数据，是人工智能迭代升级的“燃料”，更是具身智能从实验室走向规模化商用的关键命门。近日，国内创新企业亮源新创正式开源通用导航大脑LightNav-0，该模型不仅在视觉语言导航（VLN）权威评测中保持领先，更以“真实—仿真—真实”的数据生产闭环，为破解行业数据稀缺、场景泛化难等共性难题提供了可复用的技术范式。

  这一成果，既是亮源新创“规模化预训练—规模化对齐—规模化部署”三段范式技术路线的重要实践，也是具身智能在仿真与现实深度融合新的探索，为加速智能机器人产业落地注入了新动能。

  视觉语言导航，就是机器人看懂环境画面，读懂人类语言指令，自主完成空间推理和移动导航任务。过去，一款导航模型，往往要针对特定机器人、特定场景专门采集数据、反复调优。换一台机器人、换一处环境，模型性能就容易出现明显下滑，这是行业普遍遇到的现实难题。

  LightNav-0依托Real2Sim2Real技术路线完成训练。团队采集2000多个真实室内外场景，将真实空间转化为仿真资产，大规模合成4000多小时后训练数据。经过监督微调（SFT）、强化学习（RL）训练之后，模型可以做到零样本部署。也就是面对新机器人、新环境、新任务，不需要再收集专项训练数据，也不用重新微调模型，直接完成自然语言导航任务，实现跨本体、跨任务、跨场景的零样本真机泛化导航。

  数据稀缺，制约具身智能产业向前走

  当前，国内具身智能产业正处在从技术演示走向实景落地的关键阶段。工信部、国务院国资委2026年6月联合启动人形机器人与具身智能实景实训专项行动，提出构建“实景实训—数据沉淀—产品迭代—规模部署”的产业闭环，鼓励依托真实场景打磨算法，沉淀高质量真机交互数据。

  行业普遍认为，高质量物理世界交互数据供给不足，是当前制约产业发展的突出现实问题。和互联网海量文本图像数据不同，机器人的训练数据来自物理环境交互。真实世界环境复杂多变，真机采集耗时、成本高昂。不同硬件本体产出的数据，还存在兼容性差、难以复用的问题。真机产出数据的增长速度，很难跟上模型迭代的需求。

  完全依靠实体机器人采集海量训练数据，时间、人力成本压力巨大。单纯依赖仿真生成数据，又会出现仿真环境和现实世界的迁移鸿沟，仿真环境效果优异的模型，落地真实环境性能会出现衰减。如何用好真实数据、用好仿真数据，是整个行业共同面对的考题。

亮源新创LightNav-0跨本体实践

  “用真实世界定义分布的边界，用仿真规模化合成分布内数据，让具身后训练跨过冷启动门槛。”亮源新创技术团队这样总结Real-Sim-Real技术思路。

  这套路径的逻辑可以拆解为三步。第一步，以真实世界的场景，确定任务、环境的数据分布边界；第二步，把真实场景转化为仿真资产，流水线批量生成轨迹、语言指令等训练样本，扩大数据的规模和多样性；第三步，训练完成的模型回到真实机器人、真实环境开展验证。部署过程中发现的缺陷与失败案例，再回流到数据生产环节，更新仿真资产，启动下一轮迭代，形成完整闭环。

  该技术路线并不是用仿真数据完全替代真实数据。它以真实场景为源头，依靠仿真放大数据产能，最终回归真实世界检验效果，和“实景实训”专项行动倡导的闭环建设方向形成技术逻辑上的契合。

  产业竞争重心转移：从“造身体”向“炼大脑”转变

  具身智能产业链覆盖模型算法、核心零部件、整机制造、场景解决方案多个环节。机器人本体硬件解决移动、作业的物理载体，而基础模型也就是机器人的“大脑”，决定机器人能不能看懂环境、听懂指令，在不同环境稳定完成任务，是产业链技术壁垒较高的环节。

  资本市场的变化，也折射出产业重心的迁移。2026年上半年国内具身智能赛道融资总额达到935亿元，同比增长5倍。除硬件本体企业之外，聚焦基础模型、算法大脑的创业公司，正获得越来越多资本关注，其中就包括完成数亿元Pre-A轮融资的亮源新创，本轮融资由国科投资领投，招商局创投、襄禾资本参与投资。

  行业正在告别单纯比拼机器人硬件参数的阶段。能不能把模型能力迁移到多样硬件、多样场景，能不能控制数据迭代成本，成为企业比拼的关键点。硬件本体可以不断迭代更换，通用的具身智能基础模型，有望成为多类机器人共用的能力底座。

  2024年底，亮源新创创始人姜旭选择回国创业。在他看来，AI下一轮浪潮将从数字世界走向物理世界。中国拥有完整制造业链条，丰富的线下场景，为具身智能模型反复训练、验证提供土壤。成立不到两年，团队规模扩张到百人以上，研发人员占比超过九成，LightNav-0是这支团队交出的阶段性成果。

  从榜单成绩走向真实可用，行业仍需共建评价标尺

  目前，视觉语言导航有不少公开评测基准，方便不同模型横向对比。但榜单指标，不能完全等同于真实环境下的实际表现。仿真测试得分高，不等于在复杂现实环境中稳定可用。

  针对这个痛点，亮源新创计划开放一套更贴近真实使用体验的VLN评测体系。在现有基准之外，新增多风格真实室内外环境、复杂自然语言指令、开放词表目标定位等评测维度。欢迎科研人员、开发者拿来复现、检验模型效果，共同搭建连接模型纸面指标与真实落地能力的评价尺度。

  LightNav-0只是阶段性实践成果。据悉，未来企业将持续完善Real2Sim2Real数据飞轮。真实部署中遇到的新场景、新失败案例，转化成仿真资产，批量生成训练数据；更新后的模型，再回到现实世界接受检验。每一次真机部署，既是能力测试，也是下一轮数据生产的起点，以此实现问题回流、数据积累、模型能力持续提升的循环。

  业内人士表示，具身智能产业整体仍处在发展早期。没有单一技术路线可以一次性解决全部现实问题。Real-Sim-Real这条路径，为破解数据供给难题提供了一种可行思路，但距离大规模商用落地，仍需要产业界、科研机构持续共同探索。只有打通仿真训练、真机验证、数据回流全链条，才能推动具身智能技术真正落地到生产生活各类场景。