近年來，研究者們持續(xù)嘗試借助仿真環(huán)境批量生成具身訓(xùn)練數(shù)據(jù)。然而，仿真與真實(shí)環(huán)境存在差異，復(fù)雜場(chǎng)景下仿真難以產(chǎn)出高質(zhì)量數(shù)據(jù)。上海AI Lab的最新研究，成功實(shí)現(xiàn)布料等復(fù)雜物品物理性質(zhì)的真實(shí)再現(xiàn)，讓相關(guān)復(fù)雜條件下的仿真數(shù)據(jù)達(dá)到可用水平，使仿真不再僅是“近似現(xiàn)實(shí)”的工具，而是成為現(xiàn)實(shí)數(shù)據(jù)生成與策略學(xué)習(xí)的新入口。

具身智能發(fā)展迅速，但瓶頸日益明顯：并非模型不夠大，而是高質(zhì)量、可執(zhí)行、可泛化的數(shù)據(jù)匱乏。柔體操作更是數(shù)據(jù)稀缺的重災(zāi)區(qū)，其狀態(tài)空間龐大，涉及形變、接觸和拓?fù)渥兓?，依賴?fù)雜物理過程；人工遙操作效率低、成本高，導(dǎo)致真實(shí)數(shù)據(jù)始終“夠用卻不足夠多”。在此背景下，SIM1聚焦的核心問題并非“能否生成更多仿真數(shù)據(jù)”，而是“數(shù)據(jù)需先準(zhǔn)確，數(shù)據(jù)擴(kuò)增的價(jià)值才能真正體現(xiàn)”。

仿真曾被視為解決機(jī)器人數(shù)據(jù)稀缺的有效方案，期望用“海量仿真數(shù)據(jù)”填補(bǔ)真實(shí)世界的數(shù)據(jù)缺口。但很快問題顯現(xiàn)：這些仿真數(shù)據(jù)看似數(shù)量龐大，卻未與真實(shí)場(chǎng)景對(duì)齊，僅能用于預(yù)訓(xùn)練，難以直接部署；進(jìn)入真實(shí)機(jī)器人場(chǎng)景后，仍需依賴后訓(xùn)練和真實(shí)數(shù)據(jù)修正。這引發(fā)了對(duì)“仿真數(shù)據(jù)極限是否僅止于此”的質(zhì)疑。SIM1提出，或許此前大家過度追求“更多”，卻忽略了關(guān)鍵前提——數(shù)據(jù)首先要準(zhǔn)確，規(guī)模效應(yīng)才能顯現(xiàn)。

SIM1構(gòu)建了real-to-sim-to-real的新范式：從少量真實(shí)示范出發(fā)，生成可直接在真實(shí)物理世界執(zhí)行的仿真數(shù)據(jù)，最終轉(zhuǎn)化為可部署、可擴(kuò)展、可零樣本遷移的策略能力。這意味著機(jī)器人領(lǐng)域首次有機(jī)會(huì)探討專屬的規(guī)模法則——智能增長(zhǎng)不必再與真實(shí)世界數(shù)據(jù)采集同步。

SIM1的實(shí)際成果

結(jié)果顯示，SIM1能將少量示范擴(kuò)展為100倍規(guī)模的軌跡數(shù)據(jù)；純仿真訓(xùn)練的零樣本成功率達(dá)90%；泛化能力較真實(shí)數(shù)據(jù)基準(zhǔn)提升50%；從零訓(xùn)練也能實(shí)現(xiàn)76%的成功率。同時(shí)，它還帶來顯著效率優(yōu)勢(shì)，成本降低27倍，訓(xùn)練速度提升6.8倍。這些成果表明，SIM1并非“打造更大的仿真數(shù)據(jù)集”，而是重新定義數(shù)據(jù)生產(chǎn)方式：數(shù)據(jù)不再依賴人工逐條采集，而是從少量種子出發(fā)，通過對(duì)齊現(xiàn)實(shí)自動(dòng)擴(kuò)展。

sim-to-real失敗的根源

長(zhǎng)期被忽視的關(guān)鍵在于，sim-to-real差距并非單點(diǎn)問題，而是幾何、物理與運(yùn)動(dòng)三重錯(cuò)配的疊加。幾何決定空間結(jié)構(gòu)是否一致，物理影響交互響應(yīng)是否可信，運(yùn)動(dòng)關(guān)乎軌跡是否符合真實(shí)操作的時(shí)序與節(jié)奏。三者缺一不可，任意一環(huán)未打通，訓(xùn)練出的策略就難以在真實(shí)世界有效執(zhí)行，只能局限于仿真環(huán)境的理想表現(xiàn)。

SIM1的出發(fā)點(diǎn)是同時(shí)彌合這三重錯(cuò)配，將數(shù)據(jù)生成鏈路重構(gòu)為閉環(huán)：從真實(shí)場(chǎng)景出發(fā)，復(fù)刻高保真仿真環(huán)境，在物理一致的前提下擴(kuò)展大規(guī)模操作數(shù)據(jù)，最終回流至真實(shí)世界驗(yàn)證與部署。仿真不再是現(xiàn)實(shí)的近似，而是現(xiàn)實(shí)的可擴(kuò)展表達(dá)。

SIM1的閉環(huán)流程：掃描、模擬、擴(kuò)展

SIM1是一套完整的數(shù)據(jù)引擎，包含三個(gè)步驟：第一步“掃描”，通過亞毫米級(jí)掃描將真實(shí)柔體與場(chǎng)景重建為高精度數(shù)字孿生，不同于傳統(tǒng)粗粒度建模，它力求保留真實(shí)環(huán)境的幾何結(jié)構(gòu)、褶皺紋理和精確空間關(guān)系，讓仿真起點(diǎn)基于現(xiàn)實(shí)；第二步“模擬”，構(gòu)建與真實(shí)交互對(duì)齊的物理系統(tǒng)，使機(jī)器人在仿真中的作用方式、布料響應(yīng)及形變動(dòng)力學(xué)貼近真實(shí)世界，將仿真系統(tǒng)校準(zhǔn)為可靠的數(shù)據(jù)生成器；第三步“擴(kuò)展”，引入生成式方法擴(kuò)展操作數(shù)據(jù)，把抓取、提起、折疊、釋放等基礎(chǔ)操作作為可組合的動(dòng)作詞匯，由模型學(xué)習(xí)拼接、重組與延展，生成平滑多樣的新軌跡，配合材質(zhì)、光照和視角的隨機(jī)變化，將少量演示擴(kuò)展為數(shù)萬條可執(zhí)行數(shù)據(jù)。

核心突破：讓仿真精準(zhǔn)“認(rèn)知”布料

若說SIM1的閉環(huán)解決了“數(shù)據(jù)來源”問題，Deformation-Stable Solver則攻克了“仿真在布料上易失真”的難題。布料操作的難點(diǎn)在于，真實(shí)世界的形變響應(yīng)是全局、快速且強(qiáng)耦合的，局部拉伸會(huì)在極短時(shí)間內(nèi)影響整個(gè)表面。傳統(tǒng)仿真易出現(xiàn)延遲傳播、粒子漂移、局部抖動(dòng)甚至過拉伸偽影。SIM1的關(guān)鍵設(shè)計(jì)是將布料從“局部粒子系統(tǒng)”升級(jí)為“全局響應(yīng)系統(tǒng)”，當(dāng)局部拉伸超過閾值時(shí)，修正力在單步內(nèi)傳播至整個(gè)網(wǎng)格，保持形變的一致性與穩(wěn)定性。這不僅讓畫面更穩(wěn)定，更重要的是使仿真首次真正遵循布料物理規(guī)律，對(duì)于依賴形變與接觸的操作任務(wù)，這種全局一致性直接決定仿真數(shù)據(jù)能否成為有效訓(xùn)練信號(hào)。

從手工采集到自動(dòng)化數(shù)據(jù)工廠

當(dāng)前機(jī)器人數(shù)據(jù)采集仍處于“手工業(yè)階段”，操作員一次演示生成一條軌跡，成本高且難以覆蓋豐富變化，任務(wù)復(fù)雜度提升后數(shù)據(jù)迅速稀缺、昂貴且不可擴(kuò)展。SIM1的思路是將鏈路重構(gòu)為自動(dòng)化數(shù)據(jù)工廠：以約200條遙操作演示為起點(diǎn)，提取基礎(chǔ)操作片段作為“動(dòng)作模板”，通過生成模型組合、重排與擴(kuò)展，生成新操作軌跡；同時(shí)在材質(zhì)、光照與視角等方面引入系統(tǒng)性變化，拓展數(shù)據(jù)分布，最終將幾十條演示擴(kuò)展為數(shù)萬條有執(zhí)行意義的軌跡數(shù)據(jù)。這并非簡(jiǎn)單的數(shù)據(jù)放大，而是范式轉(zhuǎn)變：從“人工采集”轉(zhuǎn)向“組合生成”，從“有限覆蓋”走向“可控?cái)U(kuò)展”。SIM1的價(jià)值在于，它是持續(xù)生成、可學(xué)習(xí)、可復(fù)用、可擴(kuò)展訓(xùn)練信號(hào)的數(shù)據(jù)引擎，而非一次性產(chǎn)出樣本的工具。

仿真數(shù)據(jù)能否替代真實(shí)數(shù)據(jù)？

SIM1給出的答案是：不僅可以，部分場(chǎng)景下甚至更優(yōu)。相同數(shù)據(jù)規(guī)模下，SIM1訓(xùn)練的策略零樣本成功率高，真實(shí)部署中執(zhí)行穩(wěn)定；在分布外場(chǎng)景（如空間、材質(zhì)或光照變化）中，優(yōu)勢(shì)更明顯。原因在于真實(shí)數(shù)據(jù)天然稀缺，僅能覆蓋有限采樣點(diǎn)；而仿真數(shù)據(jù)若足夠?qū)R現(xiàn)實(shí)，可對(duì)任務(wù)分布進(jìn)行更廣泛、系統(tǒng)的覆蓋。SIM1的價(jià)值不是替代真實(shí)數(shù)據(jù)的“少量精細(xì)”，而是補(bǔ)足其難以實(shí)現(xiàn)的“廣泛覆蓋”。更極端的驗(yàn)證是從零訓(xùn)練：僅用真實(shí)數(shù)據(jù)時(shí)策略幾乎無法起步，僅用SIM1數(shù)據(jù)仍能學(xué)出有效策略并達(dá)到可觀成功率，說明性能提升關(guān)鍵在于數(shù)據(jù)分布本身。

真實(shí)世界驗(yàn)證與項(xiàng)目意義

SIM1的最終目標(biāo)是回到真實(shí)機(jī)器人驗(yàn)證。多任務(wù)、多場(chǎng)景的真機(jī)實(shí)驗(yàn)表明，基于SIM1訓(xùn)練的策略能穩(wěn)定執(zhí)行，在不同條件下保持強(qiáng)泛化能力，證明SIM1并非構(gòu)造“更漂亮的仿真世界”，而是建立通向現(xiàn)實(shí)的訓(xùn)練路徑。從宏觀角度看，SIM1代表新的數(shù)據(jù)范式：仿真不再僅是現(xiàn)實(shí)的代理，而是現(xiàn)實(shí)數(shù)據(jù)的一部分；機(jī)器人不必等真實(shí)數(shù)據(jù)積累足夠多，就能獲得規(guī)模化能力。人類提供起點(diǎn)后，擴(kuò)展、生成與學(xué)習(xí)可由系統(tǒng)自動(dòng)完成。SIM1不僅是一種方法，更是宣言：當(dāng)仿真真正成為現(xiàn)實(shí)本身，機(jī)器人數(shù)據(jù)的天花板將被重新定義。

項(xiàng)目上線后迅速引發(fā)關(guān)注，在X平臺(tái)發(fā)布17小時(shí)瀏覽量突破20K，獲245點(diǎn)贊，引發(fā)VBD作者Anka、Newton項(xiàng)目作者Eric Heiden、SoftMimicGen作者M(jìn)asoud Moghani及NVIDIA GEAR、DeepMind、Stanford、CMU、Princeton等機(jī)構(gòu)研究者的討論與互動(dòng)。

項(xiàng)目主頁(yè)：https://internrobotics.github.io/sim1.github.io/

論文地址：https://huggingface.co/papers/2604.08544

本文來自微信公眾號(hào)“量子位”，作者：非羊，36氪經(jīng)授權(quán)發(fā)布。

本文僅代表作者觀點(diǎn)，版權(quán)歸原創(chuàng)者所有，如需轉(zhuǎn)載請(qǐng)?jiān)谖闹凶⒚鱽碓醇白髡呙帧?/p>

免責(zé)聲明：本文系轉(zhuǎn)載編輯文章，僅作分享之用。如分享內(nèi)容、圖片侵犯到您的版權(quán)或非授權(quán)發(fā)布，請(qǐng)及時(shí)與我們聯(lián)系進(jìn)行審核處理或刪除，您可以發(fā)送材料至郵箱：service@tojoy.com