【赛迪网讯】近年来，具身智能迎来技术爆发期，各类人形机器人、智能作业设备的算法迭代、硬件升级层出不穷，炫酷的场景演示、突破性的模型参数不断刷新行业认知，让行业普遍看好其赋能千行百业的广阔前景。但热闹的技术表象之下，产业化落地的深层困境愈发凸显：多数智能机器人仍停留在动作表演或者实验室演示，难以适配复杂、多变、高强度的真实工业与民生场景，短期演示效果亮眼，长期稳定作业能力缺失，技术创新与产业落地之间形成了一道难以逾越的鸿沟。行业逐渐达成共识，具身智能的发展，早已不再需要更多“惊艳的Demo”，而是亟需一套标准化、可规模化、可溯源的工业级验证体系，补齐场景落地、性能核验、迭代优化的核心短板。在此行业转型关键节点，中试环节从产业幕后走向舞台中央，成为破解具身智能商业化困局的核心关键。

8 月 20 日上午，2026 世界机器人大会（WRC 2026）期间，光轮智能举办首发仪式，围绕人类数据、规模化仿真评测与真实部署集中发布三项成果。其中，与全球首个十万小时全模态人类行为开源数据集 EgoSuite-Open100K 同台发布的，还有一个不那么"性感"却分量更重的名字——RoboFinals中试基地仿真评测基础设施。

当"仿真评测"罕见以独立的发布单元出现在中试的聚光灯下，它所指向的，是这个行业从演示走向产业化绕不过去的一道坎。

产业化的三问，卡在了"能不能干活"

过去三年，具身智能的叙事几乎被两个词占据：本体与算法。发布会上一台机器人叠衣服、分拣快递、完成一段舞蹈，足以引爆一轮传播。但在产业侧，一个更朴素的问题始终没有被正面回答——机器人到底能不能长期稳定地"干活"？

光轮智能政府及国央企业务负责人张鹏在首发仪式上给出了一个直白的拆解：机器人从实验室走向真实场景，要回答三个问题——"能不能量产、能不能干活、能不能稳定"。硬件在加速迭代，算法几乎每天都在突破，唯独"场景落地的最后一公里"迟迟没有打通，"卡点恰恰在'能不能干活'这一环"。

这正是中试环节被推上台前的产业背景。自 2020 年起，国家在多个领域陆续布局中试基地，化工、材料、医药等行业的中试体系相对成熟；2026年5月，国家级人工智能应用中试基地（具身智能）在杭州高新区（滨江）揭牌；在全国已建成启用，以及在建或规划中的具身智能训练场，也已经布局或正在筹划建设中试平台、中试环节。中试基地、中试平台、中试环节，被认为是"打通具身智能从实验室到场景落地最后一公里最重要的一个环节"。

换言之，行业不缺演示，不缺样机，缺的是一套能够批量、反复、可信地回答"能不能干活"的验证能力。

中试的底层逻辑，正在被重写

理解具身智能中试的难度，需要先看清它与"传统中试"的本质差异。

传统中试的对象是确定性设备：给定工艺参数，验证一台设备能否稳定量产，追问的是良率是否达到量产标准、工艺能否跨线复制、单位成本是否可控、批次质量是否一致、长期可靠性是否达标。它的逻辑是"基于固定条件，求确定结果"，目标指向量产转化率。

具身智能完全不同。它是一个由本体硬件、具身模型、传感器系统、环境条件与任务流程共同构成的复杂系统，落地又面向千行百业各不相同的工作环境与任务流程，本质上是一个充满不确定性的系统工程。因此，具身中试要回答的问题也随之改变：任务在多大成功率下能够稳定完成？什么条件会导致性能退化？退化的边界在哪里？失败的原因是什么？版本迭代之后性能是否回归？仿真环境与真实现场之间，偏差究竟有多大？

从"设备级"走向"系统级"，是中试方法论的分水岭。目标不再是求一个理想工艺点，而是"定义工业级场景下机器人的可用边界，让具身智能从'实验室演示'走向'产线规模化落地'"。

这一判断并非企业单方面的表达。在首发仪式中，RoboFinals 被明确定义为"中试基地仿真评测基础设施"，与高质量数据集、部署与反馈平台共同构成具身智能的"持续学习系统"——人类数据提供学习教材，仿真评测检验能力边界，真实部署收集失败样本与人工接管数据，再将反馈带回下一轮数据补采、模型训练和规模化评测。RoboFinals在其中承担是补齐中试基地验证核心短板。

本届大会期间，光轮智能展位还专门设置了RoboFinals具身智能标准化验证平台演示，呈现"真实场景提出任务和约束—仿真环境扩展测试条件—RoboFinals 规模化评测与诊断—现场验证结果校正评测方法与下一轮学习方向"的完整衔接。

政策合围，中试被推向产业基建的台前

如果说产业需求解释了"为什么要中试"，那么近一年多密集出台的政策，则回答了"中试为什么是现在"。

2026 年以来，物理 AI 与工业制造的融合已上升为国家战略层面的系统部署。"十五五"规划纲要提出"'人工智能+'产业发展推动人工智能在工业设计、中试、生产、运营等全环节落地应用"，并在具身智能专项中明确"统筹布局具身智能实训场，推进虚实融合的协同训练与进化"——中试与实训，第一次被写入五年规划级的产业部署。

今年 3 月，工信部启动工业数据筑基行动，提出到 2026 年底培育一批行业数据合作联合体、建设重点行业数据可信互联平台、赋能一批行业大模型与工业智能体应用落地；今年 6 月，国家数据局印发《关于推进行业高质量数据集建设行动的实施方案》，将具身智能列入强基扩容行动的核心方向。

与中试最直接相关的，是同年工信部联合国资委开展的 2026 年度人形机器人与具身智能实景实训专项行动：到 2026 年底，人形机器人等重点产品要在一批代表性场景中率先完成应用验证和常态部署、开启"作业模式"；凝练形成百个以上高价值应用场景；打造实景实训空间、组建创新应用联合体、攻关实用化作业技能。这份文件把"验证—部署—实训"写成了明确的年度任务清单，也被业内视为与具身智能持续学习体系最对口的政策文本。

值得注意的是，这一轮政策部署与行业节奏几乎同频。张鹏在演讲中特别提到："从今年 6 月份工信部、国资委发布具身智能实景实训的专项通知以后，场景落地变成了大家讨论非常热的话题。"政策信号之下，各地中试基地、中试平台实训场的建设明显提速——新的问题随之出现：基地建起来了，用什么验证？

这正是光轮智能此次发布试图回答的问题。

仿真评测为何是具身中试的"必选项"

答案的落点，是仿真评测。

光轮智能把具身智能中试的必要条件归纳为四个词：可量化、可对比、可复现、大规模。对照现实，问题就暴露出来了：现在很多具身训练场开始增加中试相关的设备与条件，但目前仍以硬件真机评测为主，而真机评测天然面临成本高、周期长、设备和场地受限、安全风险大等挑战，无法满足"四个条件"。

光轮智能的判断十分尖锐："仿真评测是具身中试里面最不可或缺的，而且是实现落地的唯一解。"

围绕这一判断，RoboFinals 的解法是四个机制对四个短板：以标准化任务定义加固定随机种子实现可复现，让不同团队、不同时间的评测结果可比；依托"求解—测量—生成"三位一体的全栈自研仿真平台 SimFoundry，保持资产与场景的物理一致性，解决仿真与真实脱节；支持数千实例并行评测，时间不随任务量线性增加；记录失败模式反向驱动数据生成与模型迭代，把评测与训练连接成闭环。

中试的评测价值可以拆解为四个环节：前置验证——在物理真实的仿真环境中低成本模拟生产任务，规避设备选型与硬件测试风险；行为回放——失败之后全链路回溯，精准定位问题根因；瓶颈分析——识别具身作业节拍、多机协同效率与人机交互流转的瓶颈；评测闭环——用高置信度的结果反向驱动数据与模型迭代。

在平台层面，RoboFinals 面向工业制造、物流仓储、电力巡检、特种作业、商业服务、医疗康养六大类真实业务，支持定制化工业 Benchmark、多元异构机器人、过程性评测与域随机化，并适配英伟达与国产 GPU 算力。现场演示中，四台机器人在工业与医疗两种环境下、分别执行不同任务：真实本体被孪生进仿真环境，"大脑"先在虚拟考场里反复考试、迭代，通过之后再推向部署落地。

光轮智能联合创始人兼总裁杨海波在媒体群访中，把这套方法论讲得更细。他解释"可量化"的逻辑：当模型能力普遍处于"及格分以下"时，让模型做一次任务就判断好坏"既不公平也不可判断"，需要构建上万次测试得出统计意义上的成功率——现场展示的对比实验中，正是"一万次"评测拉开了两个模型 70% 与 50% 的差距。他还特别强调"可溯源"："模型评测并不是终点，它是重新学习的起点。评测是为了提升，通过控制仿真变量找出模型真正存在的问题，针对性提供数据去提升能力。"

一句话概括：RoboFinals 试图把评测从训练后的"一次打分"，变成面向产业落地的"诊断 + 迭代"工具，把中试从"试用场"变成"验证入口"，为机器人产业化提供评测准入依据。

西门子样本，一次工业中试的完整推演

如果说 RoboFinals 回答的是"怎么验证"，光轮智能与西门子的合作，则提供了一个"工业级中试长什么样"的完整样本。

今年 7 月 WAIC 期间，光轮智能与西门子 正式达成合作，核心是打通西门子工业仿真与 具身仿真。这次合作之所以重要，是因为它击中了工业数据"用"的瓶颈：工业仿真领域长期积累了 CAD、CAE 与工艺知识，能够高精度分析受力、接触与形变，但这些工业工程知识无法直接进入机器人的训练环境；而机器人训练又要求环境支持实时交互、连续决策与大规模并行。两边各缺一半，合作要解决的正是这个转换问题。

具体路径上，双方把西门子工业仿真中的材料属性、接触关系、摩擦参数、形变规律、装配公差与工艺约束，经物理测量校准后，转化为 SimFoundry 可直接调用的物理参数、高精度 SimReady 资产与交互环境，让工业知识真正进入机器人训练过程，并在三个方向推进：

其一，高精度工业具身仿真——把工业设备、零部件、工装夹具与物料，转化为具备真实物理属性与工程约束的仿真资产，为训练与评测提供可信的环境基础；其二，工业级具身 Benchmark——围绕插拔、压装、卡扣、柔性接触与复杂装配等任务，通过 RoboFinals 建立可复现、可比较、可诊断的评测体系，系统衡量接触精度、任务稳定性、鲁棒性、失败模式与部署风险；其三，典型工业场景落地验证——经仿真训练与规模化评测的模型，再通过 RoboStack 应用于真实设备与工业任务，验证其稳定性与可部署性。

由此形成一条以 SimFoundry 为核心的完整链路：工业场景建模—高精度具身仿真—规模化训练与评测—真实部署反馈。这几乎就是"工业中试"的数字化模板：把工业软件几十年沉淀的物理模型、工程参数与工艺知识，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。

放到政策语境里，这条链路的意义更加清晰。工业数据筑基行动要突破工业数据"采、集、用"的瓶颈，其中"用"的瓶颈正是工业工程知识无法直接服务于 AI 应用；而把工业仿真知识转化为具身训练环境，恰是"打造高质量行业数据集赋能 AI 应用"的落地样本。换句话说，中试不再只是验证环节，它本身成了工业知识向具身智能流动的基础设施。

从"试用场"到"验证入口"，中试基地的角色重构

比技术更值得关注的，是光轮智能对中试基地角色的重新定义。

张鹏在演讲结尾抛出了一个判断："机器人产业化评测的准入权，或将成为未来中试基地最核心的竞争力。"这句话的分量在于，它把中试基地从一个被动承接测试的"场地"，重新定义为主动掌握产业准入标准的"入口"。

基于这一判断，RoboFinals 的目标不止于一个评测平台，而是借此构建"具身智能应用场景创新服务平台"：整合场景资源、技术资源、数据资源与计算资源，以中立角色拉通场景用户、机器人本体、模型企业、高校科研机构与算力伙伴，以产业场景为锚点，形成"数据采集—模型训练—仿真评测—部署"的完整闭环。同时，中试还承担一个更长期的使命——"把最佳经验形成标准，推动整个行业的进步"。

现场披露的信息显示，RoboFinals 已在北京落地推进：今年 1 月，在北京市发改委的支持下，RoboFinals 在北京发布，成为北京市重点推动的项目。叠加光轮智能与国家机器人检测与评定中心（总部）共同推进"真实 + 仿真"评测体系建设，以及光轮智能主导或参编 20 项国家及行业相关标准的背景，"中试平台 + 检测认证 + 标准制定"的组合轮廓已隐约可见。

生态侧的信号同样明确。首发仪式现场，光轮智能与多家生态合作伙伴举行签约，覆盖汽车、生活服务、工业、农业等产业场景，围绕真实场景部署、数据采集、机器人本体、模型、算力与集成服务展开协作。对场景方而言，中试验证能力的意义在于：在真机大规模进场之前，先在仿真中回答"能不能干活"，把试错成本从产线搬到云上。

当然，也需要保持一份清醒：仿真评测并不能完全取代真机验证。仿真环境与真实现场之间的偏差，本身就是中试评测需要持续回答的问题；这也是为什么一直始终强调"现场复核"与"真实 + 仿真"结合的评测体系。仿真解决的是大规模、低成本、可复现的反复验证，真机解决的是最终把关，两者合起来，才是具身智能中试的完整形态。

三股力量在中试交汇

把视野拉远，这次发布的意义可以放进三条线索的交汇处看。

政策端，"十五五"规划纲要把具身智能列入未来产业培育，把"人工智能+"写进中试等工业全环节；工信部的专项行动要求实景实训、年底前完成应用验证与常态部署；国家数据局则围绕行业高质量数据集与数据基础设施标准推进试点。技术端，光轮智能以 SimFoundry、RoboFinals、RoboStack 把"数据—仿真—评测—部署"连成闭环，试图用工业级、可规模化的仿真评测，改造以真机试错为主的传统中试。产业端，西门子这样的工业软件巨头开始把工业仿真知识注入具身训练环境，与吉利、新希望等场景方则围绕真实部署签约入局。

三股力量同时指向同一个环节，很难说是巧合。更合理的解释是：具身智能的竞争焦点，正在从"谁的 Demo 更惊艳"转向"谁能率先回答产业化三问"。中试，恰恰是承载这一转变的载体。

当然，中试基地从"机器人试用场"升级为"产业验证入口"，不会是一次发布会就能完成的事。评测结果与真实产线表现的相关性、跨本体的评测公平性、"评测准入权"本身的公信力，都需要在一次次真机进场的检验中兑现。但至少在这一刻，行业已经把问题摆上了台面：具身智能的中试，不能再用传统中试的老办法；而补上这块短板的速度，将决定机器人走进千行百业的速度。（文/徐培炎）