バリュエーションの再構築——データと評価インフラが具身産業のバリュエーション・センターに。
著者｜周悦
編集｜栗子
具身知能の市場ロジックは変化しています。
過去2年、業界が具身知能について最も注目してきたのは、モデルと本体でした。誰の「頭脳」がより強いのか、誰のヒューマノイド・ロボットがより人に似ているのか、誰の動作がより正確なのか。これらは、具身知能の最も直感的な能力の現れです。
これは新興産業の進化ロジックとも一致します。技術サイクルが始まるたびに、最初にスポットライトを浴びるのは、往々にして最もユーザーに近く、最も想像力のある会社です。自動運転の初期には、市場はまず完成車とRobotaxiに焦点が当たりました。大規模言語モデルの爆発の初期には、資金はまずモデルとアプリケーション企業に集中しました。具身知能の立ち上がり期においても、モデルと実体（本体）が先に高い評価（高バリュエーション）を得ることは、産業発展の自然な帰結です。
しかし、技術と産業が「研究室」から「スケール化」へ進むと、市場の価格設定ロジックは往々にして、より土台の位置へと収れんします。
自動運転は、データ生成を支えるScale AIを生み出しました。大規模言語モデル時代において産業のど真ん中に立つのは、計算能力の基盤インフラを提供するNVIDIAです。技術がスケール化された実装へ進むほど、業界は全業界が継続的に反復していくための、下層の基盤インフラにより強く依存するようになります。
2026年に入ると、具身知能にもこの転換点が訪れます。物理AIをスケール化して実際に定着できるかどうかを左右するのは、もはや単にモデルのパラメータ、本体の形状、あるいは単点の能力ではなく、ロボットが継続的にフィードバックし続け、継続的に学習できるデータと評価インフラを提供できるかどうかにかかっています。
資本市場はこのシグナルを鋭敏に捉え、具身知能のインフラ領域を改めて再評価し始めています。
このたび、光輪智能は新たなラウンドの資金調達を完了したことを発表しました。今回のラウンドはアント・グループが主導し、建投投資、大湾区共同家園ファンド、森馬方道ファンド、山東孚弘（インダストリアル・アンド・コープ（富聯）関連で産業ファンド運営に参加）、芯能投資、臨芯投資などの著名な国資系、産業系、財務系の機関が共同で参加しました。さらに、三七互娱、国方创新、道禾長期投資、鼎石資管などの既存株主が上乗せして出資しています。
今回の資金調達の完了後、光輪智能のバリュエーションは20億米ドルを超え、わずか2か月でバリュエーションが倍増しました。この数字は、グローバルな具身データおよび評価インフラ分野のバリュエーション記録を更新しただけでなく、物理AIデータと評価インフラ産業のバリュエーション構造そのものも塗り替えました。
「甲子光年」の見立てでは、具身知能のデータと評価インフラが、業界の新たなバリュエーション（企業価値評価）焦点になりつつあります。
光輪智能は、産業の焦点の核心に位置しています。
1. 具身データの量産（スケール）元年、
データと評価インフラが新たな価値の中心に
大規模言語モデルの時代において、AI産業で最も中核となる基盤インフラは計算能力です。GPU、CUDA、トレーニング・クラスター、推論サービス、クラウド基盤インフラが、過去10年のAIの急速な爆発を支えてきました。
一方で、物理AIのScaling Lawは、パラメータと計算能力だけで起きるものではありません。いまそれは、パラメータScalingから、データ、環境、フィードバックのScalingへと徐々に移行しています。ロボットが学ぶのは物理世界であり、力、接触、変形、失敗、そしてフィードバックを扱う必要があります。これは、単なるテキストや画像よりはるかに複雑です。さらに重要なのは、真の物理世界は無限に試行錯誤できず、いつでもリセットできないことです。
したがって、具身知能が真にスケール化の段階へ入るための核心課題は、「誰が先にロボットを作るか」ではなく、「誰が、スケール可能でかつ高品質で、評価検証に耐えられるデータを継続的に提供できるか」です。
2025年の中盤以降、具身企業Generalistのモデル能力のブレークスルーが、具身データScaling Lawを表舞台へ押し出しました。これは業界に初めて検証をもたらしたもので、ロボット・モデル能力の飛躍は、単により大きなモデルによるものだけではなく、高品質データの継続的な供給によってもたらされることが示されました。その背後にあるのは、具身知能が事前学習（プレトレーニング）の時代に入った後、基盤データ・インフラに対するシステム的な需要が顕在化しているという事実です。
市場がこの法則を理解するより前に、光輪智能はすでに先行的な布石を打ち終えていました。Generalistなどの最先端モデル探索にも、その裏にある基盤インフラの支えがあります。Generalistが明確に業界の方向性を示した後、光輪智能が当然の成り行きとして、いち早く需要を受け止め、業界をスケール化の段階へ押し進めるインフラ企業になったのです。
2026年に入ると、この判断はモデルの進展から商業的な検証へと移ってきました。今年第1四半期、光輪智能の新規受注は5.5億元に達し、第1四半期の売上は昨年通年を上回りました。これにより、身体（具身）データ業界の新たな記録を更新し、業界が「具身データの量産（スケール）元年」へ加速的に踏み込む後押しとなっています。
これらの受注は、国内外市場に存在する2つの強い必需（ジョブ）を反映しています。1つは、具身大規模モデルおよびワールドモデルチームが、継続的なトレーニング、反復、評価の段階へ入ること。もう1つは、産業・物流・農業・家電・自動車などの実際の産業シーンが、ロボットの学習・検証・導入に本気の投資を始めていることです。光輪智能はちょうど、この2つの需要カーブの交点に位置しています。
現在までに、光輪智能は完全なクローズドループを構築しています。高品質の人類データおよび合成データサービスによるトレーニングの生成ができるだけでなく、シーンに基づく規模化されたシミュレーション評価も行え、さらに導入に基づく実際のフィードバックも提供できます。物理AIの時代では、モデルの学習、評価・検証、産業導入はいずれも、継続的な学習と反復のために同一の一式のインフラに依存しています。
これもまた、光輪智能が市場により再評価されるための根本的なロジックです。大規模言語モデルの時代においてNVIDIAが何度も再評価されたのは、GPUというハード自体のためだけではありません。GPU、CUDA、学習クラスターによって構成される計算基盤が、産業拡張全体にとっての必需（ジョブ）になったからです。物理AIの時代になると、同様のロジックが移行しています。モデルと本体を継続的に進歩させるには、スケール可能なデータ供給、再現可能な評価体系、そして実フィードバックのクローズドループを支える基盤インフラが必須です。光輪智能は、まさに物理AIのデータと評価の閉ループ基盤インフラを提供しています。この観点から見ると、蚂蚁戦投が主導し、複数の国有資本・産業ファンドや既存株主が追随して出資したのは、単なる光輪智能への評価であるだけでなく、産業資本が物理AIの基盤インフラの長期価値を再評価し始めた明確なシグナルでもあります。
2. 人類データ、シミュレーション、導入の全閉ループ：
光輪智能は、物理AIのデータと評価をインフラとして作り上げた
光輪智能のコアな参入障壁は、特定の単一のデータルートに賭け当てたことにあるのではなく、最初から物理AIの基盤インフラとして位置付けていたからです。
これは、トレーニング、評価、導入フィードバックを貫く物理AIのデータと評価インフラ一式です。その中核能力は、フルスタックで自研した三位一体のシミュレーション・コア、人類動画データ、そして実導入から回流するフィードバックによって構成されています。
まずは、シミュレーションです。
光輪智能の最も中核となる能力は、「解く—測る—生成する」の三位一体からなるフルスタック自研シミュレーション・プラットフォームに由来します。解く機能は仮想環境で力、衝突、接触、変形を再現し、シミュレーションを物理的に信頼できるものにします。測る機能は材料、接触、摩擦、変形などの実際の物理属性をシステムへ取り込みます。生成機能は、それらの物理法則をスケールして、学習可能で、評価可能で、再利用可能なシミュレーション世界へと拡張します。
これが、光輪智能のデータと評価インフラの技術的な内核です。
この体系の中で、シミュレーションはデータ生成、モデル学習、能力評価をつなぐ中枢です。片側では、シミュレーション評価を通じて、モデルが異なるタスク、環境、物理的相互作用においてどこまでできるのか（能力の境界）を露出させます。評価は、モデルが本当に進歩しているかだけでなく、次のデータと訓練がどう進化すべきかも決めます。もう片側では、実世界の経験を大量の学習可能なデータへと拡張します。一方ではシミュレーション評価によりモデル能力の境界を判断し、反対に次のデータ需要を定義します。他方では、シミュレーション合成データによって、人類動画、遠隔操作、実際のシーンに基づくタスク経験を、自動的に多シーン、多様な攪乱要因、多様な物理パラメータの条件下へと拡張します。
次に、人類動画データです。
ロボットが現実世界へ入るには、まず人間が現実環境でどのように行動するのかを理解する必要があります。どうやってドアを開け、どうやって把持し、どう整理し、どう組み立てるのか。複雑なタスクではどのように手順を分解し、例外に対処し、動作を修正するのか。人類動画データが提供するのは静的なサンプルではなく、現実世界での操作経験、タスク構造、行動の事前知識です。
外部からはこれまで、光輪智能をシミュレーション企業と理解されがちでしたが、それは不完全です。実際には、光輪智能は人類データとシミュレーションを、クローズドループの基盤インフラへと仕上げており、かつ人類データの納品量は世界一です。同社の人類動画データ製品は、25,000+の環境ノード、100,000+のタスク種類をカバーし、累計で150万時間超の高品質人類データを納品しています。モデルチームにとって、これらのデータは単にモデルに「世界を見せる」だけでなく、人類が物理世界でいかにタスクを遂行するかを理解させるものです。
そしてもう一つは、実際の導入からのフィードバックが回流することです。
物理AIは最終的に産業現場へ戻らなければなりません。
シーン導入は、クローズドループの外側にある終点ではなく、クローズドループ内部で最重要なフィードバック源です。実導入は、新たなタスク分布、新たな失敗パターン、そして新しいシーン制約を明らかにします。これらのフィードバックは再びデータ、シミュレーション、評価システムへ戻り、次のトレーニングと能力診断の根拠になります。
これにより光輪は、進化し続ける物理AIデータと評価のクローズドループ（閉ループ）を支えるインフラ一式を形成しています。
シミュレーション・コアは物理的に信頼できることを保証し、人類データは真の経験を提供し、シミュレーション評価は能力の境界を判断し、導入フィードバックは実際の課題へ戻します。3つは単なる並列ではなく、同一システムの中で循環し、繰り返し校正され、絶えず向上していく関係です。つまり、人類データ、シミュレーション評価、導入フィードバックが外層のクローズドループ（外循環）を構成し、シミュレーション内部の「解く—測る—生成する」の三位一体が、そのループが継続的に回り続けるための技術的な内核です。
人類の動画データは、現実世界における人間の行動とタスク経験を提供します。シミュレーションは、これらの経験をスケールしてシミュレーション合成データへ拡張します。評価は、モデル能力の限界を判断し、次のデータ需要を示します。実導入は、モデルを産業現場へ戻し、新たな失敗、フィードバック、タスク制約を生み出します。これらのフィードバックは再び回流し、次のデータ生成、シミュレーション拡張、評価の反復、実導入のサイクルを促進します。この「内核」と「外循環」が一緒に指し示す結論は、より高品質なデータと評価能力です。
主要顧客にとって光輪智能を選ぶのは、単に高品質データを納品できるからではありません。これらのデータが、継続的に検証され続け、継続的に向上されるインフラから生み出されているからです。データ品質、評価基準、フィードバックのクローズドループが、物理AI時代の新たな中核リソースになりつつあります。光輪智能がやっているのは、これらの基盤能力を「案件型の納品」から、「何度も呼び出せ、継続的に進化し、全業界の反復を支え続けられる」インフラへ変えることです。光輪智能の人類データ、シミュレーション、導入の全クローズドループの最終的な到達点は、量ではなく質です。一回限りの納品ではなく、より高品質で継続的に進化する物理AIインフラです。
3. インフラからルール層へ：
光輪智能は、物理AIのデータ、シミュレーション、評価の国際標準を定義しつつあります
データ、シミュレーション、評価能力が産業の各プレイヤーにより高頻度で再利用されると、その方法、インターフェース、評価体系は、やがて業界共通の標準として蓄積されていきます。
インフラが「業界が走れるかどうか」を解決するのであれば、標準は「同じ下層の秩序の上で、業界がさらに遠くまで走れるかどうか」を解決します。具身知能の次段階の競争は、単点の技術能力の提供から、業界エコシステムの標準の定義へと姿を変えつつあります。
物理AIを産業としてスケール化するためには、業界は一連の基盤的な問いに答えなければなりません。どのように高品質データを定義するのか。どのように高品質シミュレーションを定義するのか。どのように高品質な評価を定義するのか。モデルはどのように学習・検証・導入されるべきか。そして導入フィードバックはどのように学習システムへ再投入され、どのように継続的に向上するのか。
これらの課題の定義に深く関与できる者ほど、次の段階での産業進化において重要な位置を占める可能性が高まります。そして光輪智能は、3つの次元（ディメンション）を通じて、これらの基盤標準の構築に参加しています。
第一に、データ品質の標準です。
トップクラスのモデルチームにとって、本当に重要なのは「より多くのデータ」ではなく、スケール化された高品質データです。高品質データでこそ、モデル能力の向上へと継続的に転換できます。
光輪智能にとって、高品質データは単に収集することには依存していません。それは、その「内外ダブル・クローズドループシステム」の中で形成されます。外層は、人類データ、シミュレーション評価、導入フィードバックによって作られる循環。内層は「解く—測る—生成する」の三位一体からなる、フルスタック自研シミュレーション・プラットフォームです。そのためデータ品質は、単発の収集や人工の品質検査だけに依存せず、生成、学習、評価、導入、フィードバックの中で継続的に検証・向上されます。
こうしたクローズドループ能力は、商業面で直接、重要な指標へと転換されます——「データ再販率」（単位時間あたり、光輪のデータが何人の異なる顧客へ販売できるか）。高品質データは、異なる顧客、異なるモデル段階、異なるタスク体系の間で継続的に流通し、より高い価値を生み出せます。この指標が高いほど、データ品質がより安定していることを意味し、光輪智能のデータ定義能力が強く、品質が高いこと、顧客の認知度（評価）も高いことを示します。
光輪智能の共同創業者兼社長（CEO）である楊海波氏によれば、光輪智能は質の高いシーンのデータにおいて、再販率がすでに10倍超に達しているとのことです。この指標は、そのデータの安定性と顧客からの評価を裏付けるだけでなく、2026年の第1四半期に追加された5.5億元の受注の土台の一つにもなっています。
第二に、シミュレーション標準です。
2026年、光輪智能はGoogle Deepmind、NVIDIA、Disney Researchによる共同招待を受け、コアの指導委員としてオープンソースのGPU加速物理エンジンNewtonに参加します。光輪智能は、重要な具身シミュレーション技術の方向性で主導的な役割を果たし、NVIDIA、Google Deepmind、Disney Research、Toyota Research Instituteの4つの国際トップ機関とともに、次世代のオープンソース物理AIシミュレーション標準を共同で推進します。
Newton TSCの登場は、世界の物理AIシミュレーション・インフラが統一へ向かいつつあることを示しています。これまで、GPU並列計算、高精度の接触ダイナミクス、複雑機構のソルブ（解法）、ロボット学習エコシステム、産業級の検証は、長期にわたりそれぞれ異なる体系に分散していました。Newtonはこれらの能力を同一のオープン・アーキテクチャにまとめ、次世代のシミュレーションシステムをどう設計し、どう進化させ、世界の開発者や産業シーンにより共通して採用されていくべきかを定義します。
Newton TSCの5人のトップクラスのシミュレーション専門家のうち、Miles Macklin博士、Yuval Tassa博士、謝晨博士、Moritz B?cher博士、Michael Sherman博士は、それぞれWarpシミュレーション、MuJoCoシミュレーション、 「三位一体」に基づくSimReady、Kaminoシミュレーション、そしてDrakeシミュレーションなど、世界の主要な技術ルートを代表しています。
光輪智能がNewtonに参加することは、もはや単に世界のシミュレーション・エコシステムの参加者にとどまらず、次世代の物理AIシミュレーション・インフラのルールづくりにおける共同構築へ本格的に加わることを意味します。同時に、シミュレーション・インフラの実装面でも、光輪智能はモア（Moore）スレッド（Moore Threads）と連携し、計算能力、シミュレーション・プラットフォーム、データ評価能力を軸に協力して、国産の自社開発シミュレーション合成データ・ソリューションを共同で構築しています。国産計算能力とシミュレーションの深い融合によって、具身知能の発展を支える自立的で管理可能な基盤インフラを固めています。
第三に、評価標準です。
評価エコシステムの領域では、光輪智能はNVIDIAと連携してIsaac Lab-Arenaなどの評価フレームワークの構築を推進し、自社開発のLeIsaacシミュレーション・プラットフォームがHugging Face公式ドキュメントに掲載されました。また、Tongyi Qianwen、World Labsなどの最先端チームと継続的に評価と「世界（ワールド）生成」の方向性に関する協業を行っています。これらの協業の核心は、単にプロジェクトを共同で作ることではなく、評価を「再現可能」「比較可能」「スケール可能」に導くための業界標準を押し進めることにあります。
標準化組織およびテスト評価の体系のレベルにおいて、光輪智能は全国の「具身知能行動計画」の初期採択組の中で、データ分野における唯一の民間企業となり、高品質データセットの構築および具身知能データ基盤インフラの整備に参画しています。同時に、全国の信標委員会、工業・情報化部関連の標準化委員会などの機関と連携し、標準体系の構築を推進しています。
現在までに、光輪智能は関連する国家・業界標準20件の主導または参画を行っており、データ品質、シミュレーション・プラットフォーム、産業向けの高品質データセットなどの重点分野をカバーしています。さらに、国家ロボット検証評価センター（本部）とも連携協定を結び、具身知能の重要インフラおよび産業級のテスト評価標準の構築を共同で推進しています。
光輪の役割は変化しています。単に顧客へデータと評価を納品するだけでなく、自身のデータ品質、シミュレーション能力、評価体系、産業経験を継続的に蓄積し、業界の共通標準へと昇華させています。
4. データは燃料ではない：
光輪智能が行うのは、物理AIの教育システムづくり
具身知能が実験室から現実世界へ出ると、本質的な問題が浮かび上がってきます。ロボットはいったい、どう学ぶべきなのか？
人類の認知の獲得は、長い期間をかけた継続的なプロセスです。基礎教育から高等教育、そして生涯学習に至るまで、個人には知識を取り入れるだけでなく、繰り返しの試行、反復、そして外部からのフィードバックや挑戦を経ることが求められます。
ロボットが物理世界を理解するには、こうしたプロセスを経る必要があります。これが光輪智能の基盤ロジックです。ロボットが継続的に学習できるように、教育システムを構築しているのです。人類データで本物の実演を与え、シミュレーション世界で訓練環境を提供し、評価体系で能力の境界を判断します。そして実際の導入によって得た新しいフィードバックを、次のトレーニングへと持ち帰ります。
これもまた、光輪智能の創業者兼CEOである謝晨氏が、データを単純に燃料として捉えたくない理由を説明しています。
燃料は消耗品であり、核心は供給・価格・効率にあります。教育はシステムエンジニアリングであり、本質は学習・フィードバック・進化です。燃料は「機械が動けるかどうか」を答え、教育は「ロボットが認知を形成し、継続的に進化できるか」を答えます。そして継続学習能力は、最終的にロボット能力の長期的な上限を決めます。
だからこそ光輪智能は、人類データとシミュレーション評価、さらに導入フィードバックを同時に担うことを選びました。本当の教育は、最終的に到達する場所を見据えてこそ成立します。「学生」が最終的に入るべき現実世界から逆算するのです。実際の産業シーンは、ロボットが未来に備えるべき能力を定義するだけでなく、同時にロボットが今日何を学ぶべきかも逆に定義します。光輪は、品質、フィードバック、振り返り（リプレイ）、そして継続的な改善を非常に重視しています。こうして初めて、物理AIに向けた教育システムを構築する能力が得られます。これは、企業の納品（デリバリー）能力だけでなく、技術力、品質保証、フィードバックメカニズム、そして継続改善へのエンジニアリング的な畏敬の念（姿勢）を試すものでもあります。
これこそが、光輪智能のバリュエーションが短期で倍増し、再び世界の評価記録を更新した深層の理由です。過去10年にNVIDIAがAI産業の中心へ入っていったのは、大規模モデル時代の計算インフラを定義し、それを支えてきたからです。そして光輪智能は、単に製品技術能力や商業的な実装力が先行しているからだけでなく、物理AI時代のデータと評価インフラを定義したからこそ、より重要な位置づけが生まれています。
光輪が選んだのは、より長期的で、より土台（ベースレイヤー）であり、かつ物理AI産業の到達点（エンドゲーム）により近い道です。2026年の「具身知能のスケール化元年」の始まりとともに、物理AIの価値の重心も、モデルや本体から、データ、評価、そして継続学習のインフラへとさらに移ってきています。光輪智能は、この産業パラダイムの転換の中で、ますます中核的な位置を占めています。