摘要：光轮智能依托SimFoundry将西门子工业仿真沉淀的材料属性、摩擦参数与工艺约束转化为高保真仿真资产，经由RoboFinals完成机器人工业级能力验证，并通过RoboStack连接真实部署与反馈回流，实现工业工程知识向机器人可复用能力的闭环转化。
过去一年，具身智能正在成为人工智能产业发展的重要方向。从人形机器人完成复杂动作展示，到机械臂在实验环境中完成抓取、搬运、装配等任务，机器人正在快速从实验室走向更加开放的应用场景。**但是机器人完成一次动作，不等于能够进入工厂，真正的难点是面对材料、精度和工况变化时仍能稳定工作。**实验室中的“会做动作”与工业现场中的“可靠工作”之间，仍然存在巨大差距。
工业生产环境并不是一个简单的任务执行空间。一个看似普通的装配动作，背后可能涉及材料属性、接触关系、摩擦变化、设备精度、工艺约束以及安全边界等复杂因素。机器人不仅需要知道“下一步应该做什么”，更需要理解动作背后的物理规律，并在不确定环境中持续完成任务。这也是当前具身智能产业化过程中面临的核心挑战：机器人需要的不只是更大的模型，而是一套能够帮助 AI 理解真实世界的基础设施。
近日，在 2026 世界人工智能大会期间，物理 AI 数据与评测基础设施企业光轮智能与西门子正式达成合作。双方将围绕光轮智能自主研发的“求解—测量—生成”三位一体仿真平台 SimFoundry 展开探索，将西门子工业仿真体系长期积累的工程模型、物理参数和工艺约束，转化为机器人可以调用、训练和评测的仿真资产，共同建设面向物理 AI 的工业级 Real2Sim 基础设施。
这意味着，传统工业领域多年积累的工程知识，正在寻找进入机器人智能体系的新路径。
1. 从实验室到产线，具身智能需要解决真实世界问题
与数字世界中的 AI 不同，具身智能面对的是一个充满物理约束的现实环境。
大模型可以通过海量文本学习语言规律，但机器人需要通过交互理解世界。它必须知道物体如何运动、材料如何变化、力如何产生作用，以及环境变化如何影响任务结果。
在工业场景中，这种挑战更加明显。
例如，一个机器人完成零部件插拔任务，并不是简单地移动机械臂到指定位置，而是需要同时判断插入角度是否准确、接触力是否合理、零部件是否发生形变，以及设备误差是否影响最终结果。
过去，解决这些问题往往依赖工程师在真实产线上不断调试。但这种方式成本高、周期长，也难以支撑机器人能力的大规模复制。
因此，如何让机器人在进入真实工厂之前，就能够在高可信环境中完成训练、验证和部署反馈回流，成为物理 AI 走向工业落地的重要基础。
仿真正在成为连接 AI 与现实世界的重要桥梁。
2、工业仿真与具身仿真融合，正在构建物理 AI 新底座
事实上，工业领域并不缺少仿真能力。
长期以来，工业软件已经沉淀了大量高精度工程知识，包括设备模型、材料属性、结构参数以及制造工艺规则。这些能力支撑了现代工业设计、分析和优化。但传统工业仿真更多服务于工程验证，强调计算精度和结果分析；而机器人训练需要的是能够支持实时交互、大规模运行和持续学习的环境。
两者之间存在一个关键差异：工业仿真关注“设计是否正确”，而具身仿真关注“机器人能否学会完成任务”。
如何将工业仿真中的工程知识转化为机器人能够理解和调用的数据资产，成为物理 AI 基础设施建设中的关键问题。
光轮智能与西门子的合作，正是围绕这一方向展开。西门子在工业设计、工程仿真和产业场景方面拥有长期积累，而光轮智能则通过 SimFoundry 平台，将工业知识进一步连接到机器人训练、评测和部署流程中，探索高精度工业仿真与实时具身仿真的转换路径。
这不仅是两类仿真技术的连接，更是工业知识向 AI 能力转化的一次探索。
3、SimFoundry：让工业知识进入机器人训练体系
对于具身智能而言，仿真的价值并不仅仅是创建一个视觉上相似的三维环境，而是构建一个能够反映真实物理规律的训练世界。
光轮智能自主研发的 SimFoundry 平台，围绕“求解—测量—生成”构建全栈仿真能力：求解负责复杂物理交互，测量负责获得真实参数，生成负责形成可训练、可评测的SimReady资产与场景。通过物理测量、参数校准和仿真生成，将真实世界中的物理属性融入机器人训练环境。
同时，机器人能力还需要被系统性验证。基于 SimFoundry 构建的仿真环境，光轮智能进一步打造 RoboFinals 工业级规模化评测平台，通过标准化任务对机器人在插拔、压装、卡扣、柔性接触等复杂工业任务中的表现进行评估测验。
相比传统现场测试，仿真评测具备可复现、可量化和可规模化的优势，可以帮助企业提前识别机器人在真实部署中的能力边界。
4、从高精度仿真到评测与部署，构建物理 AI 持续学习闭环
此次合作并非局限于单一仿真场景的建设，而是围绕“仿真环境构建—机器人能力评测—真实场景部署—数据反馈优化”的完整链路展开探索，推动工业知识、仿真能力与机器人智能形成持续迭代的闭环体系。
首先，双方将探索高精度工业具身仿真能力建设。工业机器人进入真实产线，需要面对设备结构、材料属性、工艺流程以及复杂物理交互等多重约束，仅依靠通用仿真环境难以满足工业级训练需求。基于此次合作，西门子将在工业设计、工程仿真和制造场景方面长期积累的工程能力，与光轮智能 SimFoundry 平台中的物理测量、求解校准和 SimReady 资产生成能力结合，将工业设备、零部件、工装夹具以及生产物料等工程对象，转化为具备真实物理属性和工程约束的高可信仿真资产。这一过程不仅是三维模型的数字化复现，更是工业知识向机器人训练数据的转化。
其次，双方将围绕工业级具身智能评测体系展开探索。对于工业应用而言，机器人能力边界不能仅通过单次任务成功率判断，而需要建立可复现、可比较、可诊断的评价标准。基于 SimFoundry 构建的高精度工业仿真环境，光轮智能将通过 RoboFinals 平台，围绕插拔、压装、卡扣、柔性接触以及复杂装配等典型工业任务，建立覆盖任务完成度、接触精度、运行稳定性、异常工况适应能力以及能力边界分析的评测体系。
通过规模化仿真评测，企业能够在机器人进入真实产线之前，提前识别其潜在风险和能力短板，判断其是否具备进入中试验证和实际部署阶段的条件。最后，双方将推动典型工业场景的部署验证，进一步完善从虚拟环境到真实世界的反馈闭环。经过仿真训练和规模化评测后的机器人能力，将通过 RoboStack 接入真实设备和工业任务，在实际运行过程中持续获取任务结果、运行状态、异常情况以及能力边界等反馈信息，并反向用于仿真场景补充、评测任务优化和模型能力提升。
通过这一机制，双方将探索形成由真实部署反馈驱动的 Real2Sim2Real 持续学习闭环，让机器人能力不再停留在一次性的训练和交付阶段，而是在真实工业环境中持续演进。
在这一体系下，工业软件中的工程知识将不再局限于传统设计和分析环节，而是能够进一步进入机器人训练、评测、中试和部署全过程。对于工业客户而言，这意味着机器人应用模式将从过去依赖现场反复调试的交付方式，逐步转向“仿真预训—规模化评测—中试验证—真实部署”的工程化路径。
通过提前验证机器人在接触精度、装配稳定性、设备兼容性和安全性等关键指标上的表现，该模式有望降低产线停机和现场试错成本，缩短机器人新任务从需求定义、能力验证到稳定上线的周期，为具身智能在工业场景中的规模化落地提供基础设施支撑。
5、物理 AI 下一阶段竞争，将从模型走向基础设施
过去几年，人工智能的发展主要围绕模型能力展开。但随着 AI 从数字世界进入现实世界，未来工业物理AI竞争，比的是现场问题能否快速转化为仿真任务、失败能否被复现、机器人能力能否在进入产线前完成规模化验证。
如果说大模型时代需要高质量数据集和算力基础设施，那么物理 AI 时代同样需要能够连接虚拟世界与真实世界的仿真基础设施。
此次光轮智能与西门子的合作，本质上是在探索一种新的产业范式：将工业领域长期积累的工程知识，转化为机器人能够学习、验证和部署的智能能力。光轮智能在合作中承担的，不是传统软件集成角色，而是工业工程知识进入机器人学习与评测体系的关键转换层。
未来，机器人能否真正走进工厂，决定因素不是模型参数规模，而是 AI 是否具备理解真实物理世界的能力。而连接工业知识、机器人学习和真实部署之间的基础设施，正在成为物理 AI 时代的重要底座。
