8 月 19 日至 23 日，2026 世界机器人大会（WRC 2026）在北京北人亦创世界 会展中心举行。光轮智能以“构建物理 AI 的持续学习基础设施”为主题参会，通过主论坛演讲、“数据驱动具身智能”主题论坛演讲、首发仪式和现场展位四大板块，集中呈现其在人类行为数据、物理仿真、规模化评测及真实部署反馈方面的最新进展，为具身智能从实验室走向产业应用提供系统化、全链路的底层支撑。
机器人如何像人一样持续学习？
从实验室走向真实任务，机器人需要持续学习、迭代能力。这包括学习经验从哪里来、如何规模化的试错纠正、能力边界如何被准确识别，以及真机部署反馈如何回到下一轮学习。
围绕这些问题，本次大会光轮智能展位沿着“人类经验进入数据体系—真实物理约束进入仿真环境—规模化评测识别能力边界—部署反馈进入下一轮迭代”的主线，全面呈现机器人从示范学习、仿真试错、能力评测到真实部署反馈的持续学习过程。
其中，EgoSuite 人类数据平台记录和组织人类完成真实任务的过程，为模型学习任务拆解、动作技能、判断与应变提供可扩展的人类经验；SimFoundry 物理仿真平台通过“求解—测量—生成”，构建包含接触、摩擦、形变及物体属性等真实物理约束的训练与测试环境；RoboFinals 工业级规模化评测平台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。
四大平台共同组成一套 Real2Sim2Real 持续学习系统：真实任务不断提出新问题，人类数据与物理仿真补充学习经验，规模化评测定位能力缺口，部署反馈再推动数据、模型和评测体系持续迭代。
推出5年100亿具身智能数据共建计划
光轮智能联合创始人兼总裁杨海波在首发仪式上介绍了 EgoSuite-Open100K 的数据构成、开放方式和后续生态建设计划。
EgoSuite-Open100K 以 10 万小时人类行为数据为整体规模，覆盖 7 大类环境、128 类场景、15,000+ 个采集场景和 15,000+ 项任务。数据采用头部与腕部双视角，提供手部与全身位姿、语义标注和深度信息，支持模型学习精细操作、全身协调、事件内容及其发生时序。首批数据将在Hugging Face和AtomGit 同步开源，面向学术研究与商业训练使用，相关项目还将捐赠给开放原子开源基金会孵化。
杨海波指出，具身智能仍缺少同时具备高质量、多样性、大规模的数据供给。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。EgoSuite-Open100K 的开放，旨在让更多开发者以统〖One〗、 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。
在开放生态建设方面，光轮智能推出5年100亿具身智能数据共建计划。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”。开放数据并非一次性发布的资源包，而是与标准、评测和模型迭代共同更新的基础设施。
具身智能中试需要什么样评测能力？
光轮智能政府及国央企业务负责人张鹏围绕“RoboFinals 中试基地仿真评测基础设施”展开介绍，讨论具身智能如何跨越从技术原型到产业应用的鸿沟。
张鹏指出，具身智能产业化需要同时回答“能不能量产、能不能干活、能不能稳定”三个问题。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。
因此，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。
围绕这些问题，张鹏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。
RoboFinals 由此补齐中试基地的验证短板。真机评测往往面临成本高、周期长、设备和场地受限以及安全风险等问题；RoboFinals 通过标准化任务定义和固定随机种子提升结果可比性，依托 SimFoundry 的物理仿真能力保持资产与场景的物理一致性，并支持大规模并行运行。评测系统记录失败模式，反向驱动数据生成和模型迭代，使评测从训练后的单一分数，转化为面向产业落地的诊断和迭代工具。
改变一次性交付模式
光轮智能解决方案副总裁张建伟还指出，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。当前机器人落地面临三重瓶颈：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。
RoboStack 面向的正是部署后的真实工作过程。它连接机器人与医院、工厂、仓储等真实场景，支持多场景适配、多本体兼容、规模化部署和远程接管：不同场景可以模块化适配，轮式、人形和复合本体可以统一接入，百台级机器人集群可以统一编排和下发，现场人员也可以进行人工远程接管和即时纠正。
因此，RoboStack 要改变的是一次性交付模式。传统交付中，现场问题往往难以反哺训练，后续迭代依赖新一轮项目；基于光轮智能的体系化产品和技术，RoboStack 将部署、监控、反馈、数据补采、仿真复现和模型迭代连接起来，让每一次部署都反哺学习，形成越部署越强的持续进化系统。
从全球首个十万小时全模态人类行为开源数据集EgoSuite-Open100k，到面向中试验证的仿真评测平台RoboFinals，再到支持规模化落地与反馈学习的部署平台RoboStack，光轮智能持续完善物理AI数据与评测基础设施，为具身智能从实验室走向产业应用提供系统化、全链路的底层支撑。未来，光轮智能推动全行业共建开放、协同、繁荣的产业生态，以高质量标准引领行业发展，以基础设施能力支撑机器人持续学习、让人类生活更加美好。
（文章来源：广州日报）
