问题： 近年来，具身智能技术快速发展对训练数据提出了更高要求，但真实世界数据的采集面临成本高、效率低、安全性不足等挑战，成为制约行业发展的主要瓶颈； 原因： 杨海波分析，大语言模型的成功得益于互联网积累的海量文本数据，而物理世界的数据几乎处于空白状态。真实数据的获取不仅周期长、风险大，且难以满足跨场景、规模化的训练需求。相比之下，仿真合成数据能够通过高精度模拟物理世界的力学特性，为具身智能提供高效、安全且可复用的数据支持。 影响： 光轮智能自2023年成立以来，迅速成为全球具身智能领域的主要数据服务商。目前，超过80%的国际主流具身智能团队依赖其仿真资产，世界模型与多模态模型团队也纷纷成为其客户。此现象表明，仿真数据已成为行业发展的刚需。 对策： 杨海波强调，光轮智能从创立之初便专注于仿真合成数据赛道，而非被动跟随市场趋势。其技术核心在于确保物理层面的准确性，而非仅追求视觉逼真度。通过高精度模拟受力、接触、形变等关键要素，光轮智能的数据服务有效降低了行业试错成本，加速了技术迭代。 前景： 随着具身智能应用场景的不断拓展，仿真数据的市场需求将深入扩大。杨海波预测，未来机器人和智能体将像手机、汽车一样普及，而仿真数据作为底层支撑，将成为推动物理AI落地的关键基础设施。行业竞争焦点也将从“是否使用合成数据”转向“如何优化数据质量与效率”。
仿真合成数据的崛起，反映了人工智能从虚拟世界向物理世界拓展的必然需求。它并非简单替代真实数据，而是在物理世界试错成本高昂的现实下，人类探索AI训练新路径的创新实践。随着具身智能产业的深入发展，仿真合成数据将逐渐成为与芯片、算法同等重要的战略性资源。谁能在此领域建立技术和生态优势，谁就能在物理AI时代掌握更大话语权。这一过程既是技术演进的体现，也是产业升级的必然趋势，值得持续关注。