融资数亿、营收过亿！黄仁勋频频关注的具身赛道隐形冠军浮出水面

衡宇
2025-11-19
14:33:33

来源：量子位

衡宇 发自 凹非寺

量子位 | 公众号 QbitAI

刚刚，一家AI公司的融资引发了圈内热议。

Why？因为它与具身智能息息相关，也与通往物理AI的世界模型密不可分。更准确来说，完成融资的这家公司是站在二者相关生态上的关键供应链公司——仿真合成数据公司。

量子位最新获悉，仿真合成数据公司光轮智能，刚刚完成数亿元A轮、A+轮融资。

此次披露的投资方里，既有东方富海、九派资本等机构投资者，也有三七互娱、琥珀资本等产业方。老股东辰韬资本也持续加注。

而同样受关注的是它合作的客户，既有英伟达、谷歌、阿里、字节，也有Figure AI、1X Technology、智元机器人、银河通用，还有Toyota，BOSCH、比亚迪、吉利……

一己之力，串起了整个AI生态。

有消息称，这家全球唯一专注仿真合成数据的技术公司，营收已突破亿元大关。

而作为全球首家把生成式AI融入仿真技术的公司，光轮智能的创始人是圈内声名卓著的大佬谢晨——之前英伟达、Cruise及蔚来的仿真负责人。

最近一次出圈，则因为与黄仁勋女儿Madison Huang的首秀对谈，谈论的话题还是风口上的物理AI……

物理AI是黄仁勋在2025年年初点燃的风向，但短短一年之内，风口拐点正在不断被证明。

光轮智能，就站在这个风口拐点上，这也是它被关注和看好的核心原因。

为什么被看好？因为风口拐点真的来了

AI浪潮正在从信息领域扩散至物理现实。

然而一旦进入需要与物理世界交互的场景，比如操控物体、完成任务或适应变化环境，现有AI系统仍存在明显短板。

如AI教母李飞飞在其广受关注的长文《From Words to Worlds》中所指出的那样：人类理解世界，不仅仅看到眼前的东西，还要理解它们在空间上的关系、语义上的意义，以及现实中的重要性。

这种“空间智能”的能力，正是AI下一阶段突破的核心。

这也解释了，为什么当下全球研究和产业界都将注意力集中到了世界模型和具身智能上——它们是打通AI与物理世界之间壁垒的关键路径。

因为这两个方向都指向同一个目标：让模型具备与物理世界交互的能力。

训练世界模型和具身智能模型，需要的不再是图文对齐或语言标注数据，而是多模态交互过程数据。这类数据必须具备规模化、结构化、可控性强的特点。

行业通用的数据金字塔，把训练所需数据划分为三类：

• 真实遥操作数据
• 仿真合成数据
• 人类视频数据

其中仿真合成数据和人类视频数据属于“本体无关数据”，更容易标准化和大规模生成。

两者中，相较而言，仿真合成数据结构更清晰、精度更高，可控性也更强，ROI（投资回报率）也更高。

具身智能方向，训练机器人的大、小脑模型都需要大量仿真合成数据，尤其是小脑模型，对高保真仿真合成数据的依赖程度更高。

有一点很容易被人忽视，其实世界模型也对仿真合成数据有很强的需求。

就像李飞飞在《From Words to Worlds》中强调的那样：

（训练世界模型），高质量的合成数据以及额外模态（如深度、触觉）的作用不可低估，它们在训练过程的关键阶段起到补充作用。

而且，相比较应用在端侧的具身VLA基础模型，应用在云端的世界模型对于数据需求量级更大。

背后原因是世界模型追求泛化与物理预测，所需数据更大规模、结构更标准，而真实世界数据存在稀缺性、成本、覆盖度等多方面的根本性瓶颈。

而物理真实的仿真合成数据能极大提升世界模型的物理理解、预测能力，成为世界模型客户最新需求方向。

综上可得出一条共识的——

仿真合成数据是当下最满足具身智能和世界模型所需数据的方案。

现实情况却是如此。近期的诸多具身智能与世界模型的重要进展都与仿真合成数据强相关。

李飞飞团队与斯坦福AI实验室联合开发了完整的合成管线，生成“亿级规模”的高质量视觉语言动作数据，以其为基础推出了人形机器人竞赛基准BEHAVIOR Challenge，以推动具身智能在真实复杂家庭环境中完成高难度任务。

再看英伟达发布的开源人形机器人基础模型GR00T N1.5，其预训练和后训练数据，均包含大量由光轮智能提供的仿真合成数据，用来提升模型对新物体、新环境的泛化能力。

以上两个成果分别来自学术界和产业界的代表团队，所依赖的数据核心一致，都是可控、高保真的仿真合成数据。

技术进展所需，已经把仿真合成数据从“补充资源”推至“基础要素”的地位。

几乎同一时间，Generalist AI朝行业抛出了一颗重磅炸弹，发布GEN-0具身基础模型。这个模型在27万小时人类操作视频数据上完成训练，首次在具身智能领域验证了数据方向的Scaling Law。

这是世界模型和具身智能领域数据范式转折的重要信号。

上述成果共同推动了行业训练范式的转向，也引发了数据需求的激增。

最具备持续扩展能力与工程规模化条件的仿真合成数据，成为具身智能和世界模型最有确定性的训练燃料。

而这条提供确定性的赛道上，隐形冠军公司，就是光轮智能。

为什么被看好？它是数据赛道上的隐形冠军公司

在这场范式转向中，光轮智能是最早看见趋势并完成技术验证的数据公司。

在行业对仿真合成数据的认知还停留在“研究补充”阶段时，光轮已经完成了技术路径探索、产品标准定义与工程化部署的第一轮闭环。

截至目前，光轮智能其实已经成为行业生态的一部分——

它深度参与英伟达仿真系统的底层共建，是Newton物理引擎的早期验证者和开发合作者，也参与了SimReady仿真数据资产标准的制定，以及Isaac Lab Arena策略评估平台的核心建设工作。

这些项目以技术能力作为信任前提，开展了系统级协作，并不是简单的接口合作。

换句通俗易懂的话来解释，光轮的仿真合成数据能力已经被嵌入到世界模型训练的标准流程中，在底层引擎、数据标准、评测平台三个维度上都形成了不可替代的角色。

这种认可，最具说服力的来自英伟达——AI浪潮中的基石公司。

10月中旬，黄仁勋的女儿、英伟达Omniverse与物理AI高级总监Madison Huang首次公开亮相直播访谈节目，与光轮智能CEO谢晨，以及光轮智能增长负责人Mustafa一起，就“如何缩小机器人在虚拟与现实之间的差距”展开深刻探讨。

本月初，在英伟达GTC DC大会的主旨演讲中，黄仁勋展示了光轮与Isaac Sim、Newton的协同仿真成果，现场播放了机械臂在不同仿真平台上完成布料折叠任务的效果对比。尽管底层求解器不同，仿真行为却高度一致。

这一展示不仅体现了光轮在跨平台高保真仿真方面的工程能力，也标志着其在全球具身智能训练生态中的技术地位正在被主流体系所确认。

其次，光轮的客户阵营本身就是一份行业趋势样本。

随着具身智能和世界模型的快速迭代发展，光轮的客户群体，几乎覆盖了当前所有仿真合成数据高强度需求的典型机构。

我们扒了扒光轮官方的演讲材料，整理出其已公开的客户名单，包括但不限于：

• 大模型公司：英伟达，谷歌，Genesis AI，阿里，字节…
• 机器人本体公司：Figure AI，1X Technology，智元机器人，银河通用…
• 行业公司：Toyota，BOSCH，比亚迪，吉利…

据说，因种种原因，有些合作对象并未对外公布，但妥妥的是行业内的Big Name。

几位接近数据行业的资深人士向我们透露出三条信息——

第一，光轮的客户基本涵盖所有最强国际具身大模型和世界模型。
第二，国际主要具身团队的仿真资产和合成数据，有80%以上来自光轮。
第三，光轮已经服务全部全球前三的世界模型。

仿真合成数据对行业的重要性，以及光轮目前的实力如何，不言而喻。

随着需求扩增，光轮的服务定位也不是简单的“供应仿真合成数据”。结合市场需求节奏，它的服务已经扩散到全生命周期。

在预训练阶段，提供合成数据和人类视频数据，用于构建泛化能力；在后训练阶段，提供高质量仿真合成数据，并支持通过强化学习对模型精调；在测试阶段，则提供仿真平台服务和评估标准，协助客户完成Test-time评测与上线验证。

这套数据、平台、评测，有着丝滑的全流程服务，已经成为多家头部客户使用的标准合作路径。

这也是光轮智能区别于上一代数据供应商的本质区别，提供的不只是数据，而是数据全流程、全周期的服务，数据飞轮，端到端闭环。

而这种数据全流程能力，也让AI产业生态客户，用需求反馈、用脚投票，认可了光轮智能的黄金卡位。

黄金卡位也不断体现为更直观的真金白银造血能力。量子位获悉，尽管仍属创业早期，但光轮智能的年营收已突破亿元。

这个收入水平代表的不仅是增长速度，更是交付能力和商业模式的可靠性。

创始人谢晨曾在公开访谈中提到，2023年成立后，拿下第一家客户并不容易。

但口碑开始打响后，据说光轮的客户数量开始持续扩张，且节奏加快，最新说法是：

收入远超去年10倍，已过亿。

这种供需变化，是市场侧对仿真合成数据价值的直接反馈。

另外，春江水暖鸭先知。量子位还听说，黄金卡位也给光轮智能提供了独一无二视角，大模型、具身智能、世界模型……每一个AI产业里的风口赛道爆发前，实际都会在光轮智能的业务需求中有“预告”。

这也是光轮智能此轮融资后，资金用途获得额外关注的关键原因。

数亿元融资背后，藏着整个行业的走向

一名投资人告诉我们，光轮智能此轮融资的主要目的就是扩大供给，强化规模化交付能力。

扩产已经占领头部市场的合成数据，引领具身智能的拐点性变革。

从投资视角观察，有理由相信这轮融资透露出的不只是对光轮这家公司本身的价值判断，还有整个赛道节奏的变化。

世界模型和具身智能无法依赖已有互联网数据，训练瓶颈不在算法，也不在算力，而在能否持续供给高质量结构化的数据。行业开始进入“数据决定性能”阶段。

需要注意的是，技术迭代日新月异，行业进展让玩家们没有耐心等待数据慢慢跟上，需要快速寻求能够同步提供可控、高保真、可扩展数据的服务方，得到长期有保障的持续支持。

能不能覆盖预训练+后训练+测试时/全流程？能不能满足多模型接口适配？能不能在训练-生成-再训练的闭环中不断提高有效性？

竞争日趋激烈，每个数据公司会无数次面临这样的拷问。

光轮的优势在于，这些能力已经齐全。所以它再次快人一步，将目标延伸到更长期的定位：

构建物理AI的数据基础设施。

对光轮来说，这个目标是其业务自然演进的方向——

具身智能和世界模型的训练是长期的、动态的，愈到后期，需求愈大，不可能每个团队都能自己造仿真系统或视频采集流程，行业天然需要“共用数据底座”。

光轮出发得早，技术栈完整，拥有庞大的客户群体，如果此刻不做，不久后一定有别的玩家要做。

借先发优势做长远打算，既有现实基础，又是一种顺势而为。

更进一步，光轮融资的新进展背后透露出来的是一个行业数据观的转变：

数据正在从“被采购的资源”变成“可服务的平台”，不能直接吃互联网数据的具身智能和世界模型，需要海量吞吃定制生成的结构化场景数据。

谁能持续供给高质量的仿真与人类行为数据，谁就掌握了新一代智能体系的底层资源。数据公司的价值，就藏在这种转向里。

AI 2.0的变革浪潮，已经进入了数据变革为核心的基建时间。

Read More