配资平台的行情 WAIC观察｜仿真不稳、真机太贵？机器人数据最优解出现了吗

近期，加州大学伯克利分校副教授、Physical Intelligence（PI）的联合创始人Sergey Levine在一篇文章中提到配资平台的行情，“机器人数据训练，真实世界数据不可或缺”，引起了行业讨论。

这一观点之所以引发关注，是因为它挑战了业界部分企业“以仿真数据替代真机”的做法。在训练成本高昂、数据获取难的背景下，企业该优先依赖成本低、速度快的仿真数据，还是回归真实环境、积累高质量的真机数据，成为摆在每一家具身智能公司面前的一道关键技术选题。

PI 曾被视为机器人领域的 OpenAI，也是国内不少企业的对标对象。7月28日，在2025年世界人工智能大会（WAIC）现场，第一财经采访了多位机器人企业的创始人和技术负责人，试图厘清一个核心问题：在机器人进入真实场景的关键时刻，什么样的数据才真正有价值？

业界难定孰优孰劣

“仿真数据很难涵盖所有物理世界中我们希望机器人完成的任务。”智元机器人合伙人、具身业务部总裁姚卯青表示，Sergey Levine 提出的“叉勺理论”与公司在实验中观察到的结论高度一致：部分局部任务可通过仿真训练完成，但大多数复杂任务仍需依赖真实数据。

“教会机器人使用勺子，可能要上百万次训练。”一位参展工程师举例说，“人类依靠经验学习，而机器人只能靠数据堆积。”

人类的智慧来自经验，而AI的智能来自数据。机器人是被海量数据“喂”聪明的。这些数据可能来自真实数据、仿真数据或互联网数据。

以银河通用为代表的仿真数据优先派，主张自己学得更快、成本更低，甚至能在零真实数据情况下启动。银河通用创始人王鹤曾在接受媒体采访时提到，通过“摇操”采集数据，即让真人戴上一些采集设备来完成机器人要学的动作，对于创业公司而言成本高昂，银河通用选择all in “Sim2Real（从仿真到真机的迁移）”，即主要依靠合成仿真数据。

在WAIC展会现场，第一财经记者看到了银河通用的机器人正在充当服务员，进行物品的拿放、递取。

“有机器人，就有数据；有数据，才有迭代。”擎朗智能CEO李通在接受第一财经记者采访时表示，相比做一两个demo，更关键的是把机器人真正部署到实际岗位上，让它们在真实任务中不断工作、不断犯错，从而积累起对模型训练真正有价值的数据。

在他看来，服务业的应用场景远比想象中更丰富，从餐饮、酒店、商超、机场、4S店、KTV到行政接待厅，每一个场景虽然任务各异，但底层的“动作元素”是可以被归类的——抓取、递送、避障、交互等基础能力构成了岗位的操作核心。“这些元素对大模型来说是可泛化的，但前提是要有足够丰富的真实数据支撑。”

李通强调，“机器人必须在一个明确岗位上达到万级部署量，才可能积累出对模型有效的数据。绝对不是一百台、两百台能解决的问题。”对于机器人落地岗位的选择，李通认为，真正适合规模化落地的岗位，必须是相对清晰、简单、边界明确的任务，而不是“既要干这个又要干那个”的复合型操作。“像抓取、递送这样的基础动作，虽然看似简单，但只要在真实环境中积累足够数据，就能为大模型提供高度泛化的训练素材”。

真实和仿真数据孰优孰劣，眼下或许还难以下定论。一位在WAIC现场的企业创始人告诉记者：“现在没人能说死，因为还没有人靠某种数据路径跑出一个通用智能的完全体。”

鱼和熊掌不可兼得

在机器人落地过程中，如何处理仿真与真机数据的结合，正成为行业普遍面临的一道技术难题。灵初智能联合创始人陈源培在接受第一财经记者采访时表示，这一问题并非首次出现，早在2023年、2024年公司向投资人汇报时，就明确指出“仿真和真机数据不能简单混合使用”。

“当模型成长到一定阶段，它会自动识别数据来源，并对不同来源的数据进行不同程度的权重处理。”陈源培解释说，例如，模型会先判断数据来自仿真还是真机，再决定用仿真做策略搜索，还是用真机做微调。这也意味着，数据混合本身存在技术限制，因此灵初的方案是将仿真用于大规模预训练，再通过少量真机数据完成“最后一公里”的打磨。

北京人形机器人创新中心品牌负责人告诉第一财经，目前公司对机器人进行训练时，仿真数据和真实数据的使用比例为7:3；国家地方共建人形机器人创新中心相关负责人告诉第一财经，公司目前有自建的数据采集中心，真实数据使用比例较高，和仿真数据大概占比为3:1。

在数据结构层面，业内普遍认为真实数据具有不可替代性，但高昂的采集成本是行业“必须面对的代价”。

智元机器人首席科学家、具身研究中心主任、上海创智学院副教授罗剑岚博士表示，目前是具身智能落地的早期阶段，仿真数据具备成本低、易获得的优势，“但仿真不是替代品，真机数据才是主舞台。目前智元所有的多模态大模型、VLA（视觉语言动作）模型100%使用的都是真机数据。”

无论选择何种数据进行机器人训练，业内都面临着“鱼和熊掌不可兼得”的困境。

成立仅一年半，自变量机器人目前正处于产品技术验证（PoC）阶段，与酒店、养老等多个行业客户联合开展项目测试，不断验证其技术在真实、非结构化环境中的高效部署能力。自变量机器人COO 杨倩强调：“我们的核心目标不是快速商业化，而是让机器人在真实场景中真正‘用起来’。”

她认为，仿真技术目前在机器人"下半身"的训练中仍占据主流，例如双足机器人的步态规划与运动控制等领域，仿真提供了不可或缺的低成本测试环境，其价值是毋庸置疑的。然而，当任务重心从"下半身"的移动转移到"上半身"的精细操作——即与商业应用紧密结合的、与物理世界进行复杂交互的任务时，依靠仿真能够到达的操作能力就非常有限。她告诉记者，一旦进入长链条、柔性和高度接触的交互任务，比如完成制作香囊、贴标、递送，仿真所需的工程开销、调参周期和计算成本是巨大的，甚至是不可能完成的。“相比之下，我们更倾向于直接在真实世界进行端到端的数据采集和训练，用较少人力在较短周期内完成训练与部署。”