Переоценка, инфраструктура данных и тестирования становится центром оценки в эмпирической индустрии.
Автор｜Жоу Юэ
Редактор｜Ли Цзы
Рынок эмпирического интеллекта меняет свою логику.
За последние два года, когда речь шла об эмпирическом интеллекте, отрасль больше всего интересовала модели и объекты: чей "мозг" мощнее, чей гуманоидный робот более человечен, чьи движения точнее. Это составило наиболее очевидные проявления возможностей эмпирического интеллекта.
Это соответствует логике эволюции новых отраслей. В начале каждого технологического цикла на сцене чаще всего оказываются компании, наиболее близкие к пользователю и обладающие наибольшей фантазией. Как и в ранние этапы автономного вождения, рынок сначала сосредоточился на автомобилях и Robotaxi; в начале всплеска больших моделей капитализация в первую очередь стремилась к моделям и компаниям приложений. В период запуска эмпирического интеллекта модели и объекты сначала получают высокую оценку, что также является естественным результатом развития индустрии.
Тем не менее, когда технологическая отрасль переходит из "лаборатории" в "масштаб", логика ценообразования на рынке часто стремится к более низкому уровню.
Автономное вождение породило систему поддержки производства данных Scale AI; в эпоху больших моделей в центре отрасли оказывается инфраструктура вычислительной мощности от NVIDIA. Чем больше технологии переходят к масштабированию, тем больше отрасль зависит от базовой инфраструктуры, способной поддерживать постоянную итерацию всей отрасли.
С 2026 года эмпирический интеллект также достигает этой точки поворота: возможность физического ИИ реализовать масштабное внедрение больше не зависит только от параметров модели, формы объектов или точечных возможностей, а зависит от того, кто может предоставить данные и тестовую инфраструктуру, поддерживающую постоянную обратную связь и обучение роботов.
Капиталовые рынки остро улавливают этот сигнал и начинают переоценивать инфраструктурный сектор эмпирического интеллекта.
Недавно "Гуанглунь" объявила о завершении нового раунда финансирования. В этот раунд инвестиции возглавила Ant Group; также участвовали известные государственные, отраслевые и финансовые учреждения, такие как China Jianyin Investment, фонд совместного дома Большого залива, фонд Senma Fangdao, Shandong Fuhong (Industrial Fulian управляющий инвестиционным фондом), Xinneng Investment, Linxin Investment и др.; одновременно старые акционеры, такие как Qiyi Interactive, Guofang Innovation, Daohua Long-term Investment и Ding Shi Asset Management, также значительно увеличили свои инвестиции.
После завершения этого раунда финансирования оценка "Гуанглунь" превысила 2 миллиарда долларов, удвоившись всего за два месяца. Эта цифра не только обновила мировой рекорд оценки в области инфраструктуры эмпирических данных и тестирования, но и перестроила оценку индустрии данных и тестирования для физического ИИ.
С точки зрения "甲子光年", инфраструктура данных и тестирования эмпирического интеллекта становится новым центром оценки в отрасли.
"Гуанглунь" находится в самом центре внимания отрасли.
1. Год масштабирования эмпирических данных,
Инфраструктура данных и тестирования становится новым центром ценности
В эпоху больших языковых моделей самой ключевой инфраструктурой ИИ является вычислительная мощность. GPU, CUDA, тренировочные кластеры, сервисы вывода и облачная инфраструктура поддерживали быстрый рост ИИ за последние десять лет.
В отличие от этого, закон масштабирования физического ИИ не происходит только на уровне параметров и вычислительной мощности. Он постепенно переходит от масштабирования параметров к масштабированию данных, окружающей среды и обратной связи. Роботы должны научиться работать в физическом мире, им необходимо обрабатывать силу, контакт, деформацию, неудачи и обратную связь, что гораздо сложнее, чем просто текст и изображения. Более того, реальный физический мир не допускает бесконечных проб и ошибок и не может быть перезагружен в любое время.
Таким образом, чтобы эмпирический интеллект действительно вошел в стадию масштабирования, ключевой вопрос больше не в том, "кто первым создаст робота", а в том, кто сможет постоянно предоставлять данные, которые одновременно масштабируемы и высококачественны, и могут быть проверены по тестам.
В середине 2025 года модельные способности универсала "Generalist" выдвинули закон масштабирования эмпирических данных на передний план. Это впервые подтверждает отрасли, что прорыв в моделировании роботов происходит не только за счет больших моделей, но и за счет постоянного предоставления высококачественных данных. За этим стоит системная потребность в базовой инфраструктуре данных после перехода эмпирического интеллекта в эпоху предварительного обучения.
"Гуанглунь" завершила проактивное позиционирование до того, как рынок осознал эту закономерность. Исследования передовых моделей, такие как "Generalist", также поддерживаются их базовой инфраструктурой. Когда "Generalist" четко определил направление отрасли, "Гуанглунь" логично стала первой компанией, которая приняла запрос и продвинула отрасль к этапу масштабирования.
В 2026 году это предположение начинает переходить от прогресса моделей к проверке в бизнесе. В первом квартале этого года компания "Гуанглунь" получила новые заказы на сумму 5,5 миллиардов юаней, что превышает доход за весь прошлый год и устанавливает новый рекорд в области эмпирических данных, ускоряя отрасль к "году масштабирования эмпирических данных".
Эти заказы отражают две основные потребности на внутреннем и международном рынках: одна группа — это команды больших моделей и мировых моделей, входящие в стадию постоянного обучения, итерации и тестирования; другая группа — это реальные промышленные сцены, такие как промышленность, логистика, сельское хозяйство, бытовая техника и автомобили, начинающие вкладывать реальные деньги в обучение, проверку и развертывание роботов. "Гуанглунь" как раз находится на пересечении этих двух кривых потребностей.
В настоящее время "Гуанглунь" построила полный замкнутый цикл: она может генерировать высококачественные человеческие и синтетические данные для обучения, а также проводить масштабируемые симуляционные тесты на основе сцен и предоставлять реальную обратную связь на основе развертывания. В эпоху физического ИИ обучение моделей, тестирование и развертывание в промышленности зависят от одной и той же инфраструктуры для постоянного обучения и итерации.
Это также базовая логика переоценки "Гуанглунь" на рынке. В эпоху больших моделей NVIDIA переоценивалась снова и снова не только из-за самого оборудования GPU, но и потому, что вычислительная база, состоящая из GPU, CUDA и тренировочных кластеров, стала необходимостью для расширения всей отрасли. В эпоху физического ИИ аналогичная логика начинает переноситься: модели и объекты должны постоянно развиваться, и для этого необходимы масштабируемые данные, воспроизводимая тестовая система и инфраструктура обратной связи. "Гуанглунь" предоставляет замкнутую инфраструктуру для данных и тестирования физического ИИ. С этой точки зрения, инвестиции Ant Group, ведущей в этой области, а также участие нескольких государственных, отраслевых фондов и старых акционеров не только подтверждают признание "Гуанглунь", но и являются ясным сигналом того, что индустриальный капитал начинает переоценивать долгосрочную ценность инфраструктуры физического ИИ.
2. Полный замкнутый цикл: человеческие, симуляционные и развернутые данные.
"Гуанглунь" превратила данные и тестирование физического ИИ в инфраструктуру
Основной барьер "Гуанглунь" не в том, что она выбрала один единственный маршрут данных, а в том, что с самого начала она позиционировала себя как инфраструктуру для физического ИИ.
Это система физического ИИ с данными и тестированием, охватывающая обучение, тестирование и обратную связь. Ее ключевая способность состоит из полностью самосозданного симуляционного ядра, человеческих видео данных и обратной связи от реального развертывания.
Во-первых, это симуляция.
Основная способность "Гуанглунь" приходит от самосозданной симуляционной платформы тройной интеграции "решение—измерение—генерация". Решение отвечает за восстановление силы, столкновения, контактов и деформаций в виртуальной среде, обеспечивая физическую достоверность симуляции; измерение переносит реальные физические свойства, такие как материалы, контакты, трение и деформации, в систему; генерация расширяет эти физические законы в обучаемый, тестируемый и многократно используемый симуляционный мир.
Это также техническое ядро инфраструктуры данных и тестирования "Гуанглунь".
В этой системе симуляция является центральным звеном, соединяющим генерацию данных, обучение моделей и оценку возможностей: с одной стороны, симуляционные тесты выявляют границы возможностей моделей в различных задачах, средах и физических взаимодействиях. Тестирование не только определяет, действительно ли модель прогрессирует, но и определяет, как должна эволюционировать следующая партия данных и обучения; с другой стороны, оно расширяет реальный опыт мира в большое количество обучаемых данных. Оно, с одной стороны, через симуляционные тесты определяет границы возможностей модели и обратно определяет потребности в следующем раунде данных; с другой стороны, через синтетические данные симуляции автоматически расширяет задачи, поступающие из человеческого видео, дистанционного управления и реальных сцен, в синтетические данные, которые можно использовать в различных сценах, с различными нарушениями и различными физическими параметрами.
Во-вторых, это данные о человеческом видео.
Чтобы роботы могли войти в реальный мир, им сначала нужно понять, как люди действуют в реальной среде: как открывать двери, захватывать, упорядочивать, собирать, как разбирать шаги в сложных задачах, обрабатывать исключения и исправлять действия. Данные человеческого видео предоставляют не статические образцы, а реальные операционные опыты, структурированные задачи и поведенческие приоритеты.
В прошлом внешние наблюдатели часто воспринимали "Гуанглунь" как компанию по симуляции, но это не совсем верно. На самом деле "Гуанглунь" уже превратила человеческие данные и симуляцию в замкнутую инфраструктуру, и объем поставляемых человеческих данных является мировым первым. Их продукт данных о человеческом видео охватывает более 25,000 средовых узлов, более 100,000 видов задач и включает в себя более 1,5 миллиона часов высококачественных человеческих данных. Для команд моделирования эти данные не только позволяют моделям "видеть мир", но и позволяют моделям понимать, как люди выполняют задачи в физическом мире.
Вновь актуальным становится обратная связь от реального развертывания.
Физический ИИ в конечном итоге должен вернуться на производственные площадки.
Развертывание на сценах не является конечной точкой за пределами замкнутого цикла, а является самым важным источником обратной связи внутри цикла. Реальное развертывание выявляет новые распределения задач, новые модели неудач и новые ограничения сцен, эти обратные связи затем возвращаются в систему данных, симуляции и тестирования, становясь основой для следующего раунда обучения и диагностики способностей.
Таким образом, "Гуанглунь" формирует устойчивую эволюционную инфраструктуру для физического ИИ и оценки данных.
Симуляционное ядро обеспечивает физическую достоверность, человеческие данные предоставляют реальные опыты, симуляционная оценка определяет границы возможностей, а обратная связь от развертывания возвращает реальные проблемы. Эти три аспекта не просто параллельны, а постоянно вращаются, калибруются и улучшаются в одной системе. То есть человеческие данные, симуляционная оценка и обратная связь от развертывания составляют внешний цикл; а "решение — измерение — генерация" в симуляции является техническим ядром, позволяющим этому циклу продолжать функционировать.
Данные о человеческом видео предоставляют реальные человеческие действия и опыт задач; симуляция позволяет масштабировать этот опыт в синтетические данные; оценка определяет границы возможностей моделей и указывает на потребности в следующем раунде данных; реальное развертывание возвращает модели на производственные площадки, создавая новые ошибки, обратную связь и ограничения задач; эта обратная связь возвращается, способствуя следующему раунду генерации данных, расширению симуляции, итерации тестирования и реальному развёртыванию. Эта внутренняя и внешняя циклы совместно указывают на один результат: более качественные данные и возможности оценки.
Для ведущих клиентов выбор "Гуанглунь" заключается не только в способности предоставлять высококачественные данные, но и в том, что эти данные происходят из системы, которая постоянно проверяется и улучшается. Качество данных, стандарты тестирования и замкнутая обратная связь становятся новыми ключевыми ресурсами в эпоху физического ИИ. То, что делает "Гуанглунь", — это превращение этих базовых возможностей из проектной поставки в инфраструктуру, которую можно многократно использовать, постоянно развивать и поддерживать итерацию всей отрасли. Конечная цель замкнутого цикла "Гуанглунь" с человеческими, симуляционными и развернутыми данными не в количестве, а в качестве; не в однократной поставке, а в более высококачественной и постоянно развивающейся инфраструктуре физического ИИ.
3. От инфраструктуры до уровня правил:
"Гуанглунь" определяет международные стандарты данных, симуляции и тестирования для физического ИИ.
Когда данные, симуляция и тестовые возможности часто повторно используются различными участниками отрасли, их методы, интерфейсы и системы оценки начинают оседать в качестве общих стандартов отрасли.
Если инфраструктура решает вопрос "может ли отрасль функционировать", то стандарты решают вопрос "может ли отрасль двигаться дальше на одной и той же базовой основе". Следующий этап конкуренции в области эмпирического интеллекта переходит от вывода точечных технических возможностей к определению стандартов экосистемы отрасли.
Чтобы физический ИИ достиг масштабирования, отрасль должна ответить на ряд базовых вопросов: как определить качественные данные? Как определить качественную симуляцию? Как определить качественное тестирование? Как должны быть обучены, проверены и развернуты модели, и как обратная связь от развертывания должна снова входить в систему обучения для постоянного повышения?
Кто глубже участвует в определении этих вопросов, тот имеет больше шансов занять ключевую позицию в следующем этапе эволюции отрасли. А "Гуанглунь" участвует в построении этих базовых стандартов через три измерения.
Первое, стандарт качества данных.
Для ведущих команд моделирования действительно ключевым является не "больше данных", а масштабируемые высококачественные данные, только высококачественные данные могут постоянно преобразовываться в повышение возможностей моделей.
Для "Гуанглунь" высококачественные данные не зависят от простого сбора, а формируются в их "внутренней и внешней двойной циклической системе": внешняя часть состоит из человеческих данных, симуляционных тестов и обратной связи от развертывания, в то время как внутренняя часть представляет собой интеграцию "решения — измерения — генерации" тройной собственной симуляционной платформы, поэтому качество данных не только зависит от единовременного сбора или ручной проверки, но и может постоянно проверяться и улучшаться в процессе генерации, обучения, тестирования, развертывания и обратной связи.
Эта замкнутая способность напрямую преобразуется в ключевой показатель — "уровень повторных продаж данных" (то есть сколько разных клиентов могут приобрести данные за единицу времени). Один набор высококачественных данных может постоянно проходить через разные стадии моделирования и разные системы задач, создавая более высокую стоимость. Чем выше этот показатель, тем более стабильным становится качество данных, тем сильнее способность "Гуанглунь" определять данные, тем выше их качество и признание клиентами.
Сооснователь и президент компании "Гуанглунь" Ян Хайбо сообщил, что уровень повторных продаж данных в качественных сценариях уже превышает 10 раз. Этот показатель не только подтверждает стабильность и признание их данных клиентами, но и является одной из основных основ для новых заказов в 5,5 миллиардов юаней в первом квартале 2026 года.
Во-вторых, стандарты симуляции.
В 2026 году "Гуанглунь" принимает совместное приглашение от Google Deepmind, NVIDIA и Disney Research, чтобы стать основным членом совета по открытым стандартам для ускоренных физических движков Newton. "Гуанглунь" будет играть ведущую роль в ключевых технологических направлениях симуляции эмпирического интеллекта, совместно с NVIDIA, Google DeepMind, Disney Research и Toyota Research Institute продвигая стандарты открытого физического ИИ следующего поколения.
Появление Newton TSC знаменует собой унификацию глобальной инфраструктуры симуляции физического ИИ. В прошлом GPU, параллельные вычисления, высокоточные динамические контакты, сложные решения механизмов, экосистема обучения роботов и промышленная проверка долгое время были разбросаны по различным системам. Newton объединяет эти способности в одной открытой архитектуре, определяя, как должны быть спроектированы и развиваться системы симуляции следующего поколения, а также как они должны быть совместно приняты глобальными разработчиками и промышленными сценами.
В пяти ведущих экспертах по симуляции в Newton TSC, доктор Майлз Макин, доктор Юваль Тасса, доктор Се Чэнь, доктор Мориц Бёхер и доктор Майкл Шерман, представляют основные технологические пути, такие как симуляция Warp, MuJoCo, основанная на "тройной интеграции" определения SimReady, Kamino и Drake.
Вход "Гуанглунь" в Newton означает, что она больше не просто участник глобальной экосистемы симуляции, но начинает участвовать в совместном строительстве правил для следующего поколения инфраструктуры симуляции физического ИИ. В то же время, в аспекте внедрения инфраструктуры симуляции "Гуанглунь" также сотрудничает с Moore Threads вокруг вычислительной мощности, симуляционных платформ и возможностей тестирования данных, совместно создавая решения для синтетических данных, разработанных в стране, чтобы обеспечить глубокую интеграцию отечественной вычислительной мощности и симуляции, укрепляя инфраструктуру для развития эмпирического интеллекта.
В-третьих, стандарты тестирования.
В экосистеме тестирования "Гуанглунь" совместно с NVIDIA продвигает строительство тестовых фреймворков, таких как Isaac Lab-Arena, а их собственная симуляционная платформа LeIsaac была включена в официальную документацию Hugging Face; они продолжают сотрудничество с мировыми передовыми командами, такими как Tongyi Qianwen и World Labs, в области тестирования и генерации мира; ядро этих сотрудничеств заключается не только в совместном строительстве проектов, но и в продвижении тестирования к отраслевым стандартам, которые можно воспроизводить, сравнивать и масштабировать.
На уровне стандартных организаций и систем тестирования "Гуанглунь" стал единственным частным предприятием в первой группе плана действий по эмпирическому интеллекту в стране, участвуя в создании качественных наборов данных и улучшении инфраструктуры данных эмпирического интеллекта, а также совместно с Национальным комитетом по стандартам и Министерством промышленности и информационных технологий продвигает строительство стандартной системы.
На данный момент "Гуанглунь" руководит или участвует в разработке 20 связанных национальных и отраслевых стандартов, охватывающих ключевые области, такие как качество данных, симуляционные платформы и высококачественные промышленные наборы данных. В то же время, они также достигли сотрудничества с Национальным центром проверки и оценки роботов (штаб-квартира) для совместного продвижения строительства ключевой инфраструктуры эмпирического интеллекта и стандартов тестирования промышленного уровня.
Роль "Гуанглунь" меняется. Она не просто предоставляет клиентам данные и тесты, а постоянно оседает в общие стандарты отрасли, основываясь на своем качестве данных, симуляционных возможностях, тестовой системе и промышленном опыте.
4. Данные не являются топливом:
"Гуанглунь" должна создать образовательную систему для физического ИИ
Когда эмпирический интеллект переходит из лаборатории в реальный мир, возникает важный вопрос: как именно должен учиться робот?
Понимание человеком окружающего мира — это длительный и непрерывный процесс. От базового образования и высшего образования до обучения на протяжении всей жизни, индивидууму необходимо не только поглощать знания, но и проходить через многократные попытки, итерации и получать обратную связь и вызовы извне.
Роботы, понимая физический мир, также должны пройти через такой процесс. Это и есть базовая логика "Гуанглунь": она строит образовательную систему для постоянного обучения роботов. Используя человеческие данные для предоставления реальных примеров, создавая тренировочную среду в симуляционном мире, используя систему тестирования для определения границ возможностей, а затем через реальное развертывание, чтобы вернуть новую обратную связь к следующему циклу обучения.
Это также объясняет, почему основатель и CEO "Гуанглунь" Се Чэнь не хочет воспринимать данные просто как топливо.
Топливо — это расходный материал, а ключевым является снабжение, цена и эффективность; образование — это системная инженерия, суть которой заключается в обучении, обратной связи и развитии. Топливо отвечает на вопрос "может ли машина работать", а образование отвечает на вопрос "может ли робот сформировать понимание и продолжать развиваться". Способность к постоянному обучению в конечном итоге определит долгосрочные пределы возможностей робота.
Именно поэтому "Гуанглунь" выбрала одновременно работать с человеческими данными, симуляционными тестами и обратной связью от развертывания. Поскольку истинное образование должно начинаться с конца, исходя из реального мира, в который "ученик" в конечном итоге должен войти. Реальные промышленные сцены определяют способности, которые роботы должны иметь в будущем, и обратно определяют, что они должны учить сегодня. "Гуанглунь" придает большое значение качеству, обратной связи, анализу и постоянному улучшению. Только так можно построить образовательную систему для физического ИИ. Это испытывает не только способность компании к поставкам, но и уважение к техническим возможностям, обеспечению качества, механизмам обратной связи и постоянному улучшению.
Именно это стало глубинной причиной того, что оценка "Гуанглунь" удвоилась за короткий срок и снова обновила мировой рекорд. За последние десять лет NVIDIA оказалась в центре индустрии ИИ, поскольку она определила и поддерживала вычислительную инфраструктуру эпохи больших моделей; а "Гуанглунь" определила инфраструктуру данных и тестирования для эпохи физического ИИ не только благодаря своим передовым продуктам и коммерческой способности, но и потому, что она определила эти стандарты.
"Гуанглунь" выбирает более долгий, более базовый и более близкий к окончательному результату индустрии физического ИИ путь. С началом года масштабирования эмпирического интеллекта в 2026 году, ценностный центр физического ИИ также переходит от моделей и объектов к данным, тестированию и инфраструктуре постоянного обучения. "Гуанглунь" занимает все более центральное положение в этом переходе парадигмы индустрии.