打造言传身教的百科全书，光轮智能如何教机器人“做人”

机器人居家叠衣服、走上街头指挥交通、到工厂分拣作业……8月19日，2026世界机器人大会（WRC）在北京亦庄开幕。南都记者逛展发现，越来越多厂商把机器人真实工作场景搬到展台。

告别炫技表演，机器人集体上岗干活背后，是行业面临的现实拷问：能否实现量产、能不能实打实干活、可否运行稳定？机器人从“实验室演示”走向“大规模落地”，光轮智能联合创始人兼总裁杨海波认为，数据是关键卡点。

“依托大量互联网信息‘投喂’，大语言模型展现了智能能力，解决了人的脑力数字化问题。但当AI走出屏幕跟真实世界交互，机器人入厂打工时，如何解决行动智能化问题、怎么执行复杂任务？”8月20日，杨海波在接受南都等媒体采访时表示，“具身智能的数据市场才开始打开”，有效数据的缺口还很大。

他认为，AI越来越以数据为中心。大语言模型或自动驾驶车有天然的数据积累，其数据工作重在清洗、筛选、加工等，但具身数据需从零开始多场景多任务采集，所需要的数据“燃料”远不止千万小时级。

2026年具身行业将迎来数据规模化拐点

光轮智能是一家专注具身数据领域的企业，成立于2023年。作为物理AI数据与评测基础设施的独角兽企业，光轮智能已在人类行为数据、仿真合成数据和工业级仿真评测三个关键维度形成规模化交付能力。

杨海波在年初谈到，2026年具身行业将迎来数据规模化拐点。这一判断，在光轮智能最近几个月的业务交付中得到印证。“近三个月，我们突破了三十多家头部具身企业需求，每家交付的数据规模在20万小时以上，行业需求和交付体量都有了快速的跃迁。”杨海波说。

除了量级的提升，具身企业对数据的质量和多样性也有了极致的追求。光轮智能接到的一个数据需求显示：在一个场景下采集一个人做一项任务的一条数据，但要求反馈不同成年男性、女性、老人和小孩的采集情况。这意味着，数据采集方要充分考虑个体差异和动作的多样性。

现在很多机器人只能进行单点作业——比如做咖啡、叠衣服，未来如何与更多机器人一起执行更复杂的任务？另有一项行业数据显示，2030年全球在役机器人规模将达到1300万台，这说明具身智能正在进入千万级的落地部署时代。在此背景下，具身智能行业如何适应新的发展需求？

光轮智能解决方案副总裁张建伟认为，具身智能产业的增量正在从单一本体制造转向规模化场景部署。机器人能在Demo中完成任务，只能说明能力上限；进入现场后能否稳定工作，才决定产业化的下限。

当前机器人产业化落地仍面临三重瓶颈：上线前训练数据不足，训练与评测的双重瓶颈，以及上线后现场失败案例和人工接管数据没有回流，学习闭环因此难以形成。

从实验室走向真实任务，机器人如何像人一样保持持续学习、迭代的能力？在今年的WRC上，光轮智能展示了其在人类数据、物理仿真、规模化评测及真实部署反馈方面的最新进展。

8月20日，光轮智能官宣发布全球首个十万小时开源人类数据集 EgoSuite-Open100K。数据集以10万小时第一视角人类数据为整体规模，涵盖15000+类采集场景，共计15000+种任务。数据以头戴第一视角为主体，部分数据增加腕部摄像头视角，并提供手部姿态、全身姿态及事件级语义标注，支持模型学习精细操作、全身协调和任务时序。

据光轮智能介绍，首批数据将通过 Hugging Face Hub面向学术研究与商业训练开放，实际使用反馈也将用于决定后续开放内容，并推动采集、标注和数据格式进一步统一。

杨海波表示，具身智能仍缺少兼具高质量、多样性、大规模的数据供给。EgoSuite-Open100K的开放，旨在让更多开发者以统一、可复用的数据基础开展模型研究，降低高质量具身数据的获取门槛。

5100亿具身智能数据，共建机器人持续学习生态

当有了海量的人类数据作为学习教材，机器人如何学以致用？进入工作岗位后犯错了，怎么更新“错题本”、及时纠偏？这就需要中试测评。

光轮智能政府及国央企业务负责人张鹏提到，传统中试主要验证一台设备在给定工艺参数下能否稳定量产；具身智能面对的是由本体硬件、具身模型、传感器系统、环境条件和任务流程共同构成的不确定性系统，需要验证不同模型、本体和版本在复杂条件下的系统能力。

基于此，张鹏认为，中试评测要回答的不只是“是否完成任务”，还包括在多大成功率下能够稳定完成、什么条件会导致性能退化、退化边界在哪里、失败原因是什么、版本迭代后性能是否回归，以及仿真环境与真实现场之间存在多大偏差。

他将具身智能中试所需的评测能力归纳为四个条件：可量化、可对比、可复现、大规模。评测流程从工业需求出发，将真实产业流程和工程约束转化为评测任务，再生成可执行的仿真环境，开展标准化评测与诊断，最后把结果带回现场复核。

“没有评测能力很难定义高质量数据。”杨海波告诉南都记者，数据评测所带来的好处显然易见，这有助于发现真正的问题并溯源解决，再将反馈带回下一轮数据补采，反向驱动数据生成和模型迭代。AI时代，评测能力是一家数据企业应当具备的核心竞争力，该公司为此做了很大的投入。

“我们希望机器人可以像人一样持续学习，既能在学校获得言传身教，也能在工作岗位上不断提升。”杨海波说。

光轮智能WRC展台现场（受访者供图）

南都记者注意到，今年WRC上，光轮智能展出了多个平台产品。其中，RoboFinals工业级规模化评测平台，可在可控条件下反复测试不同模型、本体和版本，并识别机器人的能力边界；RoboStack 部署与反馈平台连接真实任务验证，记录运行结果、异常情况和人工纠正，使现场经验能够回到后续数据生产、训练与评测。

基础设施能力之外，推进标准建设也是影响具身数据行业发展的关键。杨海波表示，当前行业在采集口径、标注规范、数据格式和时序组织上存在差异，不同设备产生的数据难以组合复用。

为推进开放的产业生态建设，光轮智能宣布推出5年100亿具身智能数据共建计划，其中的一项核心工作便是开放数据标准：统一不同采集设备的数据模态、标注、时序、格式和质量标准，让数据具备跨设备、跨任务和跨模型复用的基础。

上述计划还将聚焦评测驱动的数据闭环、数据与模型协同设计。杨海波表示，在这一体系中，人类数据将成为机器人持续学习的“言传身教百科全书”。他也呼吁更多生态方一起参与5年100亿具身智能数据共建计划。未来，随着标准的诞生、评测和模型的迭代，规模的提升，具身智能的产业化落地将会越来越近。

采写：南都N视频记者李玲 发自北京