在实验室里能精准完成插拔、压装的机器人，一走进真实生产车间，面对材料摩擦、装配公差、工艺节拍与安全约束等复杂工况，为何频频“水土不服”？具身智能从演示台走向规模化工业落地，核心瓶颈究竟在哪？

　　近日，在2026世界人工智能大会期间，光轮智能与西门子正式达成合作，为这一行业共性难题给出了答案：以全栈自研仿真平台为核心，打通工业仿真与具身仿真的技术壁垒，在工业工程知识与机器人训练体系之间，搭起一座可落地、可复用的“转换之桥”。

　　双方以光轮智能“求解—测量—生成”三位一体的全栈自研仿真平台SimFoundry为核心，探索将西门子工业仿真体系中沉淀数十年的工程信息，转化为机器人可直接调用的物理参数、高精度资产和交互环境，共同建设面向物理AI的工业级虚实映射基础设施，为具身智能真正走进产线筑牢底层支撑。

　　具身智能亟需“物理可信”的仿真底座

　　当前，随着“人工智能+制造”专项行动、工业数据筑基行动、人形机器人中试基地建设等一系列政策部署落地，物理AI与工业制造的融合进程持续加速。但当机器人真正走进装配、加工等生产一线，落地难、适配慢、稳定性不足等问题也逐步显现。

　　对工业产线而言，机器人的核心价值从来不是完成一次插拔、压装或装配演示，而是要在特定设备参数、材料特性、工艺节拍和安全约束下长期稳定运行，并在正式上线前就验证其可靠性。工业现场充满了持续的接触、摩擦、形变、卡扣配合与装配公差，这些细微的物理规律，直接决定了机器人任务的成败。

　　传统工业仿真领域早已在工程设计、受力分析、材料验证和工艺优化中沉淀了大量高精度模型与工艺知识，却难以直接服务于机器人训练。传统工业仿真主要服务于产品设计、工程分析和系统验证，强调复杂工况下的工程精度；机器人学习则需要支持实时交互、连续决策、反复试错和大规模并行运行。传统工业仿真与具身仿真面对同一个物理世界，但长期服务于不同的工程环节。如何将工业仿真积累的模型、参数和工艺知识，转化为机器人可直接使用的训练与评测资源，成为双方合作希望解决的问题。

　　产业发展同样迫切需要一套承接工业工程知识、具备物理可信性的中间载体，架起两端互通的桥梁。

　　构建工业知识到机器人能力的转换链路

　　光轮智能与西门子的合作，并非简单连接两类仿真技术，而是探索建立一套从工业工程知识到机器人可验证、可部署能力的转换机制，让工业仿真中沉淀的模型、参数与工艺知识，真正融入机器人训练、评测与部署的全流程。

　　这套转换机制的核心载体，是光轮智能全栈自研的SimFoundry仿真平台。该平台具备“求解—测量—生成”三位一体能力：通过实时物理求解支撑机器人高频交互训练，通过物理测量技术获取并校准真实世界的物理参数，再通过生成能力构建具备真实物理属性、交互逻辑和工程约束的标准化仿真资产与场景。

　　西门子提供工业级“基准真值”，将其在工业设计与仿真分析中积累的材料属性、接触关系、摩擦参数、形变规律、装配公差和工艺约束等工程能力注入平台。两者结合，最终实现高精度工业仿真向实时具身仿真的“转化”，让工业知识能够以GPU并行计算的规模化速度，进入机器人训练环境。

　　据介绍，双方将重点推进三个方向的协同探索。首先是高精度工业具身仿真。双方将把西门子在工业设计与仿真分析中的工程能力，与SimFoundry的物理测量、求解校准和SimReady资产生成能力相结合，将工业设备、零部件、工装夹具和物料，转化为具备真实物理属性与工程约束的仿真资产，为机器人训练和评测提供更加可信的环境基础。

　　其次是工业级具身Benchmark。基于SimFoundry构建的高精度仿真环境，双方将通过RoboFinals，围绕插拔、压装、卡扣、柔性接触和复杂装配等任务，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、失败模式和部署风险。

　　最后是典型工业场景落地验证。经过仿真训练和规模化评测的机器人模型，将进一步通过RoboStack应用于真实设备与工业任务，验证其在实际生产环境中的稳定性和可部署性。

　　由此，双方将探索形成一条由仿真向评测和真实验证延伸的协同链路：工业场景与工程信息→ SimFoundry高精度仿真环境→ RoboFinals规模化评测→ RoboStack真实场景验证与反馈回流。

　　探索物理AI工业化的可复用底座

　　这座打通双仿真体系的“桥”，其长远价值远不止于完成单个工业项目，更在于探索形成可持续积累、复用的能力生产机制，推动物理AI落地从“单次项目交付”向“基础设施化支撑”转变。

　　在这套体系中，经过测量、校准与验证的工业设备参数、物理属性、工艺流程和任务环境，可以沉淀为标准化的仿真资产、任务模板与工业级评测基准；经过评测与真实部署验证的能力边界、优化经验，也可以复用至相似场景。

　　平台沉淀的不只是三维模型与物理参数，还包括任务的定义方法、能力的衡量标准、风险的识别逻辑，以及机器人从首次验证到稳定上线的完整工程路径。每一次落地部署，都会为下一次相似任务积累可复用的资产、评测依据与工程经验。

　　随着更多工业任务接入平台，相似场景无需从零开始重复建模、测试与调试，已有资产、标准与经验的持续复用，将有望缩短新任务的交付周期，降低同类能力复制到更多产线的边际成本，形成规模效应。

　　与此同时，此次合作也为物理AI产业的生态协同打开了新空间。在机械、材料、流体、电磁、控制、数字孪生等众多工业领域，不同的工业软件与仿真企业都积累了深厚的专业模型、工程参数与行业知识。进入物理AI时代，这些能力需要完成实时化、交互化、规模化的转换，才能接入机器人训练与部署体系。

　　光轮智能联合创始人兼总裁杨海波表示，“工业是具身智能规模化落地的最大入口，而工业物理规律和具身智能训练之间，长期缺少一座桥。光轮智能从具身仿真底座出发扎进工业仿真，就是要把这座桥建起来——让工业沉淀的物理知识规模化进入机器人训练，也让机器人真正走进产线。”

　　资料显示，光轮智能是全球首个具身数据独角兽，也是全球唯一同时进入Newton与EgoVerse两大国际标准体系的中国企业，全球前五的世界模型团队均与其合作，在仿真合成数据、仿真评测和人类视频数据三个关键领域实现全球交付第一。（记者 战钊）