1天前 当工业数字巨头来敲物理AI大门

出品：人形机器人场景应用联盟

7月19日，光轮智能与西门子在2026世界人工智能大会（WAIC）期间正式达成合作。双方将围绕工业仿真与具身仿真的技术融合展开协同，探索连接工业数字孪生、合成数据生成、机器人训练、工业级评测、虚拟调试与真实部署。

这场合作发生在两个产业加速交汇的节点上。

过去数十年，工业数字化积累了规模庞大的模型、参数和工艺知识。随着制造业从自动化走向智能化，这些资产需要进一步转化为能够学习、决策和执行任务的生产能力。

西门子此时选择与光轮智能合作，背后的产业逻辑十分清晰：工业数字巨头正在寻找接入物理 AI 的路径。光轮智能所提供的，正是工业软件进入机器人训练、评测和部署体系所需要的关键转换能力。

01.

工业世界为何成为物理AI的训练场？

过去数十年，制造业持续推进数字化和自动化转型。产品设计、工艺规划、产线建设等工业环节，积累了大量工业数据资产，如CAD 模型、CAE 数据、设备参数、材料属性等。

这些数据记录了零部件如何设计、设备如何运行、材料如何受力、工艺如何组织，也沉淀了制造业长期形成的工程知识和物理规律。工业世界由此形成了一座规模庞大、结构复杂的数据金矿。

西门子是这座工业数据金矿的主要建设者。据ABI Research数据显示，只有5% 的工业数据被真正利用，而西门子也意识到了这一点，长期致力于打通分散工业数据：2025财年西门子数字业务营收 94 亿欧元，公司公开提出2030年前翻倍至 188亿欧元；2026财年上半年数字业务同比增长19%。Xcelerator在线市场营收预计 2026 财年"翻倍以上"。

从NX、Teamcenter，到Simcenter、Tecnomatix，其工业软件覆盖产品设计、生命周期管理、工程仿真、制造规划、产线仿真和虚拟调试。西门子Xcelerator 进一步连接软件组合、工业数据、开发工具与生态伙伴，推动工业企业建立贯穿设计、制造和运营的数字线程。

过去，这些工业资产主要用于设计产品、验证工艺、规划产线和优化生产。而制造业进入智能化阶段后，这些数据资产需要进一步转化为能够学习、决策和执行任务的生产能力。

多品种生产、柔性制造和快速换线正在成为新的行业需求。工厂需要机器人理解设备状态、适应物料偏差、处理异常工况，并在不同工位和任务之间迁移。传统工业数字化体系积累了丰富的数据和知识，却缺少能够消化这些资产、形成自主行动能力的智能主体。

而具身智能的兴起，提供了打开工业数据金矿的钥匙。

例如，CAD 模型可以通过具身仿真转化为机器人训练场景，设备参数可以用于校准物理环境，工艺流程可以转化为训练任务，历史故障和异常工况可以用于检验机器人的稳定性。工业数据由此从设计和验证资料，进一步转化为机器人可以学习、评测和调用的能力。

另一方面，机器人则成为工业知识回到生产现场的新载体。它们在仿真环境中学习工业数据所表达的物理规律和工艺要求，再将获得的能力带入汽车、3C 制造、仓储物流和工业装配等真实场景。

因此，工业体系迈向智能制造，需要接入具身智能的数据、训练和评测链路；而机器人训练与部署，也离不开工业场景的深厚积淀。西门子与光轮智能的合作正发生在这一交汇点上。

而实现合作的关键，在于打通工业仿真与具身仿真。

02.

工业资产如何成为机器人训练资源

工业仿真和具身仿真都在构建物理真实的仿真环境，但两者的技术目标存在差异。

传统工业仿真强调工程精度、工艺流程和设备运行，具身仿真关注机器人感知、决策、交互和大规模训练。双方实现深度融合，既不是用具身仿真替代工业仿真，也不是把工业仿真直接搬进机器人训练平台，而是在两者之间建立一层可转换、可校准、可验证的基础设施。

第一是工业工程资产如何转化为机器人可交互的世界。工业体系已经积累大量 CAD 模型、PLM 数据、设备参数和数字孪生资产。这些数据按照工业设计和工程逻辑生成。CAD模型通常主要描述几何结构；CAE数据服务特定工程分析；数字孪生主要服务设备、流程和运营。但机器人训练需要的则是体现物理规律的可交互、可求解、可规模化的数据。

第二是物理引擎与仿真精度。工业任务对物理精度具有很高要求。机器人训练则要求实时交互、连续决策和大规模并行运行。高精度工程模型通常伴随较高的计算成本，具身训练又需要足够快的运行速度。物理可信度与训练效率之间的平衡，构成工业仿真进入机器人训练体系的核心门槛。

第三是标准工况能否场景泛化。工业仿真场景通常由工程师按照明确的生产流程搭建，强调确定性和可验证性。具身智能训练需要覆盖大量变量与异常情况。同一个抓取任务中，物料位置、角度、尺寸和状态都可能发生变化；同一条产线上，也可能出现零件变形、来料偏差、设备故障和空间遮挡。这些问题出现频率不高，却往往决定机器人的连续运行能力。

第四是能力评测与部署反馈。机器人在虚拟环境中表现良好，进入真实场景后仍可能出现性能下降。材料差异、设备误差、传感器噪声和现场环境变化，都会扩大仿真与现实之间的差距。仿真训练完成后，还需要工业级评测、部署验证和数据反馈，才能判断机器人是否具备稳定运行能力。训练结果能否接受真实任务检验，部署数据能否回到仿真系统并持续修正模型，这决定了仿真能力能否真正进入工业部署闭环。

传统工业想叩开物理AI的大门，需要一块能从底层发力、实现数据、仿真、评测与部署全闭环的敲门砖，从而实现工业制造基建与物理AI基础设施的有效衔接。

物理AI基础设施由此成为激活工业数据、推动机器人进入真实产线的关键变量。

03.

敲开大门，需要数据-仿真-评测-部署全闭环

面对以上问题与挑战，西门子与光轮智能的合作中强调：

双方将依托光轮智能“求解—测量—生成”三位一体全栈自研仿真平台 SimFoundry，通过实时物理求解支撑机器人高频交互，通过物理测量获取并校准真实参数，再通过生成能力构建具备物理属性、交互逻辑和工程约束的 SimReady 资产与场景。

首先是物理测量。工业模型中的材料属性、摩擦参数、接触关系和设备状态，需要经过真实数据测量与校准，才能进入可信的机器人训练环境。SimFoundry 通过物理测量获取真实世界中的关键参数，再将其用于工业资产和仿真场景的校准。

其次是实时物理求解。机器人训练需要高频交互和连续决策。机器人抓取、插拔、压装和装配时，系统需要实时计算接触、碰撞、摩擦、受力和形变等变化。SimFoundry 的实时物理求解能力，为机器人与仿真环境之间建立持续交互提供底座，也为高精度工业仿真进入大规模训练提供运行条件。

再次是SimReady世界生成。工业模型通常描述标准产品、设备和工艺流程，机器人训练还需要覆盖不同位置、角度、尺寸、材料状态和设备状态。基于西门子的工业模型和工艺知识，结合 SimFoundry 的仿真生成能力，双方将探索构建零件偏移、形变、遮挡、来料偏差和设备状态变化等异常工况。

光轮智能与西门子的合作将还延伸至训练评测与真实部署。

基于 SimFoundry 构建的高精度仿真环境，双方还将通过工业级评测平台RoboFinals，围绕插拔、压装、卡扣、柔性接触和复杂装配等任务，探索建立可复现、可比较、可诊断的工业级具身评测体系。

评测将关注接触精度、任务稳定性、连续运行能力、鲁棒性、失败模式和部署风险。机器人模型在进入真实现场前，需要通过这些任务暴露能力边界，工业客户也可以据此判断模型是否具备进入生产环境的条件。

经过仿真训练和规模化评测的机器人模型，双方还将探索通过RoboStack部署方案应用于真实设备和工业任务。部署过程中产生的新数据可以继续反馈至仿真系统，用于修正物理参数、补充异常场景和推动模型迭代。

由此，光轮将工业工程资产、仿真生成、模型训练、工业级评测和真实部署连接起来：

工业场景建模— SimFoundry 高精度具身仿真 — RoboFinals 规模化评测— RoboStack 真实部署反馈。

04.

进门之后，合作会掀起几级波澜？

一项合作很难立刻改变一个产业，但它往往会率先揭示产业变化的方向。

西门子与光轮智能的合作释放出一个清晰信号：具身智能正在进入工业数字化体系的核心地带。工业软件中积累多年的模型、参数和工艺知识，开始面向机器人训练、评测和部署重新组织。

这场变化带来的第一层波澜，是工业数字资产的价值重估。过去，一套产品模型、设备参数或产线数字孪生，主要服务于设计、验证、调试和生产优化。项目完成后，其中大量数据继续沉淀在工业软件系统内部。具身智能为这些资产增加了新的用途，工业数据由此获得第二次开发机会。工业软件企业也获得新的商业接口：原本服务工程师的数据与模型，开始服务能够学习和行动的机器人。

第二层波澜，是机器人进入工厂的路径发生变化。传统工业机器人部署高度依赖现场编程、反复调试和工程集成。产品型号、工艺流程或设备状态发生变化后，企业往往需要重新配置系统。对于更加通用的具身智能机器人，这种方式很难支撑快速复制和规模化部署。

西门子与光轮智能的合作提供了另一条路径。机器人进入真实产线前，先在由工业数据构建的仿真环境中学习任务、经历异常并接受评测。进入现场后，部署数据继续返回仿真系统，帮助模型和环境持续迭代。

工厂中的试错由此部分前移至虚拟环境。制造企业能够更早发现机器人的失败模式，降低设备损坏、生产节拍波动和停线风险，也能更快适应多品种生产、柔性制造和频繁换线。

第三层波澜，是具身智能开始重写工业软件的能力边界。过去评价一套工业软件，更多关注其建模精度、工程分析能力和生产优化效果。机器人成为新的生产主体后，具身智能正在成为工业软件下一阶段的重要需求来源。工业软件若要继续深入智能制造，就需要主动接入机器人的数据、训练、评测和部署链路。

西门子与光轮智能的携手，体现了这种产业关系的变化，这也让光轮智能的生态位置更加清晰。光轮连接工业仿真、CAE、数字孪生、机器人模型和真实生产场景，为传统工业软件提供进入物理 AI 市场的接口。更多工业软件企业可以通过这套转换层激活既有资产，机器人企业也能获得更丰富、更可信的工业训练资源。

但更深一层的波澜，可能来自基础设施和规则体系的形成。

工业资产进入机器人训练，需要逐步建立一套新的标准规则、协作范式：模型如何转换，物理参数如何测量和校准，异常场景如何生成，任务如何评测，部署数据如何反馈。这些环节将影响工业级数据的质量，也会决定机器人能否从仿真环境稳定迁移至真实工厂。

而西门子是毋庸置疑的工业标准定义者，光轮智能也是全球唯一同时进入Newton与EgoVerse专家委员会的中国企业，在数据与仿真两大国际标准上引领规则制定。

写在最后

过去几十年，工业软件的规则背后，都是一套既定秩序。

西门子与光轮智能的合作由此提供了一个样本：物理AI进入工业世界，不是推翻既有规则，而是让工业体系数十年积累的模型、数据和工程知识，成为机器人持续学习和规模化落地的新基础。

西门子带来工业世界百年积累的资产与场景，光轮智能带来仿真、数据与评测的全栈能力。一个出场景，一个出基建，双方真正要建的，是物理AI时代工业世界的新地基。

门，已经敲开了。但进门只是序章。门后的世界里，竞争的主线不再是单个产品的胜负，而是谁能把数据、仿真、评测、部署连成闭环，谁能把闭环沉淀为标准。

工业数字巨头深谙一个道理：资产会折旧，规则不会。

物理AI的新玩家也应明白：模型会迭代，地基只打一次。

这本身，就是格局变化的开始。