【环球网科技报道 记者 郑湘琪】机器人学会一个动作，需要多少数据来支撑训练？业内一个常见的方式是让真机反复执行任务并记录过程，再将采集到的数据用于模型训练。从抓取一个杯子到完成上千种任务，所需的数据规模持续扩大，单纯依赖真机采集的成本和效率，逐渐难以满足训练需求。
在谋先飞创始人兼CEO崔汉青看来，真机采集的真实数据不可替代，但只靠真机数据，在成本和效率上难以满足模型训练对数据规模的需求。仿真合成数据加少量真机数据，正在成为行业公认的更优组合。而谋先飞正在做的事，就是在数字空间中搭建一个足够接近真实世界的训练场景，让机器人在其中反复练习，再把训练成果迁移到真机上。
用仿真把数据“加工”成训练素材
当前具身智能的数据来源正在变多，但不同来源之间难以形成合力。崔汉青分析，真机采集的数据最真实，但成本高、效率低；互联网视频量大，但拍摄角度、画质、动作类型参差不齐；穿戴设备采集的第一视角数据有潜力，但人手和机器手形态不同，数据不能直接使用。
谋先飞首席架构师孙家琦从工程角度补充了一个细节：不同设备采集的数据，传感器时间同步存在误差，设备老化发热也会带来各种意外情况。这导致数据无法形成统一的结构化数据集，难以反复使用。
仿真为这道难题提供了一个可行的解法。孙家琦谈到，具身智能缺少的可能不只是更大的模型和更多的数据，而是一套能把现实经验转化为物理状态、人类行为转化为机器人能力的基础设施。在仿真环境里，无论原始数据来自真机、视频、专门设备还是动作捕捉，都可以进行统一处理和对齐，转化为机器人可以直接使用的训练素材。
崔汉青特别提到第一视角数据的价值：这类数据记录了人类观察世界和操作物体的方式，蕴含大量真实交互信息。“这是一座金矿，但金矿需要开采和提炼，数据也需要加工和转化。人手数据采集下来后，手部姿态怎么恢复、手指接触力怎么计算、物体怎么被稳稳拿住，这些都需要仿真来做动力学补全，才能真正变成机器人可用的数据。”
把真实世界“搬”进计算机
针对这些挑战，谋先飞正在构建⼀套以⾃研物理仿真引擎 MotrixSim 为底座的基础设施。孙家琦介绍，MotrixSim在精细操作类任务上优势明显——机械臂抓取、灵巧手插拔零件这类需要精确控制接触力的场景，仿真精度直接决定训练效果。
他举例说，抽屉抽拉时的阻力变化、冰箱门开关的力矩大小、线缆插拔时的摩擦力，都可以通过实际测量后在仿真环境中精确重现。
孙家琦把这套方法称为“数据驱动的资产生成”：先测量真实物体的物理属性，再把它变成仿真环境里的数字模型。这样机器人在仿真里感受到的力和真实世界是一致的，训练成果才能平滑迁移到真机上。
这些能力已经通过多个案例得到验证。谋先飞展示的机械臂抓取、灵巧手操作、机器狗行走等任务，均实现了零真机数据训练——在仿真中完成训练后，直接迁移到真机上运行。孙家琦透露，一个机器狗的基础行走策略，在笔记本电脑上仅用12秒就完成了训练。
与行业共同构建开放仿真生态
行业对仿真技术的态度，在过去一年里发生了明显变化。崔汉青回忆，去年业内仍有不少公司认为仿真数据价值有限，但今年共识已经改变。越来越多案例表明，借助仿真技术训练的机器人同样能取得出色效果。
这种转变的背后，是行业对数据需求的持续增长。崔汉青说：“具身智能对数据的需求在快速增长，而真实数据的采集速度和成本，撑不起这种增长。”他强调，真机数据的价值不可替代，以一定量的真机数据为基准，再通过仿真进行合成与增广，这是实现数据规模化扩张的必要路径。同时，数据的价值不仅取决于规模，更取决于分布的多样性，相比单纯堆积数据量，丰富的数据分布对模型性能提升更为关键。
孙家琦则从训练流程的角度解释了仿真的另一个价值。传统具身模型训练流程是采集数据、清洗标注、离线训练、真机测试，每一轮都从零开始；仿真则让资产、任务定义和能力评测在同一个框架里持续累积。“每训练一轮就快速评估一次能力，持续迭代。第一次训练留下的场景和任务，第二次还可以继续使用。这种可累积性，是传统真机训练难以实现的。”
谋先飞也希望在开放生态中充分释放这一价值。崔汉青表示，公司的仿真平台既支持英伟达硬件，也适配国产算力，已先后完成鲲鹏双认证，并与天数智芯完成联合测试认证，确保了从底层算力到仿真应用的全栈协同优化。“我们希望构建一个开放的仿真生态，让更多团队参与进来，为具身智能的规模化落地提供更扎实的基础。”
具身智能正在从演示走向实干，这条路上最大的瓶颈之一，就是机器人如何高效、低成本地学会应对真实世界的复杂性。而谋先飞的答案是：先建一座足够逼真的练兵场，让机器人在虚拟世界里反复练习、快速试错、持续积累，再把练好的本领带到现实中去。从自研引擎到开放生态，谋先飞选择的方向始终明确——为整个行业铺一条更快通往现实世界的路。