导语

具身智能正在从实验室走向真实场景，但一个绕不开的问题是：机器人要学会在物理世界中行动，究竟该用什么数据来训练？仿真数据便宜、可规模化，真机数据真实、昂贵，互联网数据海量、却与物理交互存在鸿沟。三者如何配比，正在成为具身智能领域最关键的工程问题之一。

一、三类数据，三种禀赋

要谈配比，先要理解每类数据的特性。

仿真数据的核心优势是规模与可控性。在物理引擎中，可以低成本生成海量带标注的交互轨迹，还能系统性地覆盖极端场景、罕见故障和危险操作——这些在真机上采集既昂贵又危险。其代价是“仿真到现实”（sim-to-real）的鸿沟：物理建模的简化、传感器噪声的缺失、接触力学的近似，都会让策略在迁移到真机时性能下降。

真机数据是最贴近部署分布的数据，包含真实的摩擦、形变、延迟、光照和传感器噪声。它的价值在于“可信”，但采集成本高、速度慢，且难以覆盖长尾场景。真机数据往往是稀缺资源，需要被高效利用。

互联网数据（视频、图文、人类操作演示等）规模巨大、语义丰富，适合让模型学习世界常识、物体属性和任务语义。但它缺少动作标签和本体感受信息，与机器人自身的动作空间存在错位，通常需要额外的对齐或表征学习才能用于策略训练。

二、配比不是一道算术题

一个常见的误解是：找到一组固定的“黄金比例”就能解决问题。实际上，配比取决于任务、本体、训练阶段和评价指标。

• 任务维度：结构化程度高的任务（如固定工位的抓取放置）对真机数据依赖相对可控；开放环境、长尾任务则更需要仿真覆盖和互联网先验。
• 训练阶段：预训练阶段往往依赖大规模仿真与互联网数据建立通用表征；后训练与微调阶段则更依赖真机数据对齐真实分布。
• 本体差异：不同机器人的动力学、传感器配置差异大，仿真资产的保真度直接决定仿真数据的可用比例。

因此，更合理的表述是“配方”而非“比例”——它是一套随条件调整的数据组合策略。

三、可行的组合思路

依据现有素材判断，业界较为共识的方向包括以下几点：

1. 以仿真做规模，以真机做校准。 用仿真数据承担大部分预训练和场景覆盖，用少量高质量真机数据做分布对齐和策略微调。真机数据不必追求量大，而应追求“信息密度高”——覆盖关键失败模式和边界条件。

2. 用互联网数据补语义，而非补动作。 互联网数据更适合用于视觉表征、任务理解和常识推理，帮助模型建立“世界是什么样”的先验，而不是直接学习“关节该怎么动”。

3. 重视数据质量与多样性，而非单纯堆量。 仿真数据的多样性设计（域随机化、场景扰动）和真机数据的采集规范，往往比数量更能决定最终效果。

4. 建立闭环评估。 配比是否合理，最终要靠真机评测来验证。缺少可靠的真机评价体系，任何配比讨论都缺乏依据。

四、趋势判断

• 仿真保真度持续提升：随着物理引擎和渲染技术进步，仿真数据的可用比例有望提高，但完全替代真机数据在可预见期内并不现实。
• 真机数据走向“少而精”：高质量、带丰富标注的真机数据集价值上升，数据采集的标准化和复用会成为重点。
• 跨本体数据迁移受关注：如何让互联网视频和他人演示数据迁移到目标本体，是提升数据利用率的关键方向。
• 配比策略工程化：数据配比将逐渐从经验试错走向可度量、可迭代的工程流程，与训练管线深度耦合。

结论

具身智能的“数据配方”没有放之四海而皆准的答案。仿真、真机与互联网数据各有不可替代的禀赋，合理的做法是围绕具体任务和训练阶段，构建“仿真做规模、真机做校准、互联网做语义”的组合策略，并以可靠的真机评估形成闭环。配比的本质，是在成本、真实性与泛化能力之间做有依据的权衡，而非寻找一个神奇数字。

生成标记：本文由 ITPUB 文章生成平台基于已选素材整理生成。