NE时代

◎ 机器人进厂之后，更难的是扩岗。

吉利的人形机器人已经进入汽车产线。

在光轮智能近期披露的案例中，吉利自研人形机器人正在产线上执行零部件分拣、排序、部件搬运、检测托盘摆放和重型部件双臂操作等任务。

相比人形机器人进厂本身，更值得关注的是另一组数据：

光轮智能称，其Real2Sim2Real基础设施将吉利单任务训练和迭代周期从数月压缩到数周，训练成本下降一个数量级，并形成100:1的仿真数据与真实数据比例。

这组数据指向的不是一次演示，而是部署效率。

对汽车制造企业来说，人形机器人在视频里完成一个动作价值有限，真正棘手的是：

一个新工位出现后，机器人多久能学会；一种新零件进入流程后，系统多久能完成训练和评测；一次失败发生后，能不能迅速定位问题并回到下一轮迭代。

吉利与光轮智能的案例，核心正落在这个问题上。

吉利提供真实产线、真实任务和真实约束，光轮智能提供人类数据采集、物理仿真、策略评测和部署反馈闭环。

人形机器人进入工厂后，竞争焦点正在从“本体能不能动”，转向“任务能不能被快速复制”。

NE时代智能体 ，赞10

01.

真实产线的难点是“扩岗”

汽车工厂并不缺机器人，焊接、喷涂、搬运、上下料等环节，早已是工业机器人的主场。

但传统工业机器人最擅长的是结构化任务：固定工位、固定路径、固定物料、固定节拍。工程师把环境整理成机器人容易工作的样子，机器人负责重复执行。

人形机器人要处理的是另一类场景。

吉利案例里的任务并不都是整车制造里最复杂的工艺，却很能代表人形机器人早期进厂的真实位置：零部件分拣、排序、搬运、检测托盘摆放、双臂搬运重型部件。

这些任务分散在产线和物流环节中，有一定重复性，也有不少现场变化。

为每一个动作改造一套刚性自动化设备，未必划算；让人继续做，又会受制于用工、效率和一致性。

这正是人形机器人的机会。但机会背后有一个现实问题：真实产线不是实验室。

产线有节拍，工装有位置，物料有批次差异，人员有协同边界，安全规则不能让位于模型试错。

一台机器人在实验环境里完成分拣，不代表它能在产线上稳定排序；能在一个工位搬运零件，也不代表它能快速迁移到另一个工位。

光轮智能在吉利案例中强调的“从数月压缩到数周”，本质上是在回答车企最关心的问题：每个新任务的部署周期能不能降下来。

如果每个工位都要重新采数据、重新建场景、重新真机试错、重新现场调参，人形机器人的柔性优势会被工程成本抵消。

汽车工厂里不是只有一个适合机器人的任务，而是有大量相似但不相同的工位、物料和流程。

部署速度一旦被单任务周期拖住，规模化就很难发生。

光轮智能的切入点，是把“任务部署”本身做成一条可复用流程：先采集工人如何完成任务，再把真实产线变成可训练的仿真环境，在仿真中扩展数据和完成评测，最后把策略部署到真实机器人上，并用真实反馈继续修正。

这不是给吉利提供一个单点工具，而是在产线和机器人之间铺一套学习系统。

02.

工人的经验，

先被转成机器人能学的数据

人形机器人要在汽车产线工作，第一步不是让机器人自己摸索。

很多产线操作看似简单，实则包含工人的经验：手从哪里接近零件，什么时候调整姿态，如何避开工装边缘，怎样处理摆放偏差，双手搬运时如何分配受力。

这些经验长期存在于人的动作里，却没有天然变成机器人能直接学习的数据。

在吉利案例中，光轮智能使用EgoSuite采集一线操作员的第一视角数据。

系统由RGB-D头戴设备、手套和腕部摄像头组成，记录操作员在正常生产过程中的任务执行。相关数据随后被标注为手部姿态、全身姿态和动作语义。

光轮智能称，手部数据可达到毫米级精度，身体数据可达到厘米级精度。

这一步决定了后续训练的起点。

吉利需要的不是一个抽象动作库，而是吉利自己的产线任务。零部件如何到达、工位怎么布局、托盘放在哪里、操作员如何调整动作，这些都需要进入数据。

对分拣和排序来说，机器人要理解的不只是抓取和放置，还包括物体姿态、顺序关系和节拍要求。

对重型部件双臂操作来说，问题还会涉及负载、协同、接触稳定性和安全边界。

如果全部依赖真机试错，成本会很高，而且真实产线不可能给机器人提供大量失败机会。

光轮智能把人类示范放在闭环起点，实际上降低了任务定义成本：先把熟练工人的操作过程结构化，再把动作、语义、姿态和可能的失败点变成训练材料。

这也是“人类数据”在物理 AI 里真正有价值的地方，它不是简单记录视频，而是把真实世界里的操作经验拆解成机器人可用的学习信号。

放到吉利产线中看，每个工位不再只是一个部署点，也可能成为数据来源。机器人在一个任务中学到的经验，经过标注、仿真和评测后，可以服务后续相近任务。

这种复用能力，才是部署周期被压缩的基础。

03.

仿真把产线任务推到模型训练层

只有人类数据还不够，真实产线无法承担大规模试错。

机器人在现场失败，可能带来停线、磕碰、安全风险和生产扰动，越是想让机器人进入真实工厂，越要把大量训练和评测前移到虚拟环境中。

光轮智能在吉利案例中提到，吉利真实生产设备和工装被送入物理测量平台（Physical Measurement Factory）进行测量，用于捕捉接触、摩擦、动力学等物理属性。

这些测量结果被用于校准物理求解器和仿真资产，让数字环境更接近吉利真实产线。

这一步容易被误读成“做了一个数字孪生”，但真正重要的不是画面像不像工厂，而是仿真环境能不能用于训练。

如果零件在仿真中的重量、摩擦、碰撞和真实世界不一致，机器人在虚拟环境中学到的策略，上线后就可能失效。

传统sim-to-real的难点，正在于模型在仿真里表现很好，到了真实硬件和真实工位就失真。

光轮智能强调物理测量和物理对齐，就是要把这个差距往前压。

在吉利案例中，仿真环境承担了两个角色。

第一，它把有限的人类示范放大。

光轮智能称，吉利案例形成了100:1的仿真数据与真实数据比例。少量真实操作和真实测量提供任务基础，仿真再生成更多光照、材料、位置和接触条件下的训练场景。

机器人不用等到每一种异常都在真实产线自然发生，才开始学习。

第二，它把扩展出来的训练集接入模型适配。

光轮智能提到，经过验证的产线数字孪生，使吉利能够把一组针对具体场景的人类演示，扩展成覆盖不同光照、材质和物体位置的大型训练集。

随后，基于NVIDIA Isaac Sim和Isaac Lab构建的数字孪生环境，被用于对NVIDIA GR00T N1.7基础模型进行微调，使其适配吉利的人形机器人和具体产线任务。

这一步把“仿真”从场景复刻推进到了模型训练。

对吉利来说，数字孪生不是用来展示产线，而是用来生成训练分布、承接基础模型微调，并把模型能力收敛到具体工位任务上。

因此，仿真在这里不再是传统意义上的“上线前验证工具”，它更像人形机器人的第一部署环境。

机器人先在虚拟产线里训练、扰动和适配，通过后再进入真实产线。

这也是光轮智能区别于单一机器人本体公司的地方。

单台机器人能不能完成一个动作，是产品能力问题；吉利能不能持续把新工位转化为机器人任务，是部署系统问题。

光轮智能要解决的是后者。

04.

评测闭环决定能不能扩到更多工位

训练出策略之后，评测链条才接上。

对工厂来说，“做成过一次”不够。企业要知道机器人在什么条件下可靠，在哪些条件下失败，失败后该补什么数据，改完之后如何验证。

没有这套机制，每个新任务都会变成孤立工程项目。

在吉利案例中，光轮智能称，机器人策略上线前会接受产线真实约束和失败模式测试，包括节拍限制、光照变化、遮挡和接触边界情况。

策略部署到真实机器人后，低成功率任务会反向指导下一轮数据采集。新的示范数据再通过EgoSuite采集，相关场景在仿真中重建，模型针对薄弱环节继续迭代。

这才是Real2Sim2Real的完整含义。

第一个Real，来自真实产线和真实人类操作；Sim，是训练、扩展、评测和复盘的虚拟环境；第二个Real，则来自真实部署后的反馈。

机器人上线不是闭环终点，而是下一轮训练的起点。

光轮智能旗下RoboFinals更像上线前的压力测试层，提供涵盖10,000多个场景的大规模压力测试。

基于NVIDIA Isaac Lab-Arena，RoboFinals增加了企业级评估层，包含100个难度递增的工业任务，用于测试策略的鲁棒性、发现故障模式，并判断该策略是否真正适用于生产环境。

这些能力放到吉利这个案例中，作用很直接：判断策略能不能进入真实节拍，能不能应对真实工位，能不能从一个任务扩展到下一个任务。

如果评测体系不够清晰，机器人部署会高度依赖工程师现场经验，能跑通，但难复制。

如果评测体系足够标准化，车企就能更明确地判断任务难度、上线条件、能力边界和下一轮数据需求。

部署也会从“现场调出来”，逐步变成“数据和评测推出来”。

光轮智能近期与MANUS、舞肌科技等公司合作，也可以放在这个逻辑下理解。

双方合作方向集中在人类手部数据、灵巧操作、触觉反馈、数据格式、仿真适配和开放标准。

汽车工厂里的任务不会停留在搬运和排序，线束、柔性件、精密装配、复杂双手操作，都会把数据质量、手部精度、触觉信号和评测标准推到更重要的位置。

吉利案例验证的是当前阶段的部署闭环，MANUS、舞肌科技这些合作，指向的是下一批更难的产线任务。

05.

汽车工厂正在验证

人形机器人的部署方法论

吉利不是唯一把人形机器人推向汽车工厂的车企。

据外媒近日报道，Figure 03已被用于宝马Spartanburg工厂的物流排序任务。

具体流程是，零部件以未排序状态进入大料箱后，Figure 03负责抓取并放入排序料车，再由自动牵引车或智能运输机器人送至装配位置，实现按装配顺序供料。

据悉，Figure 02此前已在Spartanburg车身车间参与宝马X3生产中的钣金件插入任务，并支持超过3万辆宝马X3的生产。

Figure-宝马与光轮-吉利，代表了汽车工厂里人形机器人落地的两个侧面。

Figure-宝马更突出本体迭代和任务扩展，从Figure 02到Figure 03，从钣金件插入到物流排序。

光轮-吉利更突出部署基础设施，从人类示范，到产线物理测量，再到仿真训练、评测和上线反馈。

这两条线放在一起看，汽车工厂的人形机器人竞争已经不只是“谁先进厂”，更大的问题是，进厂之后能不能继续扩岗。

光轮智能在2026年6月宣布完成新一轮10亿元战略融资，这是两周内光轮智能获得的第二轮融资，累计融资金额20亿元。

官网显示，2026年第一季度，光轮智能在物理AI基础设施领域完成了约1亿美元的订单，包括仿真、数据生成、评估和部署导向的系统。

光轮智能联合创始人兼总裁杨海波在接受交流时表示，公司今年一季度新增订单达到5.5亿元。

更重要的是，高质量具身数据开始呈现基础设施资产属性——部分优质场景数据已实现超过10倍复售率，即同一单位数据能够服务多个客户、多个模型阶段和多个任务需求。

对车企来说，这类系统的价值在于降低新任务的边际部署成本。

第一条产线跑通，不等于规模化；第一批工位跑通，也不等于规模化。只有当数据、仿真和评测体系可以复用，后续扩展才可能变快。

否则，人形机器人每进入一个新工位，都要重新开一个长周期项目，产业化节奏会被拖慢。

吉利案例中最值得关注的，不是某一个机器人动作，而是几个环节被连起来了：工人操作被采集为数据，产线设备被测量为仿真资产，任务变化被扩展为训练场景，部署失败被回流为新数据需求。

闭环越稳定，机器人从一个任务走向下一个任务的速度就越快。

这也解释了光轮智能为什么把自己定位为物理 AI 基础设施公司。

06.

写在最后

在人形机器人产业早期，外界更容易关注本体外观、运动能力和演示效果。但机器人真正进入工厂后，价值链会往后端延伸。

吉利人形机器人进入产线，是一个重要起点。光轮智能在其中扮演的角色，则把问题推向了下一层：

人形机器人要从“进厂”走向“规模化进厂”，需要的不只是更强的机器人，还需要一套能持续缩短部署周期的工程系统。

下一阶段，制造企业比较的可能不只是机器人参数，而是部署速度。

而吉利与光轮智能的案例给出了明确的信号，人形机器人进厂之后，真正的竞争才刚开始，决定速度的，不只是本体，还有背后的数据、仿真、评测和反馈闭环。