在当今人工智能技术的发展浪潮中，我们正经历着一场从大模型所构建的“语言世界”向具身智能所主导的“物理世界”的深刻跨越。这一转变不仅仅是应用场景的拓展，更是对AI底层能力维度的全新挑战。光轮智能联合创始人兼总裁杨海波在MEET2026智能未来大会上敏锐地指出，具身智能的规模远超现有的文本与视觉模型，其核心原因在于数据维度的真实性、复杂性以及多样性。
这一观察揭示了具身智能时代的核心命题：算法固然重要，但决定其上限的，往往是它所依赖的数据是否有效、可扩展。面对真机数据采集成本高昂、场景单一且难以覆盖长尾情况的困境，仿真技术被公认为是解决这一难题的唯一路径。然而，传统的仿真方案长期受困于“仿真不真实”与“Sim2Real不可靠”的魔咒。为了打破这一僵局，光轮智能通过全栈自研的“测量、生成、求解”三位一体仿真基础设施，为具身智能提供了从数据生成、训练到评测的全流程解决方案，正在重塑整个行业的底层逻辑。
传统仿真的痛点：为何Sim2Real总是失效？
在深入探讨解决方案之前，我们需要先厘清传统仿真为何在实际应用中屡屡碰壁。杨海波将原因归结为三个主要方面：物理层面的不真实、视觉资产的失真以及交互行为的不准确。
首先，物理层面的不真实是根源性的问题。传统的仿真引擎往往依赖猜测或经验来设定物理理论模型及其参数，例如摩擦系数、阻尼系数等关键指标。这种依赖经验的方式导致了力的反馈计算存在巨大偏差，使得智能体在仿真环境中学习到的策略无法适应真实世界的物理规律。
其次，视觉资产的失真严重影响了模型的环境感知能力。材质纹理的粗糙、光照渲染的不自然，以及精细度的不足，使得仿真环境看起来像是一个“低配”的游戏场景，而非真实的物理世界。这种视觉上的违和感，直接限制了视觉模型在预训练阶段的特征提取质量。
最后，交互行为的不准确是导致Sim2Real Gap（仿真到现实的鸿沟）扩大的关键因素。真实的物理交互充满了复杂的非线性关系，例如打开冰箱门不仅需要推力，还需要克服门边磁吸的吸附力；或者在拉下卷帘时，窗外的光影会随着卷帘的移动而发生实时变化。如果仿真环境无法精准模拟这些交互细节，机器人在仿真中看似完美的策略，一旦部署到真机上，成功率往往会从理论的100%跌落至不足5%。
虚实对标：打造物理测量工厂
针对上述痛点，光轮智能没有选择在现有的仿真引擎上进行修补，而是选择了一条更为艰难但彻底的道路：自研一套全新的“测量、生成、求解”三位一体解决方案，并建立了一座“虚实对标物理测量工厂”。
这套体系的核心在于“测量”。光轮智能抛弃了传统仿真中依赖参数猜测的做法，转而通过自研的测量设备，对真实世界中的物体、材质、力场进行自动化的物理测量。无论是工业门的阻尼感、医疗场景下脏器的柔韧度，还是线缆的曲度变化与接口插拔力，都通过高精度的测量设备进行数字化采集，确保仿真环境中的每一个物理参数都与真实世界100%对齐。
在测量的基础上，生成系统负责构建高保真的资产与场景。这些资产不仅要求视觉上的逼真，更要求物理上的精确。系统覆盖了刚体、铰链、流体、可形变物体等多种物理形态，能够模拟蛋糕奶油的流动、线缆的缠绕、草莓被摘下时的受力断裂等复杂物理现象。为了解决行业内的标准混乱问题，光轮智能还推出了“LW-Ready”行业标准，统一了包括轴向定义、物理属性接口在内的多项规范，主流厂商纷纷跟进，使得这一规范成为了行业事实上的标准。
全自研GPU求解器：仿真引擎的“心脏”
如果说测量与生成解决了“素材”的问题，那么求解器则是处理这些素材的“大脑”与“心脏”。光轮智能全栈自研的GPU Solver，是其技术护城河中最坚固的一环。
这款求解器支持百万级自由度的实时求解，能够实现刚体、流体、球体等多物理场的耦合计算，物理精度达到了亚毫米级，更新频率更是高达千赫兹。这意味着，在仿真环境中，机器人的每一个微小动作、每一次力的接触，都能被以极高的精度和速度计算出来。
通过运用深度的计算物理、数值分析、刚体动力学、接触力学以及约束求解等跨学科知识，光轮智能的求解器在数值稳定性和计算效率之间找到了完美的平衡点。特别是在机器人任务优化环节，其独特的算法创新在接触力计算、抓取模型构建以及行走稳定性控制等关键环节表现优异，为具身智能的训练提供了坚实的算力支撑。
构建具身合成数据SuperApp
拥有了强大的底层基础设施后，光轮智能并没有止步于技术的自嗨，而是将目光投向了生态构建。杨海波强调，仿真不是孤立的技术工具，必须以真实产业需求为锚点，通过应用场景构建生态。为此，光轮智能从第一天起就致力于打造仿真领域的“爆品应用”，即具身合成数据SuperApp。
首先是全球最大的仿真遥操采集工厂。光轮智能在国内外建立了多个基地，自研了包含6D鼠标、AR、VR等多种方式在内的采集框架，并运用自动化质检与标注技术，确保了数据产出的高质量与高效率。这套系统不仅服务于世界模型公司，也为具身智能本体公司提供了核心的“燃料”。
其次是大规模RL训练平台LW-BenchHub。该平台可以在高仿真环境中同时运行成千上万个并行的仿真实例。每个实例都可以尝试不同的抓取策略和力控参数，且虚拟环境中的零件可以无限复制，即使发生碰撞也不会造成损失。这种24小时不间断的试错学习，极大地加速了智能体的技能习得过程。同时，平台还能自动生成极端的长尾场景，如位置偏差、表面污渍等，有效增强了机器人的鲁棒性。
最后是行业首个工业级机器人评测平台RoboFinals。随着模型能力的不断提升，传统的学术基准已无法有效评估前沿模型的真实水平。RoboFinals涵盖了一百项工业级任务，涉及家居、工厂、零售等真实场景，支持跨机器人、跨仿真器的统一评测。作为全球使用频次最高的仿真应用之一，它为行业树立了标准化的度量工具，推动了技术与产业的持续迭代。
结语
光轮智能的全栈仿真平台，本质上是在构建一个与物理世界平行的数字宇宙。通过自研GPU求解器、虚实对标的物理测量工厂以及一系列SuperApp应用，他们不仅解决了具身智能的数据难题，更为行业的基础设施建设提供了新的范式。未来，随着上下游伙伴的协同深入，这套仿真底座必将打磨得更稳、更准、更易用，驱动机器人加速迈向通用人工智能的时代。
