国产全栈自研仿真能力在具身任务级校准这一细分方向上，已进入全球核心协作圈，工业CAE 沉淀数十年的物理经验已系统性接入具身智能的训练与评测链路。仿真由此不再只是机器人研发的辅助工具，而成为具身行业走向工业化的技术抓手，也是中国在物理 AI 时代构建自主技术底座的关键一环。
从“能仿真”到“仿真可信”：国产全栈自研链路跑通工业级校准
具身智能正在从演示走向装配、插接、柔性物体操作等真实工业任务。模型能力在快速进步，但行业面临一个更底层的瓶颈：机器人在仿真里学到的“物理”，与真实世界的“物理”对不上。
工业仿真长期服务于产品设计与工程验证，在材料、结构、接触和载荷分析方面积累了成熟方法；具身仿真则面向机器人与环境的连续交互，为策略训练、任务测试和能力比较提供可重复的计算环境。两类仿真拥有不同的计算模型与使用方式。工程分析中的模型和参数，需要经过面向具体任务的转化、建模与验证，才能服务于机器人操作。
光轮智能与Synopsys 的合作，正是在这一连接环节开展工程实践：由 CAE 帮助解释关键物理机制和补充相关数据，将相关作用纳入机器人动力学计算，并通过真实测量进行自动化校准，实现工业场景任务的高精度仿真。
在RJ45 网线插入案例中，初始 contact-only 模型难以匹配真实插入力；Ansys Motion 识别出插座内部金属触点形变带来的额外阻力，光轮智能随后将工程分析数据导入 SimFoundry 重新校准。结果显示，最差轴向力曲线归一化误差降低 91.7%。
这个数字的意义不在于单点精度，而在于：工业CAE 沉淀数十年的接触与形变机理被转化为机器人任务级仿真的可校准物理依据，而这条转化链路由中国团队定义并跑通。机器人仿真的可信度由此有了可量化的物理标尺。
支撑这条链路的是SimFoundry 首创的“求解—测量—生成”三位一体技术路径：测量环节通过真实实验和精密仪器采集摩擦、刚度、形变、接触力等参数，把经验估算转化为可追溯的物理证据；求解环节处理刚体、柔体、颗粒、接触与动力学响应；生成环节基于 OpenUSD 和 SimReady 管线，将经过物理验证的资产、场景与任务自动化生成，进入训练和评测流程。整套校准由 Agentic 工作流自动执行，Agent 负责定义目标与验收标准，并驱动 CAE 仿真校准——工业级校准由此从依赖专家手工调试，走向可规模化复制的自动化能力。
中国团队进入全球物理AI 基础设施核心协作圈
此次与Synopsys 的任务级校准成果，不是孤立事件，而是光轮智能持续参与全球物理 AI 核心工程方法与基础设施建设的一环。
在标准层，光轮智能是国际物理AI 标准 Newton 仿真技术委员会唯一中国企业，参与定义 SimReady 资产规范标准。
在资产层，英伟达10 月 21 日发布开源仿真资源库 SimReady Central Library，开源超 2000+项具备物理属性的机器人仿真资产。光轮智能是最重要贡献方之一，搭建自动化质检工作流，完成其中大部分仿真资产的质检，并将物理配置与交互测试经验用于资产和规范的改进。
在工程链路层，今年7 月，光轮智能与西门子达成合作，以 SimFoundry 与西门子工业仿真能力为技术核心，围绕高精度资产、工业级 Benchmark 和典型工业场景展开探索，共建工业级 Real2Sim 基础设施；此次与 Synopsys 完成任务级校准，补上“工业精度自动化仿真工作流”这一环。
从标准制定、资产规范到工程链路校准，这条布局线指向一个清晰的事实：在物理AI 这一轮全球基础设施建设中，中国团队已经不只是参与者，而是核心协作圈中的重要贡献方。
具身智能的竞争，表面看是模型与数据的竞争，底层看是物理真实性与工程验证能力的竞争。高可信仿真正在成为机器人训练、评测与工业部署的关键“度量衡”之一。
长期以来，工业仿真软件的核心能力掌握在国际巨头手中。此次光轮智能与Synopsys 的联合验证，意义不止于一家企业的技术进展：它证明国产全栈自研仿真平台已经具备与国际工业仿真体系对接、协同，并定义任务级校准链路的能力。工业仿真数十年积累的材料、接触与失效数据被完整接进机器人仿真，为面向工业接触任务的训练与评测提供了可量化的物理依据。
面向机器人工业化，仿真需要同时提升物理真实性、可验证性与可扩展性。光轮智能表示，未来将继续围绕真实测量、物理建模、开放资产与仿真评测推进技术建设，让更多工业经验成为机器人可持续学习的基础设施。
作者丨陈存
编辑丨吴丽琳
