余华谈“草台班子” ，张雪机车力挺 ，影视飓风、罗永浩留言回应
投资界获悉 ，光轮智能完成新一轮 10 亿元战略融资。本次投资方包括中关村科学城基金、四川生长科创基金、山东生长科创投等政府基金 ，以及巨人网络、宇信科技、宝通科技、中科产投、量图智策等工业以及财务机构；老股东建投投资、三七互娱、森马投资等继续跟投。这是光轮智能近期完成的又一轮大额融资。此前 ，光轮智能刚于 5 月末宣布完成一轮融资 ，估值已凌驾 150 亿元。连续融资背后 ，一个信号正在变得清晰：具身智能的工业重心 ，正在从模型与本体延伸到支撑机械人连续学习的底层基础设施。当机械人从演示走向真实场景 ，挑战不可是完成单次任务 ，还要能在长尾任务、庞大情况和连续反响中不绝提升能力。行颐魅真正要回覆的问题 ，也随之酿成：机械人如何连续学习。光轮智能切入的 ，正是支撑机械人连续学习的数据与评测基础设施。物理 AI 基础设施进入窗口期人工智能的每一次跃迁 ，都离不开基础设施的演进。大语言模型的爆发外貌上是算法与模型能力的突破。底层则离不开英伟达构建起的一整套基础设施体系：GPU 提供算力底座 ，CUDA 连接开发者 ，TensorRT 和 DGX 支撑模型优化、训练与安排 ，开发者生态连续放大应用立异�？梢运� ，英伟达界说了数字 AI 时代算力、模型、开发者和应用之间的配合接口与基础设施底座。每一次新兴技术进入规�；芷� ，都需要重新界说底层工具链、标准接口和生态系统。现在 ，物理 AI 正在进入这样的基础设施时机窗口期。与大语言模型或者自动驾驶差别 ，机械人并不保存一个免费、标准化、可直接使用的预训练集。真实世界爆发的海量物理交互 ，不会天然沉淀为可训练、可评测、可复用的具身数据�；等搜笆钟胛锾濉⒒涤肭榭鲋淞⒌奈锢斫换� ，包括抓取、推动、装配、形变、摩擦、碰撞等庞大历程。这些经验如果不可被系统纪录、转化和验证 ，很难真正实现机械人学习闭环。物理 AI 需要的不可是真机数据 ，而是一套跨本体、跨场景、跨任务的数据与评测系统。它不绑定简单机械人硬件 ，也不局限于简单场景 ，而是能够被差别本体、差别模型、差别任务重复挪用 ，连续爆发经验、发明问题并反哺训练。如果说 GPU 和 CUDA 解决了 AI 时代模型训练与应用规�；� ，那么在物理 AI 时代 ，数据、仿真、评测与安排反响要解决的 ，就是机械人如何在真实世界中连续验证和迭代。数据 ，正从效劳酿成基础设施已往的数据公司很难成为真正意义上的基础设施 ，原因在于古板数据交付往往围绕单个客户、单个任务和单次训练展开。项目结束后 ，数据价值大多停留在当下。这更像是一门依赖人力、周期和定制需求的效劳生意。但物理 AI 所需要的数据差别�；等嗣娑缘氖橇⑴哟蟆⒉豢汕罹〉恼媸凳澜�。支撑机械人连续学习的数据 ，必须是一套能够连续生成、验证、复用并反响的系统。同一份人类操作经验 ，可以效劳多个机械人团队；同一个工业场景 ，可以支撑多个模型训练和评测；同一套评测结果 ，也能反向界说下一轮数据生产偏向。这正是数据与基础设施的真正区别：效劳型数据公司的收入依赖项目交付 ，做一单交一单；基础设施型数据系统的价值 ，则来自资产沉淀、复用次数、标准接口和客户网络。前者交付的是数据 ，后者沉淀的是可被连续挪用的资产�；等搜暗墓残圆⒉坏薅虻セ等� ，而是沉淀在任务结构、场景漫衍、物理属性、行为轨迹和反响模式之中。数据复用成为可能。只有当这些共性被标准化为可挪用的场景、任务、物理属性、行为轨迹和评测指标 ，数据才华跨客户、跨模型、跨本体复用。评测在其中饰演着要害角色。它不可是单次训练后的验收环节 ，照旧驱动数据爆发复利的组织系统：人类经验和仿真连续供应学习素材 ，评测发明能力界限 ，安排反响再把真实世界的失败、异常和约束带回数据与评测系统 ，推动下一轮训练和验证。只有这套系统连续运转 ，机械人才华真正走向庞大场景。据投资界了解 ，光轮智能的数据已实现最高 10 倍复售率。这一指标的意义不可是销售效率提升 ，也说明数据、场景和任务已经具备标准化、可挪用、可复用的资产属性。物理 AI 时代被重新订价的 ，不再是某一份数据 ，而是数据连续生成、评考试证、标准化沉淀和资产化复用的能力。光轮智能被市场连续看好 ，也正是由此而来。不止于数据 ，光轮智能搭建物理 AI 时代的数据与评测基础设施一经市场把光轮智能理解为一家数据公司。实际上 ，数据只是起点。正如英伟达的价值早已凌驾 GPU 自己 ，而是演酿成了一整套基础设施栈。光轮智能的数据与评测基础设施已经形成：其焦点不是算力挪用 ，而是经验如何被收罗 ，能力如何被评测 ，安排反响如何回流 ，以及真实世界如何被转化为可训练、可验证的仿真世界。总体来说 ，光轮智能的产品体系围绕机械人连续学习形成了一套内外环结构。从外层看 ，EgoSuite、RoboFinals 和 RoboStack 划分对应数据、评测和安排反响。·EgoSuite ?沉淀高质量、规�；⒖绫咎宓娜死嘈形�。它纪录的不是简单行动 ，而是人类在真实世界中的视察、操作、纠错和长程任务经验 ，是机械人获得可规�；形榈娜肟�。·RoboFinals ?提供工业级规�；啦�。通过标准化任务、可复现情况和可比较指标 ，它判断机械人模型学会了什么、能力界限在哪里、失败模式是什么 ，并反向界说下一轮数据需求。·RoboStack ?连接真实安排反响�；等私牍こА⒒醪帧⑴┮怠⑽锪鞯裙ひ迪殖『� ，会连续遇到新的任务漫衍、异常情况、失败样本和现场约束；这些反响被重新带回数据、仿真和评测系统 ，成为下一轮学习的起点。内层则是 SimFoundry。作为光轮自研的物理 AI 仿真基础设施 ，SimFoundry 通过 " 求解—丈量—生成 " 三位一体全栈自研技术 ，把真实世界规�；芍葱小⒖裳盗贰⒖善啦獾姆抡孀什氤【� ，支撑数据生成、评考试证和真实反响的连续迭代。由此 ，EgoSuite 提供经验数据 ，RoboFinals 验证模型能力 ，RoboStack 回流真实安排反响 ，SimFoundry 则作为仿真基础设施 ，支撑数据生成、评考试证和真实世界反响的连续迭代。英伟达重新界说了 AI 时代的算力基础设施；光轮正在界说的 ，则是机械人走向真实世界所需的数据与评测基础设施�；等嗽阶呦蛘媸凳澜� ，这套系统的价值就越清晰�？派步ㄎ锢� AI 时代的 CUDA基础设施的规�；� ，始于产品 ，成于生态与标准。GPU 涤讪算力底座 ，CUDA 则把开发者、模型、工具链和应用纳入同一套配合语言。到了物理 AI 时代 ，类似的配合语言也在形成 ，连接的工具酿成数据收罗、仿真生成、模型评测、工业安排和真实世界反响。对光轮而言 ，开放生态的半径进一步扩展 ，进入到了基础设施建设自己�；等私胝媸凳澜� ，数据来自差别设备和场景 ，模型由差别团队训练 ，评测运行在差别仿真情况 ，反响爆发在差别工业现场。疏散的能力必须进入同一套接口、质量和评测标准 ，才可能支撑机械人恒久迭代。围绕这套基础设施 ，光轮智能已在数据收罗、云与算力、世界模型和工业场景侧形成相助网络。PICO、舞肌科技等同伴提升人类行为数据收罗的质量和标准化水平；阿里云、摩尔线程等提供数据生成、仿真训练和规�；啦庵С�；生数科技等企业探索真实世界数据如何进入可生成、可交互、可训练、可评测的仿真情况；新希望、宝通科技等工业方则把数据与评测体系带入工业、矿业、农业等真实现场。相助网络之上 ，平台规则开始变得越发要害。评测牵引数据 ，用统一基准识别模型能力界限 ，并反向界说下一轮数据需求；数据标准 ，让多源数据在统一结构、标注、时序和质量门槛下进入训练与评测体系；数据配方 ，则沉淀差别数据来源在差别任务、场景和模型阶段中的组合要领。平台规则向前一步 ，就是行业标准。数据需要在统一结构下复用 ，仿真结果需要在统一接口下比较 ，模型能力需要在统一评测基准下稳定评估。如今 ，光轮智能已受邀加入国际开源物理仿真引擎 Newton 技术指导委员会（TSC） ，与英伟达、谷歌 DeepMind、迪士尼研究院、丰田研究院四家顶尖机构配合推动下一代开源物理 AI 仿真标准建设。同时 ，光轮也与国家机械人检测与评定中心推进 " 真实 + 仿真 " 的评测体系建设。从数据收罗到仿真生成 ，从规�；啦獾秸媸蛋才欧聪� ，物理 AI 正在走向一套开放协作的基础设施体系。「数据的英伟达」指向的 ，正是这种行业位置：把数据、仿真、评测、安排反响和工业生态连接起来 ，成为机械人走向真实世界的配合底座。一个新的工业周期 ，已然开始。本文来源投资界 ，作者：王露 ，原文：https://news.pedaily.cn/202606/565440.shtml【本文为投资界原创 ，网页转载须在文首注明来源投资界（微信民众号 ID：PEdaily2012）及作者。微信转载请在原文评论区联系授权 ，违者必究。免责声明：本文不组成任何投资建议。市场有危害 ，投资需谨慎。】