【赛迪网讯】2026年，具身智能行业清晰显现一条分水岭：产业竞争重心，已经从实验室里流畅的动作演示，转向工厂产线可持续、低成本、可验证的稳定作业。大量机械臂、自适应机器人在展会现场能够流畅完成插拔、装配，但落地制造车间后，往往受制于材料形变、装配公差、接触摩擦、产线节拍约束，出现反复调试、故障率高、交付周期冗长等现实难题。

行业普遍意识到，横亘在具身智能与工业场景之间的最大阻碍，正是仿真到现实鸿沟（Sim2Real Gap）。一边是工业仿真，主要服务产品设计与工程验证；一边是具身仿真，主要服务实时交互、并行训练和规模化评测。二者在任务目标、资产格式、求解接口和运行尺度上缺少标准化转换机制。工业软件中经过工程验证的模型、参数和工艺知识，因此难以被机器人学习系统直接、规模化调用。就在 2026 世界人工智能大会（WAIC）期间，物理 AI 数据与评测基础设施企业光轮智能与西门子达成战略合作，尝试搭建起连接两大仿真体系的关键桥梁，为具身智能规模化落地工业场景提供一条全新的底层解决方案。

产业痛点：

缺少转化工业知识的基础设施

机器人进入工业产线，考验的从来不是单次动作能否完成，而是长期工况下的可靠性。精密装配场景里，微小的摩擦系数变化、零部件柔性形变、微米级装配公差，都可能直接造成任务失败。想要让机器人稳定上岗，训练环境必须精准复刻真实世界物理规律与工艺约束。

长期以来，行业有两条仿真路线：其一，以西门子工业仿真为代表的传统工程仿真。历经数十年工业项目沉淀，积累了海量零部件三维模型、材料特性、受力分析模型、工艺流程规范，拥有经过测量和校准的高可信工业参数，但在机器人高频并行训练场景下面临实时化改造挑战；其二，面向机器人研发的实时具身仿真平台。具备高并发、实时交互能力，适配大模型、强化学习训练需求，但特别需要权威工业参数支撑。简单来说，二者之间缺少标准化转换通道。

与此同时，国内新型工业化、“人工智能 + 制造”、具身智能中试基地、高质量工业数据集建设等一系列战略持续推进。政策层面明确鼓励运用仿真合成技术扩充工业数据供给，搭建机器人虚拟训练场与前置验证体系。市场与政策双重驱动下，贯通两类仿真底座，探索向持续学习闭环延伸，已经成为产业发展的刚需。

本次光轮智能与西门子的合作，本质上就是搭建这套工业工程知识向机器人可用能力转化的基础设施。双方以光轮智能 “求解—测量—生成” 三位一体自研仿真平台 SimFoundry 为核心，将西门子工业仿真体系中的工程参数、材料属性、工艺约束，转化为具备真实物理特性的 SimReady 仿真资产，让沉淀在工业软件内的海量知识规模化流入机器人训练体系。

技术闭环：

构建“仿真预训-规模化评测-真机部署”Real2Sim2Real全链路

本次合作并非简单技术接口打通，而是针对工业机器人落地痛点，围绕三层能力展开协同形成完整持续学习闭环，重塑工业机器人交付流程。

第一，共建高精度工业具身仿真底座，建立工程信息的转换与校准机制。双方将西门子工业设计、仿真分析形成的工程模型，结合 SimFoundry 物理测量、参数校准、场景生成能力，把工装夹具、零部件、物料转化为携带完整物理属性、工艺约束的标准化仿真资产。区别于普通几何模型，这类 SimReady 资产内置摩擦、刚度、形变、公差等工业参数，最大程度缩小仿真与现实偏差，从源头缓解 Sim-to-Real 鸿沟。

第二，打造工业级标准化评测体系，双方探索围绕典型工业任务共建可复现、可比较、可诊断的评测基准，为机器人进入中试和产线提供上线前评估参考。依托 RoboFinals 工业级规模化评测平台，在统一任务、环境和指标下开展规模化评测。这套评测体系将承担 “虚拟考场” 功能。评测不再只是简单判断任务能否完成，而是系统诊断接触精度、运行鲁棒性、异常工况处理能力、任务边界极限。

第三，打通虚实反馈链路，形成 Real2Sim2Real 持续迭代闭环。经过仿真训练、标准化评测验证的机器人策略，通过 RoboStack 平台对接真实工业设备开展现场部署。真机运行过程中的异常工况、装配误差、失败案例数据反向回流仿真平台，驱动仿真场景迭代扩充、评测任务持续优化、机器人模型不断更新。

这套链路落地之后，传统制造业 “现场反复调试” 的交付模式，将升级为工业场景建模 — 高精度具身仿真训练 — 云端规模化评测 — 产线真机部署 — 真机数据回流迭代的标准化流程。对于制造企业而言，可以提前识别机器人兼容性、安全性、装配稳定性隐患，减少产线停机损失，大幅缩短新任务从方案定义到稳定投产的周期。

模式价值：

从单一项目交付，走向可复用的工业AI基础设施

站在更长产业周期观察，此次合作的深远意义，超越单个联合解决方案开发，探索出一套可沉淀、可复用的能力生产机制。

过往机器人项目大多属于 “一项目一建模、一产线一调试”，相似场景无法复用前期积累的模型、参数与调试经验，边际交付成本居高不下。而在双方共建的体系中，经过物理测量、真机校准验证的设备参数、工艺流程、仿真场景，都会沉淀为标准化 SimReady 资产与评测基准；通过实战检验的机器人能力边界、故障解决方案，经适配和再次验证后可复用。

在客户授权与安全合规边界内，经过测量、校准和验证的资产、任务与评测基准，可以沉淀为可复用能力，降低相近场景重复建模和验证的成本。

在生态定位上，双方合作也释放清晰信号：光轮智能的 SimFoundry 体系并不替代各类工业仿真工具，而是承担 “转换层”的基础设施角色。工业仿真与软件企业可以提供各自擅长的工程模型、专业工具、物理参数和行业知识；光轮智能则依托SimFoundry、RoboFinals和RoboStack，将相关能力进一步连接到物理环境构建、规模化评测、上线前验证和真实部署过程，为工业仿真能力打开面向物理AI的新应用出口，未来将持续吸纳工业软件、自动化厂商、算力企业、机器人本体企业，共建开放协同的产业生态。

产业启示：

工业成为具身智能最大规模化落地场景

据了解，光轮智能不涉足机器人本体制造、不训练通用大模型，聚焦物理 AI 底层基础设施。光轮智能作为 Newton 仿真技术委员会、EgoVerse 人类数据委员会中唯一的中国企业，同时参与两大国际标准体系建设，这意味着中国企业正在从应用方，迈向深度参与全球物理AI 底层规则的构建。

从国家战略维度看，这套技术体系高度契合工业数据筑基行动、具身智能训练场、人形机器人中试基地建设需求。各地正在加速布局的具身智能实训平台、虚拟中试场地，不再需要重复搭建底层仿真与评测能力，可以直接复用完整的 Real2Sim2Real 技术底座，推动虚拟实训从简单场景模拟升级为具备工业真值、可支撑正式上线前验证的工程化平台。

光轮智能联合创始人兼总裁杨海波提出一个行业共识命题：工业是具身智能最大规模化落地场景，但工业物理规律与机器人学习之间长期缺少桥梁。本次合作正是这座桥梁落地的关键一步。

赛迪观点

当资本与市场持续追逐机器人本体、通用世界模型之时，产业越来越清楚一个事实：物理AI 最终能否走进工厂，评判标准不在于模型参数量，而是能否适配材料、设备、工艺、节拍、安全规则共同组成的真实物理世界。

连接工业仿真与具身仿真，打通从工程知识到机器人可部署能力的转化通道，建设可信仿真、标准化评测、虚实持续学习的全链路基础设施，是具身智能从 Demo 走向大规模工业商用不可绕行的必经之路。这条路径能否成为物理 AI 工业化的新范式，最终取决于三项能力：工业工程信息能否被标准化转换，仿真评测与真实表现能否形成稳定正相关，资产与评测基准能否在安全和授权边界内复用。光轮智能与西门子的合作价值，正是把这三个问题放进同一套基础设施体系中验证。（文/徐培炎）