光轮智能入选EgoVerse：中国企如何定义具身智能数据标准？
在人工智能发展的历史长河中，数据集往往扮演着“基石”的角色。2009年，李飞飞团队发布的ImageNet不仅催生了深度学习革命，更确立了一种通过统一数据标准促进全球协作的模式。17年后的今天，这一逻辑正在具身智能（Embodied AI）领域重演。由李飞飞博士生Danfei Xu发起的EgoVerse联盟，旨在为机器人学习构建类似的基础设施。值得注意的是，光轮智能作为唯一的中国企业，正式加入这一顶级标准制定行列，这标志着中国企业在全球物理AI底层基础设施建设中，正从单纯的技术应用者向规则共同定义者转变。
从静态数据集到动态协作生态
具身智能长期面临一个核心悖论：机器人训练高度依赖真机遥操作，采集成本高、速度慢且场景受限。相比之下，人类演示蕴含丰富的视觉、动作和策略信息，是更优质的老师。然而，过去的人类数据集多为一次性项目，缺乏统一的结构和语义标准，导致不同团队的数据难以互通和复用。
EgoVerse的诞生正是为了解决这一痛点。它不仅仅是一个数据集，而是一套“活”的协作框架。当前公开版本已包含1362小时的人类演示数据、约8万个episode以及1965项任务。更重要的是，EgoVerse定义了共同的数据结构、任务语义和评测方法，确保不同实验室产生的数据能够相互兼容。这种“语言体系”的统一，使得全球具身数据开始按照同一套标准流动，为跨实验室复现和跨机器人本体迁移奠定了基础。
全球头部机构的协同分工
EgoVerse的成功依赖于全球顶尖高校、研究机构和企业的深度协作。每个参与方都在解决具身数据链条中的特定环节，形成了完整的生态闭环。
佐治亚理工学院作为组织中枢，负责搭建研究框架，推动不同实验室在共享协议下回答同一组科学问题。斯坦福大学Shuran Song教授团队则专注于打通“具身鸿沟”，其开发的UMI（Universal Manipulation Interface）技术，使得人类操作经验能够转化为可部署的机器人策略，摆脱了对固定硬件的依赖。
硬件层面，Meta提供的Project Aria专用采集眼镜，解决了第一视角数据的空间感知问题，将“人看到了什么”升级为“人在三维世界中如何行动”。Mecka AI则推动了采集设备的平民化，通过iPhone和轻量化头戴装置，让数据采集从实验室走向家庭和商业场景。
在数据规模化处理方面，Scale AI凭借其在AI数据基础设施领域的深厚积累，将数据生产转化为成熟的运营系统，确保海量异构数据能够被清洗、标注并转化为稳定可用的产品。
光轮智能：构建规模化下的数据质量闭环
在众多参与者中，光轮智能的独特价值在于其构建了一套贯穿全流程的数据质量控制体系。当具身数据生产迈向千万级小时，单纯依靠采集工具和后处理已无法满足质量需求。视角偏移、动作遗漏、标注不一致等问题会被同步放大，导致数据规模增长但有效信息并未同步增加。
光轮智能通过三个关键环节解决了这一难题。首先，引入Agent驱动的数据采集质量控制。传统质检往往在数据上传后进行，发现问题的数据只能作废或补采。光轮智能的Agent体系在采集现场实时检查设备状态、任务流程和动作完整性，并在发现风险时推动现场纠偏。同时，Agent还能根据已有数据分布，动态调控下一轮采集的人群、场景和任务类型，避免样本重复，实现从“事后抽检”到“过程控制”的转变。
其次，实现多硬件兼容的云端统一标准。无论原始数据来自Aria、iPhone还是其他多模态设备，光轮智能的EgoSuite平台都能通过视觉惯性里程计（VIO）、三维手部与Body标注以及V7级动作语义标注，将其转化为统一质量标准下的训练资产。这种“硬件多元、标准一致”的思路，确保了数据进入模型前的规范性。
最后，通过仿真与评测验证数据价值。光轮智能将自研仿真平台SimFoundry与工业级评测平台RoboFinals接入数据质量闭环。SimFoundry将人类数据转化为机器人可执行的仿真任务，RoboFinals则通过标准化评测验证数据的学习价值。评测中发现的失败案例会反馈给采集端，指导下一轮数据采集，形成持续优化的闭环。
从数据到仿真：定义全球物理AI基础设施
随着具身智能从单点验证走向规模化发展，行业竞争已延伸至底层基础设施与标准体系。目前，两条关键主线正在形成：一是以EgoVerse为代表的数据基础设施，定义高质量具身人类数据的采集、组织和迭代；二是以Newton为代表的物理仿真基础设施，定义机器人在遵循真实物理规律的仿真世界中的训练与验证。
Newton由NVIDIA、Google DeepMind、Disney Research、光轮智能和Toyota Research Institute共同发起，旨在构建全球具身智能的重要物理仿真基础设施。光轮智能成为唯一同时参与EgoVerse和Newton这两大国际标准体系的中国企业，其意义深远。
在EgoVerse中，光轮带入的是全流程数据质量体系，推动人类数据质量从依赖人工经验走向可定义、可比较、可验证的工程标准。在Newton中，光轮参与物理求解、仿真资产和机器人训练评测等核心能力建设，推动真实世界转化为机器人可交互的仿真环境。
如果说ImageNet为视觉AI建立了共同的数据基础设施，那么EgoVerse和Newton则分别从数据和仿真两个方向，为物理AI建立新的全球基础设施。光轮智能的参与，不仅意味着其技术实力获得国际认可，更标志着中国企业在全球物理AI基础设施规则制定中，开始发挥关键作用。这种从“使用者”到“定义者”的角色转变，将为全球具身智能产业的标准化和规模化发展提供重要支撑。
未来，随着EgoVerse和Newton标准的不断完善，具身智能将摆脱数据孤岛和仿真壁垒，进入高效协作的新阶段。光轮智能等中国企业的深度参与，将为这一进程注入新的活力，推动全球具身智能技术向更高质量、更广场景和更强通用性迈进。