公司融资与市场地位 - 光轮智能完成10亿元人民币的A++及A+++轮融资，引入新希望集团、鼎邦投资、奥克斯、鼎石资管等产业投资方，以及建投华科、国方创新、道禾长期投资、清新资本等财务投资机构 [4] - 本轮融资后，公司成为全球首个具身数据领域的独角兽企业 [4] - 融资资金将重点投入物理仿真引擎研发、规模化模型评测体系升级以及全球交付与本地部署能力建设 [4] 公司业务与产品 - 公司是一家生成式AI与仿真技术深度融合的合成数据提供商，致力于为企业落地AI提供自动化、物理精确可控、真实、可泛化的合成数据解决方案 [4] - 公司开创性地将生成式AI与仿真技术深度融合，提供多模态、高质量、大规模、低成本的合成数据 [5] - 公司产品以世界、行为、评测三层架构为核心，建立了覆盖从物理真实仿真、规模化数据生产到模型能力评测的完整链路的具身规模化数据与仿真引擎 [5] 商业化与市场表现 - 公司是全球唯一同时覆盖三项能力（物理真实仿真、规模化数据生产、模型能力评测）并实现规模化交付的企业 [6] - 公司2025年全年营收实现10倍增长，2026年第一季度单季度预计收入超过2025年全年总和 [7] - 公司合作伙伴包括英伟达、谷歌、Figure AI、1X Technologies、字节、阿里、智元机器人、银河通用机器人、丰田、博世、比亚迪、吉利等大模型、机器人及行业头部团队 [7] 行业合作与影响力 - 全球前五的世界模型团队均已与公司展开合作 [7] - 国际主要具身智能团队中超过80%的仿真资产与仿真合成数据来自光轮智能 [7] - 本轮引入的产业场景方将公司的具身数据生产与物理测量能力延伸至更广泛的真实应用场景，拓展了数据与仿真资产的来源边界 [7]

公司融资与估值 - 光轮智能完成10亿元人民币的A++及A+++轮融资 [1] - 融资完成后，公司成为全球首个具身数据领域的独角兽企业 [4] 投资方构成 - 本轮融资引入了多家产业场景方及财务机构 [1] - 产业投资方包括新希望集团、鼎邦投资（三安光电董事长家族办公室）、奥克斯、鼎石资管等 [1] - 财务投资机构包括建投华科、国方创新、道禾长期投资、清新资本等 [1] 资金用途与公司战略 - 融资资金将重点投入于物理仿真引擎的持续研发 [4] - 资金将用于规模化模型评测体系升级 [4] - 资金将用于全球交付及本地部署能力建设 [4] - 目标是进一步巩固公司在物理AI数据与仿真基础设施领域的领先地位 [4] 公司背景与团队 - 光轮智能成立于2023年 [4] - 创始团队汇集了全球顶尖的生成式AI、仿真与合成数据研发人才 [4] - 公司创始人兼CEO谢晨博士是圈内知名的仿真专家，曾在英伟达、Cruise以及蔚来等企业担任自动驾驶仿真负责人 [4] - 谢晨博士国际首创将生成式AI融入仿真 [4]

文章核心观点 - 具身智能行业正围绕数据采集、模型训练、数据扩展和模型优化的闭环链路发展，数据是当前发展的主线[1] - 行业并非寻求单一最优解，而是在不同阶段和约束下，沿着四条数据路线同时前进[3] - 这四条路线已形成四种具身数据供给范式，并初步形成了以智元、银河、它石、鹿明为首的“具身数据四小龙”格局[4][34] - 2026年行业竞争将加剧，但掌握数据话语权的公司前景看好[5] - 具身智能正从探索阶段走向长期能力迭代，数据体系的重要性从“支撑算法”转变为“决定节奏”[43] 四条核心数据路线及其特点 - **遥控真机数据**：最真实、最昂贵，数据价值密度极高，是研究者的“安全感来源”，但存在慢、贵、强绑定本体、规模扩张成本线性增长等问题，被视为高质量样本但难以大规模供给[6][8][9][10][12][13][14] - **仿真合成数据**：效率高、规模几乎无限，通过技术提升“像真度”，但始终存在与现实世界的“领域鸿沟”，在精细操作和复杂交互中问题会被放大，是很好的“训练场”但难决定真实世界上限[6][16][17][18][19][20][21] - **人类视频数据**：最便宜、数据量巨大、获取成本极低、场景覆盖极广，但易被误解，存在人体与机器人结构不一致、缺少力觉触觉反馈、动作可执行性无保证、标注对齐成本高等问题，通常作为真实交互数据丰富后的“叠加项”而非起点[6][22][23][25] - **UMI数据**：无本体依赖，更通用的数据协议，重新定义了数据与机器人本体的关系，将真实交互数据从特定机器人解耦，实现了真实世界交互、多本体适配、多机并行采集、工业级质量控制及可长期规模部署，让真实数据首次具备持续供给的可能性，正成为重要的具身数据基础设施[6][27][28][30][31] 各路线代表公司及实践 - **遥控真机路线**：海外以特斯拉为代表，国内以**智元机器人**为代表，其开源了百万真机数据集AgiBot World，并支撑了GO-1具身基座大模型和全人形WholeBodyVLA方案[35][39] - **仿真数据路线**：国内以**银河通用**为代表，基于十亿量级仿真数据发布了全球首个全仿真预训练具身大模型GraspVLA及灵巧手抓取数据集DexonomySim[35][39] - **人类视频路线**：海外有Figure AI，国内以**它石智航**为代表，发布了包含10万+真实人类操作视频的WIYH数据集及配套的SenseHub数据采集系统[35][39] - **UMI路线**：海外有Generalist用27万小时真机数据训练Gen0模型验证价值，国内**鹿明机器人**是产业界最早探索该路线的代表，发布了FastUMI Pro系统，使采集效率提升3倍，成本降至传统方案的1/5[35][39] 各数据路线的角色与行业意义 - 遥控真机数据用于**验证能力上限**[40] - 仿真数据用于**放大探索空间**[40] - 人类视频数据用于**扩展语义覆盖**[40] - UMI数据用于**支撑真实世界的长期数据供给**[40] - 四条路线并非互相否定，而是各自承担不同角色，共同构成行业的数据供给结构[38] - UMI路线对团队早期选择与持续投入依赖更强，其积累是路线选择和长期投入的结果[41][42] - “具身数据四小龙”是当前阶段性结构分工的描述，未来优势将取决于哪些团队能在真实世界中持续运行并累积数据[44][45]

文章核心观点 - 具身智能行业正处于从技术演示走向规模落地的关键转折期，高质量数据已成为性能突破和成本控制的核心瓶颈 [2] - 数据采集方式正从以政府支持的同构遥操作数采工厂为主，向多元化发展，包括UMI、动捕、仿真及In-the-wild（野外采集）等多种范式 [3][9][18] - 行业处于早期阶段，数据公司、模型公司与本体公司需深度磨合与协作，共同迭代，而非简单的数据买卖关系 [4][6][7] - 中美在具身智能数据领域技术代差不明显，但发展路径因资源禀赋（如地方政府支持）不同而存在差异，可能形成“资源诅咒” [9][12] - In-the-wild数据采集是未来的重要愿景，但目前面临技术、设备、数据质量与人力组织等多重挑战，大规模应用尚需时日 [20][22][23] 数据质量的定义与评估 - 好的数据应以终为始，最终能有效提升模型性能和机器人训练收益 [4] - 数据质量的关键决定因素包括：采集成本、对不同场景和硬件的适应性 [4] - 数据公司需具备模型知识，与客户共同迭代，才能提供高质量数据，而非仅进行体力劳动式的采集 [6][7] 数据采集方式的多元化发展 - 当前主要数据采集方式包括：遥操作、UMI（通用操作接口）、动捕、仿真数据，各种方式“存在即合理”，未来将更加多元化 [3][18] - 中国地方政府大力支持建设以遥操作为主的数采工厂，短期内促进了行业，但可能影响技术路线的多元化探索 [9][16][17] - UMI作为一种跨本体的、以人为中心的数据采集方式，因北美公司（如Sunday Robotics）的推动而受到广泛关注，特别适用于占据中国市场99.9%以上的二指夹爪机器人生态 [11][12][14] - In-the-wild采集是通向通用机器人的关键，但当前技术门槛高，需先解决低摩擦、高精度、多模态的采集设备及从稀疏数据提取稠密信息的技术问题 [3][20][22] 行业协作模式与数据价值 - 行业早期，数据公司与模型/本体公司是相互磨合、共同成长的关系，模型公司需要数据公司的专业建议 [6][7] - 数据与算法不可分割，数据公司需深入理解算法模型，通过采集-训练迭代获得针对特定任务的宝贵经验（know-how和insight） [7][8] - 拥有全链路能力（数据、模型、部署）的垂直场景公司能快速积累经验，但资源要求极高；数据公司可通过与不同场景客户合作，积累跨场景经验而找到生存路径 [26][27][28] 中美发展路径对比与行业现状 - 中美在机器人数据领域没有明显技术代差，共识大于分歧 [9][12] - 主要差异在于资源禀赋：中国有地方政府助力，倾向于投资建设遥操作数采中心；美国缺乏此类支持，促使了如UMI、In-the-wild等更多元采集方式的发展 [9] - 行业仍处非常早期，每年有200亿至300亿美元的资金投入，但技术成熟度远低于当年同等投资规模下的VR、自动驾驶等行业 [24][25] - 最终技术路线尚未收敛，行业参与者均在跟随正确方向探索，数据是其中相对确定的切入点 [26][29] 公司愿景与展望 - 诺亦腾机器人愿景是作为智能化的赋能者，服务于成功的机器人本体公司 [29] - 极数迭代认为从数据切入是行业早期最具确定性的创业机会，旨在跟随最先进方向积累能力 [29] - 鹿明机器人旨在深耕UMI数据采集领域，目标是成为该领域的Top1，并计划在未来2-3年内完成从工厂采集到野外采集的跨越 [30]