谢晨：机器人仿真、合成数据与现实之间的差距

张小珺采访光轮智能创始人谢晨，讨论机器人仿真、合成数据与从仿真迁移到现实的困难。谢晨此前从事自动驾驶仿真工作。

谢晨解释 Sim2Real：在仿真环境中训练的方法要用于真实机器人和场景，但两者之间的差异可能导致实际表现下降。

合成数据则由程序化方法生成，可以通过仿真、算法或二者结合产生。机器人任务中，它可能包含三维场景、动作轨迹和人工参与的数据。

他回顾在自动驾驶行业开展仿真工作的经历，说明安全关键系统需要反复测试大量现实中难以高频采集的场景。

仿真可以构造和修改场景，再让算法在不同条件下运行。价值在于更快形成测试与改进的循环，但结果需要与真实世界对照。

他以行人突然出现为例：先选定一个较少见的场景，再改变行人的外观、位置和行为，生成更多变化以供训练或测试。

他认为自动驾驶和机器人都需要感知，但机器人操作还要面对接触、力、物体运动等物理交互，数据和仿真要求因此不同。

真实与合成数据如何配比取决于任务、质量和验证结果，访谈中提到的单一团队比例不应直接推广到所有机器人项目。

谢晨回忆自己从蔚来离开创业前的交接，认为产业合作让他看到了仿真与机器人结合的机会。这是他的个人经历。

Real2Sim 指把真实场景、物体和机器人映射到仿真环境。这个过程不仅要还原外观，还要处理可交互的物理属性。

他以冰箱门为例：铰链、磁吸、碰撞形状以及不同角度所需的力，都会影响机器人拉门的过程。

刚体、布料和液体的模拟难度不同。团队需要采集相关参数，并根据任务改进场景资产与仿真工具。

他指出，机器人的仿真模型也需要校准：如果模拟的手与真实手在负载或接触行为上不同，训练效果可能无法直接迁移。

在强化学习中，并行运行的环境数量和是否包含视觉感知会影响计算效率，因此精度和吞吐量之间需要权衡。

他介绍公司在资产制作、物理模拟和工具链上的工作，也提到与其他机构的合作。有关市场地位和客户关系的表述是他在访谈中的公司观点。

讨论 Physical Intelligence 时，他认为研发团队需要在真实数据和仿真之间做取舍，并需要具备跨领域协作的能力。对其他公司的内部情况，他的说法只是个人了解。

两人谈到 Meta 与 Scale AI 的交易和数据产业竞争。对交易影响和人物战略的判断属于受访者观点，不是对未来结果的保证。

他认为仿真与现实之间的差距不会自动消失，需要通过物理校准、数据多样性和真实环境测试持续缩小。

他把具身智能产业粗略分为硬件、基础模型、软硬件结合的应用，以及以仿真为核心的服务等不同部分。

比较中美产业机会时，他讨论分工、资本和产品路线的差别，并给出自己对哪些公司适合做模型的判断；这些判断并非确定结果。

他回忆英伟达内部对仿真的重视，把图形、计算和模拟联系起来，说明仿真不仅是视觉展示，也是构造和测试环境的工具。

对于游戏数据，他认为其多样性可能对预训练有帮助，但是否适用于特定机器人任务，还需要考虑物理信息和数据质量。

他认为具身智能仍处在早期，行业尚未找到被广泛证明的规模化配方。这个阶段性判断反映 2025 年的访谈背景。

回顾创业，他说组建人才团队和确定方向都经历了不确定性，需要从基础问题开始学习，并通过具体项目不断验证。