如果说过去十年AI的核心瓶颈是算力，那么未来十年，物理AI的命门在于数据。而数据的前提，是仿真。没有可规模化的仿真世界，就没有可规模化的机器人数据；没有统一的仿真标准，就不会有真正的物理AI生态。近日，光轮智能与谷歌、英伟达共同推动物理AI仿真标准的制定，这一动作被业界视为仿真正在成为物理AI时代的“CUDA”——曾经CUDA把GPU计算变成AI的统一底座，如今仿真正在成为物理AI的新标准层。

物理AI的数据困境，根源于机器人学习方式的根本差异。大语言模型依赖互联网语料，而机器人需要学习力如何传递、接触如何发生、动作如何实现。这类数据无法从网页爬取，也无法靠堆算力生成。斯坦福教授李飞飞曾指出，把数据带入机器人训练远比收集图片困难。自动驾驶尚有“影子模式”——几百万辆量产车每天在真实道路上行驶，司机的操作成为天然监督信号；机器人却没有这样的基础设施。因此，数据必须在可交互、可执行、可验证的仿真环境中被系统性生产。此外，数据质量同样关键：物理AI更需要理解失败——物体为何滑落、动作为何失稳，只有暴露问题、纠错反馈，模型才能获得真正的学习信号。

除了数据，评测是另一个隐蔽但同等重要的瓶颈。大模型时代的训练损失和标准化基准（如MMLU、HumanEval）能直接反映能力进展，但在物理AI领域，这套逻辑失效了。训练损失的下降与实验室Demo的成功，难以反映模型在真实环境中的综合能力；今天跑通的动作，换一个灯光或物体表面就可能失效。机器人的训练与评测都需要在符合真实物理规则的环境中反复执行，但真实世界不可无限重置、不可大规模并行，也难以系统性构造失败场景。统一、可复现、可并行的评测体系，是数据有效指导训练的前提。

国际巨头早已将仿真视为战略高地。英伟达在2008年收购PhysX，将其从游戏物理工具演进为Omniverse中的高精度仿真内核，成为Isaac Sim等机器人平台的核心物理基础设施。谷歌DeepMind在2021年收购MuJoCo——此前它已是机器人和强化学习圈的标配工具，谷歌由此拿到了整个机器人学术界的工具链主导权。Drake孵化自MIT CSAIL，后被丰田研究所接管，成为高可信动力学仿真的可扩展底座。光轮智能此次与谷歌、英伟达联合定义标准，意味着物理AI生态正在从分散走向统一。未来，谁掌握仿真标准，谁就掌握了通往通用具身智能的钥匙。对于AI从业者和爱好者而言，关注仿真技术的演进，就是关注下一个十年的技术制高点。