WUWENAI如何用“真—虚—真”闭环破解具身智能数据瓶颈

具身智能要从实验室走向工厂、仓库和家庭，真正稀缺的可能不是视频，而是机器人与现实世界发生物理交互时留下的高质量数据：机器人看到了什么、采取了什么动作、接触是否成功、物体如何变化，以及任务最终有没有完成。

WUWENAI的创始人兼首席执行官刘胜向曾负责百度自动驾驶的数据与测试工作。公司提出的思路是，不把真实采集、仿真训练和模型改进看成彼此独立的环节，而是把它们连接成一套“虚实融合的Real-to-Sim-to-Real（真—虚—真）闭环数据系统”。8

三层系统：从现实采集到虚拟扩展

1. Data Factory：先从真实世界打底

Data Factory通过多模态采集设备，同步记录机器人与物体互动时的视觉状态、运动、接触信息、动作以及任务结果。其目标不是单纯拍摄“看起来真实”的画面，而是保留机器人控制真正需要的物理因果关系。

这也是普通网络视频难以替代的部分：人类第一视角视频通常没有机器人动作标签、精确的空间标定、力与接触信号，也不一定对应具体机器人的身体结构。WUWENAI还公布了物理AI数据平台“Wuyin”，并称平台拥有超过1,000 TB数据，以及10,000小时开放的高质量数据集。12

2. Generative World Model：把有限经验扩展成更多可能

世界模型可以理解为一种学习“场景如何随时间变化”的模型。它不仅要描述当前画面，还要预测：如果机器人采取另一种动作，接下来可能发生什么。5

在真实数据的约束下，生成式世界模型可以尝试扩展出更多任务变体、动作轨迹、物体摆放、环境干扰和失败案例。这样一来，机器人不必为了覆盖每一种情况，都在现实硬件上重新试错。

3. World Simulator：训练、评估并挑选下一批数据

世界模拟器让机器人策略可以在虚拟环境中高速运行。相比直接使用真实机器人进行反复测试，仿真通常成本更低、速度更快，也更容易大规模复现危险动作或罕见情况。

模拟器可以对任务结果进行评分，找出策略的薄弱环节，再决定哪些案例值得回到现实环境中重新采集。近期关于交互式、动作条件仿真器的研究显示，仿真中的策略评估结果可以与真实世界表现产生相关性，但这一能力仍处在研究阶段，远未成为已经解决的问题。3

“数百万小时”从何而来？

刘胜向的关键主张并不是要在现实世界里直接录制数百万小时的机器人作业。更现实的解释是：数量相对有限、但具有物理依据的真实交互数据，可以成为一个“种子语料库”，由世界模型进一步生成大量可控的训练轨迹。

其中，虚拟环节负责提供规模，现实环节负责纠偏。真实机器人产生的新数据可以持续校正仿真器，降低模型偏离现实的风险；仿真器则负责扩展场景、筛选失败模式，并减少不必要的硬件实验。这种由真实机器人轨迹、世界模型生成和策略改进组成的真实—合成数据循环，也与正在出现的闭环真实机器人强化学习研究方向一致。4

为什么不只依赖传统数据来源？

• 遥操作： 能够提供带有动作标签的示范数据，但成本高、速度慢，而且依赖操作员，数据往往集中在成功完成任务的路径上，难以高效覆盖罕见失败和反事实情况。
• 第一视角人类视频： 规模较大，却通常缺少机器人动作、精确几何、力与接触信号，以及人与机器人之间的身体对应关系，因此对灵巧操作控制而言，监督能力有限。
• 纯仿真： 便宜且可以生成丰富场景，但仿真中的几何结构、接触动力学、传感器噪声、物体行为甚至人类环境，都可能与现实不符，这正是通常所说的“仿真到现实鸿沟”。让数字孪生持续与现实观测对齐，是缩小这一鸿沟的一种路径。2

从模仿学习走向强化学习

示范数据首先可以帮助机器人进行模仿学习，也就是学习“照着示范者做”。但如果动作条件世界模型和仿真器足够可靠，策略就可以在虚拟环境中尝试示范之外的动作，获得任务奖励，优化更长的行为链，并学习如何从失败中恢复。

这意味着训练方式有机会从单纯复制示范，转向强化学习：机器人不仅学习人类做过什么，还能探索什么动作可能更有效。近期研究已经展示了利用世界模型对视觉—语言—动作（VLA）策略进行强化学习微调的方案，但奖励设计是否可靠、世界模型是否足够接近现实，仍然是决定效果的关键限制。1

WUWENAI与World Labs、Tesla、DeepMind的关系

这一赛道的竞争，并不只是某家公司多了一个功能，而是多家公司正在靠近相似的系统架构。

World Labs的SceniX同样介绍了Real-to-Sim-to-Real引擎：把一个现实任务转化为多个可控、可复用的虚拟世界，用于机器人策略训练和测试。7 Google DeepMind则长期研究如何利用学习到的环境动力学模型，扩大强化学习的训练规模。3

Tesla的Optimus在硬件迭代、制造能力以及更广泛的数据和算力生态方面具备明显优势。不过，就公开证据而言，还不足以证明WUWENAI在技术上已经领先Tesla或DeepMind。WUWENAI声称自己“世界级”或比World Labs的相关进展早数月，现阶段仍主要属于公司或媒体表述，而不是经过独立基准验证的结论。

为什么中国市场可能成为重要支点？

中国拥有全球最大的工业机器人装机规模，同时正在加快探索人形机器人，并推动机器人供应链部分环节本土化。6 官方和行业观点也认为，具身智能正从小规模试验迈向更广泛的应用阶段。9

这为数据基础设施公司提供了潜在的现实土壤：工厂、机器人、任务类型和部署环境越多，就越有机会持续收集物理交互数据，并向不同机器人厂商提供共享的数据工具和仿真能力。

但最终决定WUWENAI能否成为基础设施公司的，不是数据规模宣传本身，而是一个更严格的问题：它的模拟器能否准确预测涉及接触、摩擦、抓取和长时序决策的真实结果？在不同机器人、不同物体和不同环境之间，仿真中训练出的策略能否稳定迁移到现实？只有这些能力经过独立、可重复的测试，“真—虚—真”闭环才可能从有吸引力的技术路线，变成真正可规模化的物理AI基础设施。