这话是光轮智能联合创始人杨海波在 WAIC 2026 上透露的，次日，光轮智能和国际工业巨头西门子签订合作协议。
合作的核心是打通西门子的工业仿真和光轮智能自研的 SimFoundry 仿真平台，让工业仿真中沉淀的工程参数进入机器人训练环境。双方合作的消息目前只在业界受到很高关注，但是放在杨海波那句话的背景下，事情就有了另一层意味：
在长期依赖国外的工业仿真市场里，一家做仿真的中国公司成为国际工业仿真巨头的重要合作伙伴。
巨头有工业仿真，但没有具身仿真
西门子在工业仿真领域的积累不需要多介绍。Simcenter、NX 这些产品在制造企业里是基础设施级的存在，材料属性、接触关系、摩擦参数、装配公差，这些经过真实产线反复验证的工程数据，是西门子几十年的核心资产。
但具身智能对仿真的要求，跟传统工业仿真是完全不同的技术路线。
工业仿真擅长的是离线高精度分析：工程师建好模型，跑一次仿真，看应力分布、看形变趋势、看装配路径，追求精度，不需要实时。机器人训练要的是另一套东西，同一瞬间要结算几百次物理接触、力反馈、摩擦效应，环境还要支持大规模并行、场景随机化、泛化生成。
这两件事的底层求解器架构不一样。西门子的工业仿真软件不是为机器人训练设计的，而西门子离机器人训练这个场景也太远，它不清楚机器人需要什么样的数据结构、什么样的交互逻辑、什么样的评测体系。
换句话说，西门子有工业知识，但缺少把这些知识翻译成机器人训练环境的能力。这件事靠西门子自己做，成本不低，周期也不短。
光轮智能给自己的定位是 " 物理 AI 的数据和评测基础设施 "。杨海波在现场交流中有一个比喻，" 就像在给机器人建一所学校，提供、教室、教材，然后不断考试、测验 "。
具体到跟西门子合作这件事上，光轮智能手里有几张牌。
第一张是SimFoundry。这是光轮智能全栈自研的仿真平台，核心是 " 求解、测量、生成 " 三位一体：实时物理求解支撑机器人高频交互，物理测量获取并校准真实参数，生成能力构建具备物理属性和交互逻辑的仿真资产。杨海波在现场交流中举了一个例子，在 SimFoundry 的仿真环境下，冰箱可以打开，而且能真实反映磁吸阻尼的效果。这种物理真实靠的是底层求解器算出来的，跟用世界模型生成是两回事。
第二张是标准话语权。光轮智能是 Newton 仿真技术委员会五家企业之一，跟英伟达、谷歌 DeepMind、迪士尼研究院、丰田研究院同台，而且是唯一一家中国企业。同时还是 EgoVerse 人类数据委员会十家企业中的唯一中国成员。西门子选合作伙伴，标准层的背书是硬门槛。一个同时参与仿真和数据两大国际标准制定的公司，在技术方向上不会跑偏。
第三张是数据规模和交付能力。光轮智能在仿真合成数据、人类视频数据、仿真评测三个领域都是全球交付第一，全球前五的世界模型团队都在用它的数据。西门子需要一个已经在领跑的合作伙伴。
目前，中国是全球最大的制造业市场，拥有最广泛的工业场景，也是机器人本体厂商最集中的市场。要推动工业场景落地，西门子需要光轮智能这个懂本土客户、有交付能力的合作伙伴。
合作的真正看点在 " 翻译层 "
双方合作的技术核心，是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、装配公差和工艺约束，转化为 SimFoundry 可以直接调用的物理参数、高精度资产和交互环境。
这件事听起来像是格式转换，实际上不是。工业仿真的参数模型追求精度，每一个零件的应力、形变都要算到小数点后若干位。但机器人训练环境不需要这种精度，它需要的是 " 物理上足够真实 " 的抽象，冰箱门打开时有阻尼感，接触面有摩擦力，插拔时有阻力反馈。怎么从高精度的工程参数中抽象出机器人训练能用的物理模型，这中间缺一个 " 翻译层 "。
这个翻译层，单靠任何一方都不够。西门子有工业参数，能够提供工业级 " 基准真值 "；光轮智能有实时仿真环境，让工业知识第一次以 GPU 时代的规模化速度，进入机器人训练环境。双方各自拿出最强的一块，拼出来的就是这个翻译层。
翻译层建成之后，还有一条更长的链路：西门子提供的工业模型、知识和参数进入 SimFoundry 生成仿真资产，资产进入 RoboFinals 做规模化评测，评测通过的模型通过 RoboStack 进入真实产线，产线上收集的数据和失败案例再回到 SimFoundry，反哺下一轮数据生成，围绕 " 会干活的机器人 " 形成正向飞轮。
杨海波在现场交流中反复强调 " 持续学习闭环 " 这个概念。他描述这个过程时说：" 我们从数据的采集、训练到评测到落地部署没有完，落地部署之后，在这个真实场景下，每一个动作都是最宝贵的数据，这个数据要回环来，回到整个数据体系，再去不断提升。" 放在西门子合作的背景下，这个闭环有了一个工业级的版本：工业场景建模、高精度仿真、规模化评测、真实部署、数据回环。
背后一个更大的变化
光轮智能与西门子的正式合作，真正值得留意的可能不是这次合作本身，而是它反映出来的一个产业趋势。
传统工业软件的合作模式是 " 我出平台，你做集成 "。但在具身智能时代，西门子需要的已经超出了系统集成商的角色，它要的是一个在仿真、数据、评测、部署全链路都有能力的合作伙伴。正是光轮智能，不做本体、不做模型，专做物理 AI 的数据与评测基础设施，在工业软件生态里以前不存在这类角色。
杨海波在现场交流中表示，2026 年是具身智能数据规模化的元年。去年数据需求是几百几千小时，今年是上百万小时。当数据需求百倍到千倍增长，机器人开始从 demo 走向真实产线，工业仿真巨头发现自己缺的不是一个软件供应商，而是一套能把工业知识注入机器人训练全流程的基础设施。
光轮智能恰好站在了这个位置上，它的商业模式也更接近数据的复用，而非传统软件授权。据杨海波透露，光轮智能的优质场景数据已经复售给 10 家以上不同客户。同一批数据被多个客户购买，表面上是高毛利，深层逻辑是在建立事实标准。大家共同使用同一份数据，这份数据就成了行业标准的载体。
这跟西门子合作有什么关系？
如果光轮智能的仿真资产和评测体系能接入西门子的工业参数，这套事实标准就从通用场景延伸到了工业场景。对西门子来说，它的工业仿真能力有了一条进入具身智能的通道；对光轮智能来说，它的数据基础设施拿到了工业级的参数校准和市场背书。
还有一个细节值得留意，杨海波在现场交流中提到，光轮智能的数据中有一种 " 纠正数据 " 卖得比别人贵。所谓纠正数据，就是机器人做错了又纠正过来的操作记录，价格有 50% 左右溢价。为什么贵？因为它补的是数据的多样性。工业场景里，失败模式和成功路径同样重要，甚至更重要。我们可以设想，西门子的工业参数能与光轮智能构建更真实的工业失败场景，这些数据在评测环节的价值就会显著提升。
回到杨海波那句开场白，他说中国在物理 AI，特别是在数据和仿真上，总体在全球范围内长期落后，工业仿真长期依赖于国外。仿真的对外依赖度不亚于芯片，只不过仿真更底层、更隐蔽，不容易被关注。
在这个背景下，光轮智能一边全栈自研仿真器，例如已经和摩尔线程合作跑在国产显卡上；跟西门子签订合作协议，接入全球最成熟的工业仿真参数体系。合作和自研并行，其实并不矛盾，逻辑是为了获得工业侧的参数校准和场景验证，而自研仿真器是为了不被卡脖子。
西门子与光轮智能此次合作，真正值得留意的是，在物理 AI 基础设施这个层面，中国已经出现了能被国际工业巨头主动靠近的公司。双方的联手正在打通工业仿真与具身仿真——物理 AI 走进复杂制造车间的那道门，被推开了一半。（本文首发钛媒体 APP，作者 | AGI-Signal，编辑 | 秦聪慧）
