在WAIC 2026期间，物理AI数据与评测基础设施企业光轮智能与西门子正式签署合作协议。但如果只把这看作又一场签约仪式，就错过了这次合作真正指向的问题：当机器人从实验室走向工业产线，决定成败的不是AI模型有多大，而是训练环境能否真实反映物理世界。

AI 时代，工业现场面对的是持续发生的接触、摩擦、形变、插拔、压装和装配公差——这些物理规律的准确表达，直接决定机器人在产线上能不能稳定运行。而长期以来，“工业仿真”和“具身仿真”是两条平行线。

两条仿真路线，为什么一直没打通？

工业仿真（以西门子为代表）追求的是极致精度：受力分析、材料验证、工艺优化，沉淀了大量高精度物理模型和工程参数。但它不支持机器人训练需要的实时交互和大规模并行。

具身仿真则走另一条路：GPU大规模并发、支持实时交互和连续决策，天生为机器人训练而设计。但它却缺少工业级的“物理真值”——材料属性不准、接触关系简化、摩擦参数缺失。

由于两类仿真服务于不同工程目标和计算范式，这就造成了“有精度但跑不好，跑得动但不够准”的情况。这就是物理AI落地的“最后一公里”。

光轮智能要建的，是连接两条路线的那座“桥”

光轮智能的解法，是用其全栈自研的SimFoundry平台做“翻译”——把西门子工业仿真中沉淀的材料属性、接触关系、摩擦参数、形变规律和装配公差，转化为机器人可以直接调用的物理参数、高精度资产和交互环境。

SimFoundry的“求解—测量—生成”三位一体架构在这里起到关键作用：实时物理求解支撑机器人高频交互，物理测量获取并校准真实参数，生成能力构建具备物理属性的SimReady资产与场景。

这个过程，可以类比英伟达走过的路径：英伟达用CUDA生态把GPU硬件能力释放给开发者，光轮智能则试图用SimFoundry把工业仿真的物理知识释放给机器人训练。向下深扎物理底层，向上构建生态——逻辑是一致的。

“工业是具身智能规模化落地的最大入口，而工业物理规律和具身智能训练之间，长期缺少一座桥。光轮智能从具身仿真底座出发扎进工业仿真，就是要把这座桥建起来——让工业沉淀的物理知识规模化进入机器人训练，也让机器人真正走进产线。”

——光轮智能联合创始人兼总裁 杨海波

不只是仿真，而是一条从训练到部署的完整链路

这次合作真正有想象力的地方，在于它不只是一次仿真技术对接，而是试图跑通一条完整的链路：

• SimFoundry（高精度仿真）：将工业设备、零部件、工装夹具和物料，转化为具备真实物理属性与工程约束的仿真资产，为机器人训练和评测提供可信的环境基础。
• RoboFinals（规模化评测）：在仿真环境中进行规模化评测，围绕插拔、压装、卡扣、柔性接触和复杂装配等任务，建立可复现、可比较、可诊断的评测体系，系统识别接触精度、任务稳定性、鲁棒性和能力边界。
• RoboStack（真实部署）：接入真实设备与工业任务，将部署中的运行反馈、异常工况和能力边界反向指导下一轮仿真场景补充和模型改进。

这条“工业场景与工程信息→ SimFoundry高精度仿真环境→ RoboFinals规模化评测→ RoboStack真实场景验证与反馈回流”协同链路，对工业客户而言，意味着传统依赖现场反复调试的交付流程，可以转化为“仿真预训—评测—验证—部署”的可控流程，提前识别接触精度、装配稳定性等潜在问题，降低产线停机和试错成本。

为什么是光轮智能？

在物理AI基础设施这个赛道上，光轮智能有几个独特标签：

它是全球唯一同时进入Newton仿真技术委员会和EgoVerse人类数据委员会两大国际标准体系的中国企业。全球前五的世界模型团队均与其合作。在仿真合成数据、仿真评测和人类视频数据三个关键领域，光轮智能实现了全球交付第一。

更重要的是它的定位选择：不做机器人本体、不训通用大模型，而是专注把物理AI的底层基础设施做深做厚。这种“修路者”的角色，恰恰是产业生态中最稀缺的。

政策东风已至

从政策层面看，这次合作也有明确的呼应。“十五五”规划纲要强调深化拓展“人工智能+”、加快新型工业化；工信部工业数据筑基行动提出建设高质量行业数据集；国家数据局将仿真模拟与合成技术列为强基扩容重点；八部门联合推进的“人工智能+制造”专项行动明确建设人形机器人中试基地和训练场。

光轮智能与西门子的合作，本质上是将这些政策导向工程化落地：把工业软件中积累的物理模型、工程参数和工艺知识，转化为机器人可以持续调用的仿真能力，贯通训练、评测与真实部署。

物理AI真正走进工厂时，检验它的不只是模型参数，而是材料、设备、工艺、节拍和安全共同构成的真实物理世界。这座连接虚拟与现实的“桥”，才刚刚开始搭建。