张建伟：具身智能数据需求会是自动驾驶和大语言模型的1000倍



　　“2025世界大会”于8月8日至12日在北京经济技术开发区开幕，“AI大模型赋能机器人与具身智能产业新范式交流活动”作为2025世界机器人大会的专题活动于8月8日同期召开。光轮智能解决方案副总裁张建伟出席并演讲。

　　以下为演讲实录：

　　大家下午好，我是来自光轮智能的张建伟，今天和大家分享的主题是《合成数据加速具身智能进入物理世界》。今天下午也听了大家的分享，有做本体，有做模型的，但是大家提到更多的还是数据方面，当然也有做真实数据采集的。

　　我们做的相对比较聚焦，主要在合成数据领域。

　　我今天的分享聚焦两个点：

　　第一部分，我们对于合成数据的认知。

　　第二部分，介绍一下我们在做的一些事。

　　首先看AI的发展，我们观察到两个趋势：

　　一是AI正以多模块的方式往端到端方向发展，包括大语言模型、自动驾驶，也包括具身VLA领域。所谓端到端，就是用更多的神经网络替代更多模块，比如在自动驾驶领域——我之前也做智驾这一块——端到端的出现，让我们看到自动驾驶领域中，之前的感知、预测、规划多模块架构，正通过整体的端到端网络做替代。具身智能采用VLA的网络架构，本质上也是端到端的架构。端到端的出现意味着我们需要更多高质量数据来提升AI整体性能。

　　二是Transformer网络模型的出现及普遍应用，让我们看到AI正在往“以数据为中心”的方向发展，数据质量的好坏决定了AI的性能好坏。所以在这两个趋势下，我们可以说今天的AI时代其实是以数据为中心的时代。

　　回到今天的话题，我们认为，具身智能的数据需求会是自动驾驶和大语言模型的1000倍。首先，前面也有嘉宾提到具身数据比较特殊，需求量大，因为今天的具身智能希望机器人能走进千家万户，应用到不同场景，比如工业场景、居家场景、商超场景。不同场景下，需要具身智能有更好的泛化性，这就需要更多更丰富的数据，所以数据需求量会比自动驾驶和大语言模型高三个数量级。

　　第二，具身数据更强调物理交互。比如大语言模型可能是文本，VLM模型可能是文本+视觉，自动驾驶可能多了激光雷达和毫米波雷达，而具身智能更多关注与物理世界的交互，包括机器人的运动轨迹、力的反馈，前面也有嘉宾提到力学传感器。本质上我们希望具身智能能真实感受物理世界，所以对数据有更强的物理交互要求。

　　第三，由于具身智能有不同形态——机器狗、人形机器人、机械臂，人形机器人又分轮式、双足等不同形态——具身智能所需的数据本身也是异构的，很难有统一标品化的机器人应用到不同场景，因此数据需求也是异构的。

　　第四，目前具身智能的数据缺口非常大。不像大语言模型可以从网络上获取，自动驾驶可以通过数据采集车或量产车做数据闭环来获取海量数据；而具身智能考虑到数据模态的特殊性，亟需预训练数据、后训练数据以及强化学习训练数据。

　　这是具身智能的数据的“数据金字塔”：底层希望利用海量互联网数据，本质是让模型对物理世界有基本认知；最上层希望通过真实世界的数据做微调，让具身算法落地到具体应用场景。真实数据的优势顾名思义是真实，但采集成本高、效率低。不仅要解决人工遥操问题，还要解决场景搭建及本体采购或制作问题，因此真实数据的采集成本很高。

　　中间一层是合成数据，它的优势是理论上只要有足够多的GPU算力，就可以提供无限量的数据。由于合成数据在仿真环境下生成，所以泛化能力更强。因此，合成数据不仅能提供足量数据，也能提供高泛化性数据。但合成数据也有问题，存在仿真与真实世界的“DomainGap”。所以如果我们能通过技术手段不断缩小合成数据的“DomainGap”，就能赋能具身智能的发展。我认为“Sim2Real”不是非0即1的问题，而是可以通过技术手段不断缩小差异的问题。

　　第二点认知是，我们不认为不存在合成数据的“永动机”，AGI的发展需要人类的示范数据。

　　这一点可以类比大语言模型和自动驾驶：大语言模型如GPT的后训练阶段有不少RLHF数据，这些数据的提供者是OpenAI从各行业找来的专家（比如数学博士、物理学博士、医生），他们提供高质量语料库，进一步提升大模型性能；自动驾驶领域，端到端出现后需要“五星司机”的高质量驾驶数据，以提升自动驾驶算法的类人化能力。因此我们从大语言模型和自动驾驶中得到启发：它们的发展需要“人在环”提供高质量数据。具身智能我们认为也是类似的，包括前面提到的遥操采集数据，无论是在真实世界还是仿真中采集，本质上都需要有人在环示范。比如我们会示范如何教具身智能叠衣服、炒菜或做具体任务，这些数据其实来源于人的示范。

　　整体上我们认为，具身智能的合成数据需要“人在环”的高质量示范，结合仿真环境的能力，提供更泛化的数据，以此放大人类操作数据的价值。

　　接下来介绍我们在做的事。我们公司叫光轮智能，是一家以仿真技术驱动，从具身场景切入，提供视觉和物理世界“人在环”高质量合成数据的企业，希望通过合成数据放大人类对物理世界的示范价值。公司成立于2023年2月，是一家初创公司，我们的愿景是成为具身领域的ScaleAI。

　　目前我们的产品形态包括：高质量3D资产：这是仿真中采集数据的原材料，包括资产、可泛化场景等。遥操工具链：适配不同硬件，且遥操链路在仿真中打通。强化学习平台：具身智能后训练阶段会用到，强化学习需要用GPU算力换取数据，因此需要大规模仿真。我们提供的强化学习训练平台，同时我们自己也会用强化学习来验证场景和资产。目前我们服务的客户包括国内外头部具身智能公司、一些主机厂和顶尖高校。

　　下面快速展示产品Demo：

　　第一个场景是冰箱资产。仿真中常见“看起来真实”的冰箱，而我们做的冰箱在视觉、交互及物理力学反馈上都足够真实。我们会对其进行物理层面的力学建模，比如左边示例中，冰箱门开启角度不同，反馈的力大小不同，这些力的大小是与真实冰箱对标采集的；右边Demo中冰箱抽屉的阻尼力反馈。这些能帮助具身智能采集力的相关数据信息。

　　第二个Demo是农业场景的例子，源于客户的真实需求：需要高质量、可泛化的草莓（支持大小、颜色、不同成熟期的泛化），且场景需用于强化学习训练，因此这些草莓能被实操，供机械臂进行强化学习训练。我们不仅在视觉层面做了优化，也在物理及交互层面做了研发。

　　有了资产后，下一步是搭建场景，场景与真实世界的应用场景相关。比如针对客户需求，我们会制作厨房、商超、工业、医学（如人体内脏）等场景资产。

　　前面提到仿真可以泛化，我们不仅能在资产类型、光照上泛化，也能在布局层面泛化。比如商超场景中，资产本身及摆放都可泛化，且这里面的每个资产都能独立进行物理交互。

　　有了这样的场景，就可以在仿真环境下进行遥操数据采集。由于不同机器人和数据需求不同，我们适配了不同遥操本体，包括基于VR、机械臂、4D鼠标的遥操方式。同时，基于VR的遥操存在一个问题：VR眼镜遮挡会导致灵巧手遥操设备看不到手指，影响遥操精准度。我们通过算法优化解决了这个问题——用多个相机采集数据，让灵巧手的位姿估计更精准。左边示例中，苹果很难通过遥操抓取，而经过算法优化后，遥操员可以轻松抓起苹果进行数据采集。

　　最后分享一个案例：我们在仿真中采集数据，微调英伟达的GR00TN1基础模型，并实地部署到真机的效果。左边是人工在仿真环境下进行遥操数据采集，以及泛化仿真环境所采集的合成数据；右边是将用合成数据微调后的GR00TN1部署到宇树的H1上，落地到工厂场景的应用。

　　此外，我们做的工具和资产也部分贡献给了开源社区，包括前面提到的场景和铰链资产，其中有我们开源的高质量厨房场景，也包括基于HuggingFace发布的机器人LeRobot，在仿真中采集数据、微调机械臂并最终实现真机部署，还包括仿真资产格式互转的相关插件。

　　如果大家对合成数据感兴趣，欢迎联系我们进一步交流合作。谢谢！

　　新浪声明：所有会议实录均为现场速记整理，未经演讲者审阅，新浪网登载此文出于传递更多信息之目的，并不意味着赞同其观点或证实其描述。