问题：近年来，具身智能技术加速发展，但训练数据不足正成为行业深入突破的关键瓶颈。真实世界数据采集成本高、效率低，部分场景还存在安全风险，难以支撑大规模训练。 原因：杨海波指出，大语言模型的成功离不开互联网沉淀的海量文本数据，而面向物理世界的三维与物理交互数据几乎没有现成积累。在真实环境中反复试错成本高、周期长，因此仿真合成数据成为目前少数能够规模化、持续供给的路径。光轮智能自2023年成立起便瞄准该方向，聚焦物理AI的数据基础设施建设。 影响：随着具身智能持续升温，数据需求正呈指数级增长。杨海波透露，具身智能的数据需求量至少是自动驾驶的1000倍。目前，全球前三的世界模型团队以及超过80%的头部具身智能企业已采用光轮智能的仿真数据服务，市场选择在一定程度上验证了其技术能力。 对策：仿真数据的关键不在于画面是否“像”，而在于力学层面的物理准确性。光轮智能通过高精度仿真，提升受力、接触、形变等核心物理要素的模拟质量，为行业提供可跨场景、可规模化训练的数据支持。 前景：杨海波判断，未来机器人与智能体将像手机、汽车一样走向普及，仿真数据将成为重要支撑。随着多模态技术进步，仿真效率与真实度有望继续提升，但物理层面的精准模拟仍将是不可替代的核心能力。
仿真合成数据的兴起，折射出人工智能从虚拟空间走向物理世界的必然需求；它并非对真实数据的简单替代，而是在物理世界试错成本高、风险高的约束下，为AI训练提供的一条可行新路径。随着具身智能产业更深入，仿真合成数据有望逐步成为与芯片、算法同等重要的战略资源。谁能在这个领域形成更强的技术与生态优势，谁就更可能在物理AI时代获得更大的发展空间与行业影响力。这一趋势既体现技术演进，也映射产业升级，值得持续关注。