Restrukturisasi penilaian, infrastruktur data dan evaluasi menjadi pusat penilaian industri embodied.

Penulis｜Zhou Yue

Editor｜Li Zi

Logika pasar kecerdasan embodied sedang berubah.

Selama dua tahun terakhir, industri membahas kecerdasan embodied, paling fokus pada model dan entitas: siapa yang memiliki 'otak' lebih kuat, siapa robot humanoid yang lebih menyerupai manusia, dan siapa yang gerakannya lebih akurat. Ini semua merupakan manifestasi kemampuan paling langsung dari kecerdasan embodied.

Ini sejalan dengan logika evolusi industri yang baru muncul. Setiap siklus teknologi yang dimulai, yang pertama kali berada di bawah sorotan sering kali adalah perusahaan yang paling dekat dengan pengguna dan paling imajinatif. Seperti pada awal pengemudian otomatis, pasar awalnya fokus pada kendaraan dan Robotaxi; pada awal ledakan model besar, dana terlebih dahulu mengejar perusahaan model dan aplikasi. Pada tahap awal kecerdasan embodied, model dan entitas pertama kali mendapatkan penilaian tinggi, juga merupakan hasil alami dari perkembangan industri.

Namun, ketika industri teknologi bergerak dari 'laboratorium' ke 'skala', logika penetapan harga pasar sering kali akan berkonvergensi ke posisi yang lebih dasar.

Pengemudian otomatis telah melahirkan Scale AI yang mendukung sistem produksi data; di era model besar, yang benar-benar berdiri di pusat industri adalah penyedia infrastruktur kekuatan komputasi seperti NVIDIA. Semakin teknologi bergerak menuju implementasi skala, industri semakin bergantung pada infrastruktur dasar yang dapat mendukung iterasi berkelanjutan di seluruh industri.

Menjelang tahun 2026, kecerdasan embodied juga mencapai titik belok ini: apakah AI fisik dapat diimplementasikan secara skala tidak lagi hanya bergantung pada parameter model, bentuk entitas, atau kemampuan titik tunggal, tetapi bergantung pada siapa yang dapat menyediakan infrastruktur data dan evaluasi yang mendukung umpan balik dan pembelajaran berkelanjutan untuk robot.

Pasar modal sangat peka terhadap sinyal ini dan mulai melakukan penilaian ulang terhadap sektor infrastruktur dalam kecerdasan embodied.

Baru-baru ini, Glowing Wheel Intelligence mengumumkan telah menyelesaikan putaran pendanaan baru. Putaran ini dipimpin oleh Ant Group; Jian Investment, Dana Komunitas Greater Bay Area, Fund Semir, Shandong Fuhong (Industri Fuhong berpartisipasi dalam pengelolaan dana industri), Xineng Investment, Linxin Investment, dan lembaga terkenal lainnya turut berpartisipasi; pada saat yang sama, 37 Interactive Entertainment, Guofang Innovation, Daohe Long-term Investment, dan Ding Shi Asset Management, serta pemegang saham lama lainnya berinvestasi lebih dari batas.

Setelah penyelesaian putaran pendanaan ini, penilaian Glowing Wheel Intelligence telah melebihi 2 miliar dolar AS, menggandakan nilai dalam waktu singkat dua bulan. Angka ini tidak hanya memecahkan rekor penilaian di bidang infrastruktur data dan evaluasi embodied global, tetapi juga membentuk ulang pola penilaian infrastruktur data dan evaluasi AI fisik.

Dalam pandangan 'Jiazi Guangnian', infrastruktur data dan evaluasi kecerdasan embodied sedang menjadi fokus penilaian baru di industri.

Glowing Wheel Intelligence, sedang berada di pusat fokus industri.

1. Tahun pertama skala data embodied,

Infrastruktur data dan evaluasi sedang menjadi pusat nilai baru.

Di era model bahasa besar, infrastruktur paling inti dari industri AI adalah kekuatan komputasi. GPU, CUDA, kluster pelatihan, layanan inferensi, dan infrastruktur cloud, telah mendukung ledakan cepat AI selama sepuluh tahun terakhir.

Berbeda, hukum skala AI fisik tidak hanya terjadi pada parameter dan kekuatan komputasi. Ini secara bertahap beralih dari skala parameter menjadi skala data, lingkungan, dan umpan balik. Robot harus belajar tentang dunia fisik, mereka perlu menangani gaya, kontak, deformasi, kegagalan, dan umpan balik, yang jauh lebih kompleks daripada sekadar teks dan gambar. Yang lebih penting, dunia fisik yang nyata tidak dapat melakukan kesalahan tanpa batas, dan tidak dapat direset kapan saja.

Oleh karena itu, untuk kecerdasan embodied benar-benar memasuki tahap skala, pertanyaan inti tidak lagi hanya 'siapa yang pertama kali membuat robot', tetapi siapa yang dapat terus menyediakan data yang memiliki skala dan kualitas tinggi, yang dapat dievaluasi dan diverifikasi.

Pada paruh kedua tahun 2025, kemampuan model perusahaan Generalist dalam kecerdasan embodied mendorong hukum skala data embodied ke permukaan. Ini pertama kalinya membuktikan kepada industri bahwa lompatan kemampuan model robot tidak hanya berasal dari model yang lebih besar, tetapi juga dari pasokan data berkualitas tinggi yang berkelanjutan. Di balik ini adalah kebutuhan sistematis untuk infrastruktur data dasar setelah kecerdasan embodied memasuki era pra-pelatihan.

Sebelum pasar melihat pola ini, Glowing Wheel Intelligence sudah menyelesaikan penataan proaktif. Eksplorasi model terdepan seperti Generalist juga didukung oleh infrastruktur dasar mereka. Ketika Generalist telah menetapkan arah industri, Glowing Wheel Intelligence secara alami menjadi perusahaan infrastruktur yang pertama kali menerima permintaan dan mendorong industri menuju tahap skala.

Menjelang tahun 2026, penilaian ini mulai beralih dari kemajuan model menuju verifikasi komersial. Pada kuartal pertama tahun ini, Glowing Wheel Intelligence mencatat pesanan baru sebesar 5,5 miliar yuan, pendapatan kuartal pertama melebihi total pendapatan tahun lalu, memecahkan rekor industri data embodied, dan mendorong industri untuk bergerak cepat menuju 'tahun pertama skala data embodied'.

Pesanan-pesanan ini mencerminkan dua permintaan mendasar dari pasar domestik dan internasional: satu jenis adalah tim model besar dan model dunia yang terus berlatih, beriterasi, dan mengevaluasi; jenis lainnya adalah dari industri nyata seperti logistik, pertanian, peralatan rumah tangga, dan otomotif, yang mulai menginvestasikan uang asli untuk pelatihan, verifikasi, dan penerapan robot. Glowing Wheel Intelligence kebetulan berada di titik pertemuan dua kurva permintaan ini.

Saat ini, Glowing Wheel Intelligence telah membangun siklus tertutup yang lengkap: mampu menghasilkan layanan data manusia dan sintetik berkualitas tinggi untuk pelatihan, juga mampu melakukan evaluasi simulasi skala di sekitar skenario, dan berdasarkan penerapan untuk memberikan umpan balik yang nyata. Di era AI fisik, pelatihan model, validasi evaluasi, dan penerapan industri semuanya bergantung pada satu set infrastruktur yang sama untuk pembelajaran berkelanjutan dan iterasi.

Ini juga merupakan logika dasar di balik penilaian ulang Glowing Wheel Intelligence oleh pasar. Di era model besar, NVIDIA dinilai ulang berulang kali, bukan hanya karena perangkat keras GPU itu sendiri, tetapi karena dasar komputasi yang dibentuk oleh GPU, CUDA, dan kluster pelatihan, menjadi kebutuhan mendasar bagi ekspansi seluruh industri. Memasuki era AI fisik, logika serupa sedang berpindah: model dan entitas harus terus maju, harus ada pasokan data yang dapat diskalakan, sistem evaluasi yang dapat direproduksi, dan infrastruktur siklus umpan balik yang nyata. Dan Glowing Wheel Intelligence, sedang menyediakan infrastruktur siklus tertutup untuk data dan evaluasi AI fisik. Dari sudut pandang ini, investasi yang dipimpin oleh Ant Group, dengan partisipasi sejumlah perusahaan negara, dana industri, dan pemegang saham lama, bukan hanya pengakuan terhadap Glowing Wheel Intelligence, tetapi juga sinyal yang jelas bahwa modal industri mulai mengevaluasi kembali nilai jangka panjang dari infrastruktur AI fisik.

2. Siklus tertutup manusia, simulasi, dan penerapan:

Glowing Wheel Intelligence menjadikan data dan evaluasi AI fisik sebagai infrastruktur.

Hambatan inti Glowing Wheel tidak terletak pada menempatkan satu jalur data tertentu, tetapi karena mereka sejak awal sudah diposisikan sebagai infrastruktur untuk AI fisik.

Ini adalah infrastruktur data dan evaluasi AI fisik yang menghubungkan pelatihan, evaluasi, dan umpan balik penerapan. Kemampuan inti dari infrastruktur ini terdiri dari inti simulasi tiga dimensi yang dikembangkan secara mandiri, data video manusia, dan umpan balik dari penerapan nyata.

Pertama, adalah simulasi.

Kemampuan paling inti dari Glowing Wheel terletak pada platform simulasi mandiri tiga dimensi 'penyelesaian - pengukuran - generasi'. Penyelesaian bertanggung jawab untuk mereproduksi gaya, tumbukan, kontak, dan deformasi dalam lingkungan virtual, sehingga simulasi dapat dipercaya secara fisik; pengukuran bertanggung jawab untuk membawa atribut fisik yang nyata seperti bahan, kontak, gesekan, dan deformasi ke dalam sistem; dan generasi memperluas hukum fisik ini menjadi dunia simulasi yang dapat dilatih, dievaluasi, dan digunakan kembali.

Ini juga merupakan inti teknis dari infrastruktur data dan evaluasi Glowing Wheel.

Dalam sistem ini, simulasi menjadi pusat yang menghubungkan generasi data, pelatihan model, dan evaluasi kemampuan: satu sisi mengungkap batas kemampuan model dalam berbagai tugas, lingkungan, dan interaksi fisik melalui evaluasi simulasi. Evaluasi tidak hanya menentukan apakah model benar-benar maju, tetapi juga menentukan bagaimana data dan pelatihan berikutnya seharusnya berevolusi; di sisi lain, pengalaman dunia nyata diperluas menjadi data yang dapat dilatih dalam jumlah besar. Di satu sisi, ia menilai batas kemampuan model melalui evaluasi simulasi, dan secara terbalik mendefinisikan kebutuhan data berikutnya; di sisi lain, melalui data sintetik simulasi, pengalaman tugas dari video manusia, pengoperasian jarak jauh, dan skenario nyata secara otomatis diperluas menjadi data sintetik simulasi di berbagai skenario, gangguan, dan parameter fisik.

Kedua, adalah data video manusia.

Robot perlu memasuki dunia nyata, pertama-tama mereka perlu memahami bagaimana manusia bertindak di lingkungan nyata: bagaimana membuka pintu, mengambil, mengatur, merakit, bagaimana membagi langkah-langkah dalam tugas yang kompleks, menangani pengecualian, dan memperbaiki gerakan. Data video manusia menyediakan bukan hanya sampel statis, tetapi pengalaman operasional, struktur tugas, dan pengetahuan perilaku di dunia nyata.

Masyarakat sebelumnya mudah memahami Glowing Wheel Intelligence sebagai perusahaan simulasi, tetapi itu tidak lengkap. Sebenarnya, Glowing Wheel Intelligence telah mengubah data manusia dan simulasi menjadi infrastruktur siklus tertutup, dan volume pengiriman data manusia mereka adalah yang tertinggi di dunia. Produk data video manusia mereka mencakup lebih dari 25.000 node lingkungan, lebih dari 100.000 jenis tugas, dengan total pengiriman lebih dari 1,5 juta jam data manusia berkualitas tinggi. Bagi tim model, data ini bukan hanya membuat model 'melihat dunia', tetapi juga membantu model memahami bagaimana manusia menyelesaikan tugas di dunia fisik.

Sekali lagi, adalah umpan balik dari penerapan nyata.

AI fisik pada akhirnya harus kembali ke lapangan industri.

Penerapan skenario bukanlah akhir dari siklus tertutup, tetapi merupakan sumber umpan balik terpenting dalam siklus tersebut. Penerapan yang nyata akan mengungkap distribusi tugas baru, pola kegagalan baru, dan batasan skenario baru, umpan balik ini kemudian kembali ke data, simulasi, dan sistem evaluasi, menjadi dasar untuk pelatihan dan diagnosis kemampuan berikutnya.

Dengan demikian, Glowing Wheel membentuk infrastruktur siklus tertutup yang terus berkembang untuk data AI fisik dan evaluasi.

Inti dari simulasi menjamin kepercayaan fisik, data manusia menyediakan pengalaman nyata, evaluasi simulasi menilai batas kemampuan, dan umpan balik penerapan membawa kembali masalah nyata. Ketiga elemen ini tidak hanya berdiri sendiri, tetapi terus berputar, terus dikalibrasi, dan terus ditingkatkan dalam satu set sistem yang sama. Artinya, data manusia, evaluasi simulasi, dan umpan balik penerapan membentuk sirkulasi lapisan luar; sementara 'penyelesaian - pengukuran - generasi' dalam simulasi adalah inti teknologi yang membuat sirkulasi ini terus beroperasi.

Data video manusia menyediakan perilaku dan pengalaman tugas manusia yang nyata di dunia; simulasi kemudian memperluas pengalaman ini menjadi data sintetik yang disimulasikan; evaluasi menentukan batas kemampuan model dan menunjukkan kebutuhan data berikutnya; penerapan nyata membawa model kembali ke lapangan industri, menghasilkan kegagalan, umpan balik, dan batasan tugas baru; umpan balik ini kembali, mendorong generasi data berikutnya, perluasan simulasi, iterasi evaluasi, dan penerapan nyata. Inti dan sirkulasi luar ini bersama-sama mengarah pada satu hasil: data dan kemampuan evaluasi yang lebih berkualitas tinggi.

Bagi pelanggan utama, memilih Glowing Wheel Intelligence bukan hanya karena mereka dapat menyerahkan data berkualitas tinggi, tetapi karena data tersebut berasal dari infrastruktur yang terus divalidasi dan ditingkatkan. Kualitas data, standar evaluasi, dan siklus umpan balik sedang menjadi sumber daya inti baru di era AI fisik. Apa yang dilakukan Glowing Wheel Intelligence adalah mengubah kemampuan dasar ini dari pengiriman berbasis proyek menjadi infrastruktur yang dapat dipanggil berulang kali, terus berkembang, dan mendukung iterasi di seluruh industri. Titik akhir siklus tertutup manusia, simulasi, dan penerapan Glowing Wheel tidaklah jumlah, tetapi kualitas; bukan hanya pengiriman satu kali, tetapi infrastruktur AI fisik yang lebih berkualitas dan terus berevolusi.

3. Dari infrastruktur ke tingkat aturan:

Glowing Wheel Intelligence sedang mendefinisikan standar internasional untuk data AI fisik, simulasi, dan evaluasi.

Ketika data, simulasi, dan kemampuan evaluasi digunakan secara berulang oleh berbagai pihak di industri, metode, antarmuka, dan sistem evaluasi mulai terakumulasi sebagai standar bersama industri.

Jika infrastruktur menyelesaikan masalah 'apakah industri bisa berjalan', maka standar menyelesaikan masalah 'apakah industri bisa berjalan lebih jauh dalam satu set tatanan dasar yang sama'. Kompetisi tahap berikutnya dalam kecerdasan embodied sedang beralih dari output kemampuan teknologi titik tunggal, menjadi definisi standar ekosistem industri.

Untuk mencapai skala industri dalam AI fisik, industri harus menjawab serangkaian pertanyaan dasar: bagaimana mendefinisikan data berkualitas tinggi? bagaimana mendefinisikan simulasi berkualitas tinggi? bagaimana mendefinisikan evaluasi berkualitas tinggi? bagaimana model harus dilatih, divalidasi, dan diterapkan, serta bagaimana umpan balik penerapan kembali masuk ke dalam sistem pelatihan, untuk terus meningkat?

Siapa pun yang bisa terlibat dalam definisi masalah ini, memiliki peluang lebih besar untuk menduduki posisi kunci dalam evolusi industri tahap berikutnya. Dan Glowing Wheel Intelligence, sedang berpartisipasi dalam pembangunan standar dasar ini melalui tiga dimensi.

Pertama, standar kualitas data.

Bagi tim model teratas, yang benar-benar penting bukanlah 'data lebih banyak', tetapi data berkualitas tinggi yang dapat diskalakan, hanya data berkualitas tinggi yang dapat terus diterjemahkan menjadi peningkatan kemampuan model.

Bagi Glowing Wheel Intelligence, data berkualitas tinggi tidak hanya bergantung pada pengumpulan sederhana, tetapi dibentuk dalam 'sistem sirkulasi dalam dan luar' mereka: lapisan luar dibentuk oleh data manusia, evaluasi simulasi, dan umpan balik penerapan, lapisan dalam terdiri dari platform simulasi pengembangan mandiri tiga dimensi 'penyelesaian - pengukuran - generasi', sehingga kualitas data tidak hanya bergantung pada pengumpulan satu kali atau pemeriksaan kualitas manual, tetapi dapat terus divalidasi dan ditingkatkan dalam generasi, pelatihan, evaluasi, penerapan, dan umpan balik.

Kemampuan siklus tertutup ini secara langsung diubah menjadi satu indikator inti - 'tingkat penjualan ulang data' (yaitu, seberapa banyak data Glowing Wheel dapat dijual kepada berbagai pelanggan dalam satu jam). Satu set data berkualitas tinggi dapat terus beredar dan menghasilkan nilai yang lebih tinggi di antara berbagai pelanggan, tahap model yang berbeda, dan sistem tugas yang berbeda. Semakin tinggi indikator ini, semakin stabil kualitas data, semakin kuat kemampuan Glowing Wheel untuk mendefinisikan data, semakin tinggi kualitas, dan semakin tinggi tingkat pengakuan pelanggan.

Pendiri dan presiden Glowing Wheel Intelligence, Yang Haibo, menjelaskan bahwa dalam data dari skenario berkualitas tinggi, tingkat penjualan ulang sudah bisa melebihi 10 kali. Indikator ini tidak hanya membuktikan stabilitas data dan tingkat pengakuan pelanggan, tetapi juga merupakan salah satu dukungan dasar untuk pesanan baru sebesar 5,5 miliar yuan pada kuartal pertama tahun 2026.

Kedua, standar simulasi.

Pada tahun 2026, Glowing Wheel Intelligence menerima undangan bersama dari Google Deepmind, NVIDIA, dan Disney Research, untuk bergabung sebagai anggota dewan pengarah inti di proyek engine fisika sumber terbuka Newton. Glowing Wheel Intelligence akan memainkan peran dominan dalam arah teknologi simulasi embodied yang penting, bersama dengan empat lembaga terkemuka internasional: NVIDIA, Google DeepMind, Disney Research, dan Toyota Research Institute, untuk mendorong standar simulasi AI fisika sumber terbuka generasi berikutnya.

Kemunculan Newton TSC menandakan bahwa infrastruktur simulasi fisik AI global sedang menuju kesatuan. Dulu, komputasi paralel GPU, dinamika kontak presisi tinggi, penyelesaian mekanisme kompleks, ekosistem pembelajaran robot, dan verifikasi industri tingkat tinggi terpisah dalam berbagai sistem. Newton menggabungkan semua kemampuan ini dalam satu arsitektur terbuka, mendefinisikan bagaimana sistem simulasi generasi berikutnya dirancang, bagaimana mereka berkembang, dan bagaimana mereka diadopsi bersama oleh pengembang global dan skenario industri.

Di antara lima ahli simulasi terkemuka di Newton TSC, Dr. Miles Macklin, Dr. Yuval Tassa, Dr. Xie Chen, Dr. Moritz B?cher, dan Dr. Michael Sherman, masing-masing mewakili jalur teknologi inti global seperti simulasi Warp, simulasi MuJoCo, definisi SimReady berbasis 'tiga dimensi', simulasi Kamino, dan simulasi Drake.

Masuknya Glowing Wheel Intelligence ke Newton berarti bahwa mereka tidak lagi hanya menjadi peserta dalam ekosistem simulasi global, tetapi mulai berpartisipasi dalam pembangunan aturan infrastruktur simulasi AI fisik generasi berikutnya. Sementara itu, dalam hal implementasi infrastruktur simulasi, Glowing Wheel Intelligence juga bekerja sama dengan Moore Thread untuk mengembangkan kekuatan komputasi, platform simulasi, dan kemampuan evaluasi data, bersama-sama menciptakan solusi data sintetik simulasi mandiri yang diproduksi dalam negeri, dengan mengintegrasikan kekuatan dan simulasi dalam negeri yang mendalam, untuk memperkuat infrastruktur yang dapat dikendalikan secara mandiri untuk perkembangan kecerdasan embodied.

Ketiga, standar evaluasi.

Dalam ekosistem evaluasi, Glowing Wheel Intelligence bekerja sama dengan NVIDIA untuk memajukan pembangunan kerangka evaluasi seperti Isaac Lab-Arena, platform simulasi LeIsaac yang dikembangkan sendiri telah terdaftar dalam dokumentasi resmi Hugging Face; bekerja sama dengan tim terdepan dunia seperti Tongyi Qianwen dan World Labs untuk terus melakukan evaluasi dan kolaborasi di arah generasi dunia; inti dari kolaborasi ini bukan hanya membangun proyek bersama, tetapi mendorong evaluasi menuju standar industri yang dapat direproduksi, dapat dibandingkan, dan dapat diskalakan.

Dalam aspek organisasi standar dan sistem evaluasi, Glowing Wheel Intelligence menjadi satu-satunya perusahaan swasta di antara kelompok aksi kecerdasan embodied nasional yang pertama, berpartisipasi dalam pembangunan kumpulan data berkualitas tinggi dan perbaikan infrastruktur data kecerdasan embodied, serta bekerja sama dengan Komite Standar Nasional, Komite Industri dan Teknologi Informasi, dan lembaga terkait lainnya untuk memajukan pembangunan sistem standar.

Hingga saat ini, Glowing Wheel Intelligence telah memimpin atau berpartisipasi dalam 20 standar nasional dan industri yang relevan, mencakup kualitas data, platform simulasi, dan kumpulan data industri berkualitas tinggi. Selain itu, perusahaan juga telah menjalin kerjasama dengan Pusat Deteksi dan Penilaian Robot Nasional (markas besar) untuk mendorong pembangunan infrastruktur dasar kecerdasan embodied dan standar evaluasi pengujian industri.

Peran Glowing Wheel sedang berubah. Mereka tidak hanya menyerahkan data dan evaluasi kepada pelanggan, tetapi juga terus mengkristalkan kualitas data, kemampuan simulasi, sistem evaluasi, dan pengalaman industri mereka menjadi standar bersama di industri.

4. Data bukanlah bahan bakar:

Glowing Wheel Intelligence ingin membangun sistem pendidikan untuk AI fisik.

Ketika kecerdasan embodied bergerak dari laboratorium ke dunia nyata, satu pertanyaan mendasar mulai muncul: bagaimana seharusnya robot belajar?

Pemahaman manusia itu adalah proses yang berkelanjutan dan memakan waktu. Dari pendidikan dasar, pendidikan tinggi hingga pembelajaran seumur hidup, individu tidak hanya perlu menyerap pengetahuan, tetapi juga harus mengalami percobaan berulang, iterasi, serta umpan balik dan tantangan dari luar.

Robot memahami dunia fisik, juga perlu melalui proses seperti ini. Inilah logika dasar Glowing Wheel Intelligence: mereka sedang membangun sistem pendidikan untuk robot agar terus belajar. Menggunakan data manusia untuk memberikan demonstrasi yang nyata, menyediakan lingkungan pelatihan melalui dunia simulasi, menggunakan sistem evaluasi untuk menilai batas kemampuan, dan kemudian membawa umpan balik baru dari penerapan nyata kembali ke pelatihan berikutnya.

Ini juga menjelaskan mengapa pendiri dan CEO Glowing Wheel Intelligence, Xie Chen, tidak ingin melihat data hanya sebagai bahan bakar.

Bahan bakar adalah komoditas, inti dari masalah adalah pasokan, harga, dan efisiensi; pendidikan adalah rekayasa sistem, pada dasarnya berfokus pada pembelajaran, umpan balik, dan evolusi. Bahan bakar menjawab pertanyaan 'apakah mesin bisa berjalan', pendidikan menjawab pertanyaan 'apakah robot bisa membentuk pemahaman dan terus berevolusi'. Dan kemampuan belajar berkelanjutan, pada akhirnya akan menentukan batas atas kemampuan robot dalam jangka panjang.

Oleh karena itu, Glowing Wheel Intelligence memilih untuk menjalankan data manusia, evaluasi simulasi, dan umpan balik penerapan secara bersamaan. Karena pendidikan yang sebenarnya harus dimulai dari akhir, dimulai dari dunia nyata di mana 'siswa' akhirnya akan masuk. Skenario industri nyata mendefinisikan kemampuan yang harus dimiliki robot di masa depan, dan secara terbalik mendefinisikan apa yang harus mereka pelajari hari ini. Glowing Wheel sangat memperhatikan kualitas, umpan balik, evaluasi kembali, dan perbaikan berkelanjutan. Hanya dengan cara ini mereka memiliki kemampuan untuk membangun sistem pendidikan untuk AI fisik. Ini menguji bukan hanya kemampuan pengiriman perusahaan, tetapi juga pengakuan terhadap kemampuan teknologi, jaminan kualitas, mekanisme umpan balik, dan penghormatan rekayasa untuk perbaikan berkelanjutan.

Inilah alasan mendalam di balik penilaian Glowing Wheel Intelligence yang berlipat ganda dalam waktu singkat, yang kembali memecahkan rekor penilaian global. Selama sepuluh tahun terakhir, NVIDIA memasuki pusat industri AI karena mereka mendefinisikan dan mendukung infrastruktur komputasi di era model besar; dan Glowing Wheel Intelligence, bukan hanya karena kemampuan produk yang unggul dan kemampuan implementasi komersialnya, tetapi lebih penting karena telah mendefinisikan infrastruktur data dan evaluasi di era AI fisik.

Glowing Wheel memilih untuk mengambil jalan yang lebih jangka panjang, lebih dasar, dan juga lebih dekat dengan penyelesaian akhir industri AI fisik. Dengan dimulainya tahun pertama skala kecerdasan embodied pada tahun 2026, pusat nilai AI fisik juga bergerak dari model dan entitas, lebih jauh menuju data, evaluasi, dan infrastruktur pembelajaran berkelanjutan. Dan Glowing Wheel Intelligence sedang menduduki posisi yang semakin sentral dalam pergeseran paradigma industri ini.