与动作完成采集、清洗、标注与交付；项目结束，数据的商业生命周期也基本结束——下一次模型升级、更换本体或切换任务，客户往往需要重新提出需求，再走一轮采集。

这套模式并没有错——它创造了收入，也切实缓解了行业早期的数据短缺。但它的局限也很清晰：增长依赖更多客户、更多设备、更多采集人员；每一次交付结束，前一批数据几乎无法进入下一次交付。

随着模型能力越来越依赖数据的组织方式而不是单纯的算法结构，具身 AI 正在进入以数据为中心的阶段。行业竞争的核心，也正在从“谁能交付更多数据”，转向“谁能持续发现模型缺口，并通过数据、仿真、评测和部署反馈推动能力改进”。

真正决定一家具身数据公司能否越过项目制天花板的，不是它是否承接项目，而是每一次项目之后，能否沉淀出可复用的数据、场景、评测证据和部署经验，让下一次相似任务不再从零开始。

面对这一转变，光轮智能选择的不是扩大一次性交付规模，而是把真实数据、物理仿真、规模化评测和部署反馈连接起来，使一次项目产生的资产和经验能够进入下一轮能力交付。

如果只看采集本身，具身数据行业并没有严格的高门槛。真正拉开差距的，是能否让数据从“做完就完”，变成可持续复用、可跨客户调用、可反向定义任务与训练的平台型能力。

光轮与传统数据服务商的真正差异，并不只是一批数据能够卖几次，而是它已经把物理世界、行为数据、规模化评测和部署反馈组织成了一条持续学习闭环：

• SimFoundry 把真实世界的物体、材料、摩擦、形变、接触关系变成可训练、可评测、可复用的仿真世界；
• EgoSuite 采集大规模人类第一视角操作数据，把人类经验作为机器人的学习素材带进系统；
• RoboFinals 在规模化仿真环境中系统识别模型的能力边界与失败模式，反向定义下一轮数据生成与训练迭代；
• RoboStack 连接真实产业场景，把部署中出现的新任务、异常工况与失败样本，回流到数据、仿真与评测系统。
• 
  

图：光轮智能的数据、评测与部署反馈闭环

四个环节共同构成一条Real-Sim-Real 持续学习闭环——每一次交付不只产生收入，也在积累下一次能力交付所需的资产、证据和经验。真实部署是这套系统的最终裁判：只有部署反馈闭合，前面的仿真与评测才有真正意义。

在这套机制之下，光轮沉淀出了一组能够交叉验证其规模化供给、标准化能力与平台属性的指标：

第一，主流具身智能团队中，超过 80％ 的仿真资产与合成数据来自光轮。全球前五的世界模型团队均已与光轮开展合作。这说明光轮的仿真资产与合成数据能力，已经进入大量主流团队的研发链路，并获得头部模型团队的规模化验证。

第二，优质场景数据复售倍数超过 10 倍。在传统数据服务里，一份数据几乎只对应一个客户、一次训练任务。而光轮的优质场景数据，能够在不同客户、不同模型阶段、不同任务体系中被反复调用——这首先证明数据的定义能力和质量控制已经具备一定标准化基础，其次说明商业模式开始从“卖项目”走向“卖资产”。复售率不是基础设施能力的全部证明，但它是这条链路上重要的商业证据之一。

光轮的这套体系，从一开始就不是在实验室里长出来的——它一直在真实产业现场里被使用、被校准、被反向定义。

近期，光轮智能与西门子达成深度合作，该合作将推动工业仿真与具身仿真的深度打通：让工业领域长期积累的物理模型、工程参数和工艺知识，从服务设计与验证，延伸为机器人训练、评测和部署所需的物理AI基础能力。

值得关注的是，这为工业仿真、CAE和数字孪生企业进入物理AI提供了一条新的路径——通过光轮智能连接既有工业资产与机器人学习体系，而不必完全从头搭建具身技术链路。西门子的合作正在成为这种模式的代表性案例，光轮则正在成为工业仿真生态接入物理AI的开放接口。

也正因为如此，工业软件里几十年沉淀下来的物理知识，第一次有了被机器人持续调用的可能——具身智能行业从“能不能完成一次演示”到“能不能稳定进入产线”的这段路，第一次有了一条可以被复用的工程通道。

在国际范围内，判断一家企业是否具备“基础设施属性”，最直接的锚点并不是它宣称拥有什么，而是它的能力是否已经被行业反复使用，以及它是否进入了国际主流的规则共建路径。

在过去一年，光轮智能沿这两条路径都跑出了明确的信号。

首先是市场层面的事实标准。数据 10 倍复售意味着，同一批数据被不同客户、不同模型、不同任务反复验证；RoboFinals 在真实任务上沉淀出了可复现、可比较、可诊断的评测证据。这两件事共同说明，光轮的能力已经在真实的产业使用中，长成了一层被反复调用的公共接口——这是最扎实的一种“事实标准”。

其次是参与定义国际物理AI 双标准。

2026年3月，光轮智能加入国际开源 GPU 加速物理引擎 Newton 。Newton 由 NVIDIA、Google DeepMind、Disney Research、Toyota Research Institute 等国际机构共同发起，光轮智能是其技术指导委员会（TSC）中的唯一中国企业，参与推动下一代物理 AI 仿真的技术方向、生态治理与相关规范共建。

2026年6月，光轮智能加入国际具身人类数据开放生态 EgoVerse 。EgoVerse 由多家国际研究机构、模型团队与数据组织共同发起，围绕人类第一视角数据的采集标准、质量规范、评测与共享机制开展协作。光轮智能是其中的唯一中国企业成员。

图：光轮智能参与定义物理AI两大国际标准

如果说 Newton 关注物理世界如何被准确模拟和计算，EgoVerse 则关注人类经验如何被标准化采集、组织与验证——两者共同构成了物理 AI 时代最前沿的两条规则线。

基础设施的价值，最终要通过生态释放。英伟达通过 CUDA、开发者工具链和云端算力生态，把芯片、模型、开发者和应用组织进同一套基础设施接口。光轮智能则通过推进开放生态，让数据与评测基础设施接入更多生产端、算力端、模型端和场景端。

在人类数据侧，光轮智能与 PICO、舞肌等硬件伙伴协同，推动头显、灵巧手、触觉手套、传感器等设备进入标准化采集体系，让真实世界经验规模化进入 EgoSuite；在云与算力侧，光轮智能与阿里云、摩尔线程等伙伴合作，支撑仿真训练、数据生成和规模化评测在云端与算力集群上高效运行；在模型侧，光轮智能与生数科技等团队协同，推动生成世界从"视觉真实"走向"物理可信、任务可用、真实场景可验证"；在产业场景侧，光轮智能与新希望、宝通科技等伙伴合作，将真实任务、真实流程和真实反馈转化为可复用的数据。

这意味着，光轮智能的开放生态已经形成一整套面向物理 AI 的接口体系：硬件生态负责采集高质量数据，云与算力生态支撑基础设施规模化运行，模型团队验证物理可信世界，产业场景生态提供真实任务与反馈，标准体系则让机器人能力能够被统一检测、比较和验证。

从被市场反复使用形成事实标准，到被国际共同体接纳进入规则共建，光轮完成的是一条完整的标准化路径——标准不是自我加冕，而是能力被产业广泛调用之后自然形成的结果。

回到最开始那个问题：资本为什么高度集中地押注在同一家公司？

答案已经不在“采集能力”或“复售倍数”任何单一指标里，而写在整条链路上：

当下具身数据行业正在悄然出现分化——一部分公司仍在以项目为单位交付数据，做一门“更好的企业服务”；另一部分公司，则在把数据、场景、任务、评测和部署反馈组织成可复用、可迁移、可持续放大的能力，向真正的基础设施演进——并在这个过程中，进一步参与到国际规则的共建里，去定义机器人如何学习真实世界的标准。

光轮智能所走的，是第二条路。它证明的不是“数据也可以很值钱”——而是当数据被组织成基础设施、被系统化进入标准、并与真实产业场景形成协同时，它不再是一门数据业务，而是一层新的产业底座。

在这层底座之上：模型公司拥有可复现、可比较、可诊断的评测标尺；本体厂商拥有能规模化暴露短板的仿真练兵场；产业客户拥有“机器人能不能上产线”的可信答案；地方政府拥有一套可以被复制到不同产业带的升级范式。数据不再是被消耗的原料，而是让整个物理 AI 产业能持续运行的公共接口。

因此，44.7 亿元资本之所以会高度集中在同一家公司身上的问题有了答案——它们真正在为之定价的，不是一家能够交付更多数据的公司，而是一套能够把真实物理、行为经验、规模化评测与部署反馈持续转化为机器人能力的基础设施。

它让每一次交付不再结束于项目验收，而是成为下一次能力进化的起点。从这个视角看，光轮智能正在搭建的，也不只是自身业务增长的平台，而是一层支撑模型训练、迭代与产业部署、运转的物理 AI 底座。