光轮智能与黎曼动力联手：具身智能从「堆数据」转向「按缺口生产」

8 月 7 日，光轮智能（Lightwheel AI）与黎曼动力（Riemann Dynamics）宣布达成战略合作，双方将围绕具身世界动作模型，打通「人类行为数据采集→世界模型训练→能力评测→真机部署→数据再生」闭环。，合作覆盖三大板块：EgoSuite 人类数据平台对接 Riemann-1.0 模型的数据缺口、RoboFinals 评测平台对接模型能力边界测试、RoboStack 部署反馈平台对接真机执行回路。

23.2 万小时的起点，100 万小时的目标

黎曼动力对「规模」并不陌生。这家昆仑万维旗下的具身智能子公司，今年 7 月在 WAIC 2026 上首次亮相，：在业界公认的高难度家务仿真基准 RoboCasa-365 上达到 62.6% 成功率，超过此前最佳结果 8.4 个百分点。

这个数字背后是 23.2 万小时训练数据——包括 20 万小时人类第一视角视频、1.2 万小时 UMI 与外骨骼手套数据，以及 2 万小时机器人真机与仿真轨迹，覆盖 41 种机器人本体和数千种交互方式。消融实验确认了人类视频数据的核心价值：仅在 RoboCasa-365 上，基础训练成功率 38.2%，逐层加入机器人数据、UMI 数据和人类视频后，最终跃升至 62.6%。

但黎曼动力显然不打算停在这里。8 月 6 日，黎曼动力已联合光轮智能与诺亦腾机器人（Noitom Robotics），目标在 2026 年底完成 100 万小时具身数据采集与训练。据亿欧智库报告估算，当前全球高质量具身交互数据仅约 50 万小时。黎曼动力瞄准的规模是现有行业存量估算的两倍。

23.2 万小时已经让模型在 RoboCasa-365 登顶；如果把数据量再翻四倍以上会发生什么，正是三方联手想要回答的问题。

不是简单拼数据，是让模型「开清单」

传统的数据供给逻辑是「能采多少采多少」，但光轮智能和黎曼动力的合作方式不同。根据盖世汽车披露的合作细节，第一个支柱就是让模型驱动数据生产，而非反过来。

具体而言，黎曼动力将根据 Riemann-1.0 在移动操作、物体交互、家庭服务和长程任务中的表现识别数据缺口；光轮智能则通过 EgoSuite 平台，针对这些缺口定向生产规模化、高质量的人类行为视频与多模态数据。双方还在任务定义、场景描述、行为轨迹、环境状态和时间同步等维度对齐标准，确保数据结构化地覆盖环境条件、交互对象、行为序列和状态变化。

过去数据供应商和模型公司各干各的，采集方不知道模型缺什么，模型公司也无力包办真实采集和仿真。这次合作试图把数据生产从「规模供给」切换到「按模型能力缺口生产」。

光轮智能并非没有底气做这件事。在 7 月的 WAIC 2026 上，光轮智能联合创始人兼总裁杨海波介绍，公司已与全球前五的世界模型团队建立合作，，部分优质场景数据的复售超过 10 倍。

不光要采，还要考、要跑

合作的另外两个支柱指向评测和部署。

第二支柱是评测闭环：双方将探索把 Riemann-1.0 和 Matrix-Game 3.5 接入光轮智能的 RoboFinals 规模化评测平台。针对 Riemann-1.0，重点评估动作预测、长程任务执行和扰动条件下的策略稳定性；针对 Matrix-Game 3.5，评估长时场景一致性、交互响应和世界状态演化。光轮智能将构建覆盖多样化物体、环境和任务变体的评测环境，将结果关联到具体模型版本和训练数据集。评测定位模型能力边界后生成下一轮数据需求，再用相同条件重测更新后的模型，建立可量化、可追溯的持续改进循环。

第三支柱是部署反馈：光轮智能的 RoboStack 将与 Riemann-1.0 和 Matrix-Game 3.5 的任务接口对齐，适配任务定义、动作空间、状态反馈和执行流程，让世界模型生成的动作策略直接映射到机器人执行框架。光轮智能提供从任务建模到部署验证的平台支持，黎曼动力发挥其在空间理解、物理推理和动作规划上的模型能力。整个过程的目标是把仿真中训练出的能力搬上真机，再把真机上的失败传回仿真，驱动模型继续迭代。

一家估值 20 亿美元的基建公司，一家刚满月的模型新锐

两家公司的背景差异巨大，恰好解释了它们为什么要联手。

光轮智能成立于 2023 年，定位物理 AI 数据与评测基础设施。2025 年 11 月完成数亿元 A 轮及 A+ 轮融资后，又于 2026 年 3 月完成 10 亿元 A++ 及 A+++ 轮融资，投资方包括新希望集团、鼎邦投资等。今年 5 月，蚂蚁集团领投新一轮融资，，成为全球首个具身数据独角兽。其联合创始人兼总裁杨海波此前在美团任职，2023 年 3 月加入光轮智能。

光轮智能的核心资产是围绕「数据—评测—部署反馈」构建的四件套：SimFoundry（仿真合成数据平台）、EgoSuite（人类数据平台）、RoboFinals（评测平台）和 RoboStack（部署反馈平台）。四个平台共同构成持续学习闭环，且光轮智能已作为 Newton 仿真技术委员会成员与英伟达、Google DeepMind 等共同参与下一代物理 AI 仿真基础设施的规则制定。

黎曼动力则完全是另一种打法。它今年 7 月才以独立子公司身份亮相，但技术积累可以追溯到三年前昆仑万维内部的 Matrix 世界模型团队。这支团队从 Matrix-Game 1.0 一路迭代到 3.5，攻克了实时生成、动作控制和长期记忆等核心问题。当团队发现「预测动作如何改变世界」的能力恰好是机器人大脑需要的底层技术后，黎曼动力和 Riemann-1.0 应运而生。创始人刘扬曾向 36 氪坦言团队早期缺乏产品定义能力，但技术方向的切换让这支原本做游戏世界模型的队伍找到了更清晰的出口。

行业缺的不是 demo，是一条能转起来的数据产线

Physical Intelligence 训练 π0 时使用了超过 1 万小时机器人数据，在当时已是最大规模的机器人学习实验。英伟达 GR00T 1.7 公开披露的各类数据加起来约 4 万小时。Google DeepMind 联合全球 20 多家机构，凑出覆盖 22 种机器人本体的 100 多万条轨迹。具身智能领域的「大规模」，放在大语言模型的万亿 Token 尺度下几乎不构成规模。demo 越来越丝滑，但机器人离真正走进家庭和工厂，始终隔着一层玻璃。数据被普遍认为是卡点。

Waymo 在自动驾驶领域示范了闭环的价值：道路车队发现长尾场景，仿真中复现并生成变体，更新系统后回到真实道路验证。截至目前，其真实道路经验已超过 2 亿英里，仿真里程数十亿英里。但机器人没有大规模部署的车队，每次失败都可能打翻物品、损伤硬件。靠一家公司包办采集、仿真、训练和评测，成本很快失控。

这就是光轮智能和黎曼动力的合作试图破解的问题。两家公司各管一段：一端是数据基建和评测体系，一端是世界模型和动作规划。拼在一起，构成一条能转起来的数据产线。按照合作规划，双方还将共建数据规范、标注标准和评测基准，部分具身训练数据将向社区开源。

就在黎曼动力与光轮智能推进合作细节的同时，黎曼动力也已与诺亦腾机器人达成合作，后者脱胎于动捕领域的老牌企业诺亦腾，长期占据全球约 70% 市场份额。三家公司组成的「采集—仿真评测—模型训练」三角，正在把具身智能的数据基础设施从各家内部工具，推向行业级公共底座。