具身智能领域正在经历一场没有硝烟却异常激烈的路线之争。争论的核心，是一个看起来技术性的问题：训练能真正在工业等场景落地的机器人，所需的数据应该从哪里来？
一派认为，工厂这类场景始终是人类设计的系统，光照、产线布局乃至CAD模型全是已知量，可以在数字世界完整复现。机器人在仿真环境里训练好，再迁移到物理世界，不仅成本低、效率高，还可无限扩展。
另一派则坚持，工业价值的真正高地，是那些充满物理接触、力控精度和随机异常的任务，这些东西仿真器永远模拟不了，唯有真实产线上跑出来的数据，才能教会机器人处理真实世界的混沌。
这不仅仅是技术路线的分歧，更是商业模式、护城河逻辑乃至融资叙事的深层割裂。两派都有各自押注的头部企业，都有拿得出手的落地案例，也都有不得不承认的软肋。
本文尝试梳理了仿真派和真机派各四个颇具代表性的玩家，试图厘清这场数据战争的真实战线，以及那些已经开始在工厂里跑出成绩的公司，究竟用了一套怎样的逻辑。
01.
仿真派：用数字世界喂饱机器人
1.NVIDIA：把数字孪生卖给每一家工厂
NVIDIA在工业AI数据战争中的角色，与其说是参赛者，不如说是卖铲子的人。其核心武器是Omniverse平台和Isaac Sim机器人仿真引擎。在此前的发布会上，黄仁勋的逻辑清晰：既然工业场景高度结构化，不妨把整个工厂搬进数字世界，让所有的训练、调试、验证都在虚拟空间里完成。NVIDIA这套打法在工业最具说服力的案例是宝马匈牙利德布勒森新工厂的数字孪生项目。在物理工厂动工之前，整条产线的物流AGV调度、机械臂运动空间、工人动线，全部在Omniverse里仿真、测试、优化。这里的数据完全由合成产生。
NVIDIA的护城河，在于它不做应用，而是做基础设施。它向所有机器人公司、系统集成商、制造企业出售仿真工具链，同时也把自己的仿真能力演化成生态。当越多的下游公司在Omniverse上构建工业应用，NVIDIA的数据基础设施价值就越高。其核心优势在于其通过合作能提供无限扩展、零物理风险、完美真值的合成数据。但核心软肋恰恰在于力控精度、接触任务、物理长尾异常，仿真保真度远不够用，这也是其在最新的工厂里，NVIDIA也一直试图与Aeon制造商Hexagon Robotics，以及Figure等人形机器人厂商进一步合作打通物理世界打通的关键。
2.Google DeepMind：用强化学习证明“零真机数据可迁移”
如果说NVIDIA卖的是平台，DeepMind展示的是技术上限。DeepMind使用MuJoCo物理引擎，在与三菱电机合作的工业项目中，面对形状各异的工业连接器，在仿真中生成了数千个带随机纹理、光照和堆叠状态的合成场景。训练出的视觉和抓取策略，无需任何真实数据微调，直接迁移到真实工业机器人，完成精确分拣。
这个案例在业内的震动是真实的。它证明了对于刚体、已知模型的特定工业操作，纯仿真路线可以达到工业级精度。但值得注意的是，DeepMind的成功案例有一个严格的前提条件，其提出工件是刚体，CAD已知，任务是视觉引导的物理抓取，几乎不涉及精细接触和力控。一旦任务越过这条线，MuJoCo的物理模拟保真度就会迅速成为瓶颈。其优势在于，用强化学习突破人类示教的局限，仿真数据在特定任务上能快速实现零样本迁移，但缺陷是强依赖"已知模型"前提，接触式操作的泛化能力存疑。
3.Intrinsic（Alphabet旗下）：让仿真成为工业机器人的全周期开发工具
Intrinsic是仿真派里最具野心的系统玩家。2022年，Intrinsic收购了Open Robotics，这是ROS（机器人操作系统）和Gazebo仿真引擎的主要维护者。这一收购背后的战略意图很明确，就是希望把仿真变成工业机器人应用开发的全生命周期工具，而不只是训练阶段的数据来源。Intrinsic的平台允许用户在完全仿真的环境中，用同一套代码为汽车零部件的无碰撞装配、打磨轨迹进行编程和验证，然后无缝部署到物理的库卡（KUKA）或发那科（FANUC）机器人上。从方案设计、轨迹生成到离线验证，数据100%来源于仿真。
Intrinsic的布局，本质上是在构建一个让中小制造企业也能用上工业机器人AI的基础设施，降低工业机器人应用开发的技术门槛和试错成本。虽然全栈仿真工具链，降低集成商和制造商的开发门槛，生态价值显著。但这条路的难点，同样是那个尚未被解决的SIM2REAL gap：仿真里跑得完美的策略，到了真实产线往往会出现各种意外。因为其高度依赖SIM2REAL迁移能力，力控任务和复杂异常场景的落地有效性仍待验证。
4.Physical Intelligence（π0）：融合派先驱，用仿真撑起“通用底座”
Physical Intelligence（PI）是当前机器人领域融资最受关注的公司之一，估值已超过20亿美元。其通用机器人模型π0（π-zero）的路线，代表了一种越来越主流的折中方案——仿真+真机的混合训练。PI的做法是，用仿真数据提供视觉和几何理解的基础（零件的形状、装配的逻辑），再用人类遥操作采集的多形态真实机器人数据，教会机器人如何施加"刚好完成装配而不损坏工件"的精确力矩。业内把这种范式称为“仿真练看，真机练摸”。
这套方案的聪明之处，在于把仿真可无限扩展、具有完美真值的成本优势用在了它最擅长的视觉感知和语义理解上，同时把真机数据的高昂代价集中投入在最值钱的精细力控上。混合训练路线兼顾效率和精度，π0已展示出跨形态机器人的泛化能力。但PI的局限也是真实的。虽然π0追求通用性，但通用性和工业级精度之间存在天然张力。工厂要求的不是“大约能做”，而是“在任何工况下都可靠地做到”。如何把一个追求泛化的通用模型落地成工厂里连续运转几十万次不出错的可靠系统，仍然是一道待解的工程题。尤其工业级可靠性和稳定性验证不足，通用性与专业深度之间的取舍尚未有定论。
02.
真机派：物理世界才是唯一的老师
1、Tesla Optimus：把超级工厂变成全球最大的真机数据工厂
特斯拉在Optimus上的数据策略，是真机派逻辑最极致的体现。特斯拉的方法直接粗暴，就是在德州超级工厂和弗里蒙特工厂内，部署大量Optimus机器人原型机，由人类操作员通过动作捕捉设备进行大规模遥操作，采集真实的物理交互数据。典型案例是电池产线的电芯分拣与入壳，因为这个任务涉及精细力控，错误会直接损伤电芯。
特斯拉采集的，是操作员遥操作时机器人手腕力传感器、指尖触觉传感器、关节力矩和第一人称视觉的完整多模态数据流。这些数据直接用于训练Optimus的电池装配策略神经网络。没有仿真，没有合成，直接从真实物理交互中学习。特斯拉这条路之所以走得通，原因不在于数据本身，而在于它有自己的超级工厂，数据来源就是它的生产场景，采集数据的过程就是生产，数据飞轮和商业飞轮高度重合，边际成本接近于零。本体一致、高精度、私有化的真机多模态数据，与生产场景完美耦合，能快速形成最深的数据护城河，而且汽车板块的数据也有快速迁移到Optimus上。
这是其他公司几乎无法复制的独特优势。没有自己工厂、落地场景的机器人公司，要采集等量的高质量真机数据，成本将高到难以承受。但缺陷同样在于这是一种重资产模式，不具备向外部客户复制的商业可行性；数据壁垒对内有效，向外输出能力本质上由于其头部企业定位必然受限。
2、TRI（丰田研究院）：千小时遥操作，学会应对物理混沌
TRI（Toyota Research Institute）代表了真机派里最学术化、同时也最彻底的一条路。TRI的标志性工作是"大行为模型"（Large Behavior Model）。方法论极其纯粹，就是在真实的厨房和家庭环境中，由人类进行上千小时的遥操作，直接从物理世界采集数据，训练机器人的通用行为策略。
其对工业领域启示最大的案例是训练机器人清理各种倾洒液体。这个任务几乎是仿真的禁区。因为流体动力学、可变形的抹布、不同液体与桌面的化学交互，每一个维度都难以精确建模。TRI的方法是让人在真实环境遥操作数千次，处理不同倾洒量、不同液体类型（水、咖啡、油）。基于这些真实数据，机器人学会了应对物理混沌的通用策略，大量高质量真实遥操数据，训练出面对物理随机性的鲁棒策略，学术严谨性和工程可行性兼顾。
而且这种做法对工业场景的直接借鉴意义，粉料泄露、液体溅出、异形物料卡料这些工业异常的共同特征是"物理过程无法事先建模"，而TRI已经证明，真机数据可以让机器人在这类场景中获得真正的泛化能力。但这种大规模部署的数据采集成本极高，规模化到工业部署仍有距离，而且工业级节拍和精度要求在其研究框架内尚未得到充分验证。
3.1X Technologies：把安全的真机数据变成市场准入券
1X Technologies的路线，是真机数据派里最具差异化定位的一个。其人形机器人NEO采用肌腱驱动设计，没有尖锐关节，天生具有柔顺特性。因此采取的数据采集方式是让VR操作员在真实办公室环境中进行长期遥操作，采集机器人与人、与柔软物体（窗帘、人体）接触时的柔顺动力学数据。
这些数据的直接用途，是训练机器人的安全柔顺策略，让机器人在物理接触时，不会因为力控误差造成人员伤害。1X的商业逻辑因此非常独特，它用真机数据换取的，不是性能优势，而是市场准入资格。在人机协作场景（物流分拣、物品递送、工厂巡逻）中，监管要求和客户信任的门槛，远高于纯技术指标。1X用真实物理接触数据训练出的柔顺策略，让它的机器人可以在无隔离围栏的协作场景中工作，这是目前大多数依赖仿真训练的机器人做不到的点。但是这种做法的核心优势在于，真机接触数据直接转化为安全认证能力，打开有物理人机协作需求的高价值市场。问题同样是因为人形机器人不算成熟，目前商业化节奏偏慢，产品更接近研究平台，大规模工业部署的节拍和稳定性验证尚不充分。
4.微亿智造：从工厂泥土里长出来的真机数据飞轮
如果说特斯拉、TRI、1X代表的是真机派的理想形态，那微亿智造代表的，是真机派在中国制造业真实落地的路径，它更粗粝，更务实，也更贴近工厂的实际需求。微亿智造不是从概念走向工厂的，而是从工厂车间里“长”出来的——产品跟着场景走，技术围着需求转。这个出身，赋予了微亿智造一种在头部AI公司里并不多见的特质，他们有对工厂需求的直觉，这远比对技术叙事的执著更牢固。
微亿智造发现，工业数据里最难采集的，不是正常生产数据，而是专家经验，也就是那些凭经验判断的经验，那些凭手感控制的打磨力度，那些无法语言化的工艺know-how。
传统的做法是让专家“讲出来”，整理成规则，写成SOP。但这条路早就被证明走不通，因为大量的工艺知识根本无法被显式表达。微亿智造给出的解法是人类在环的在线反馈机制，其核心平台叫“Bash”。
逻辑很简单，就是关键问题和决策让老师傅去“把关”。——模型做出判断，老师傅给反馈。通过持续的人机交互，把无法语言化的专家经验，以反馈信号的形式蒸馏进模型。这本质上是RLHF（基于人类反馈的强化学习）在工业场景的原生应用，但微亿智造做了更关键的工程化改造，他们把人类反馈、数据积累、模型训练三个过程并行化，变成一个自驱动的数据飞轮。
产线在生产，数据在自动积累。积累到一定程度，系统触发一轮模型训练。新模型推送到机台，性能提升，产生新数据，继续积累，继续迭代，整个过程不需要人工干预，不需要等待，不需要把产线停下来专门采数据。这套机制带来的效果是，项目交付周期能从原来的两到三个月，缩短到三周左右。而且随着数据飞轮持续转动，模型会越来越懂那条产线，越来越懂那家工厂的工艺。
微亿智造目前在工厂已经积累了23TB数据积累，这个数字在同类公司里处于领先位置。而且23TB数据具备三个关键特征。一是99.9%来自真实产线。这意味着每一条数据都携带真实的工艺信息，例如真实的力反馈、真实的异常状态、真实的生产节拍。二是分布宽，不同质化。其数据覆盖多个行业、多种工艺、多种工况，包含正样本、负样本、失败案例、边界条件。三是有精标数据，也有有价值的负面数据。失败案例和异常处理数据，对于训练模型的鲁棒性至关重要。
这23TB数据的构建逻辑，与那些靠抓取互联网数据或大规模合成生成数据的做法，有本质区别，它是从具体工艺场景里生长出来的，每一条数据背后都对应一个真实的工业问题。
03.
仿真派vs真机派：战线在哪里，护城河在哪里
对比这八个玩家，可以清晰地看到一条真实存在的区分。
这张图揭示了一个行业铁律：无论用多少仿真数据训练，最终系统能否上线，必须靠真实产线上独立采集的真机数据做验收测试。
真机数据，是工业AI系统的最终法官。但这不意味着真机派全面胜出。仿真派统治的60%场景（结构化视觉、刚体操作、产线调度）是真实存在且体量巨大的市场；真机派的40%场景（力控、工艺技能、物理异常）是单价更高、壁垒更深、更难被标准化产品替代的领域。
两派不是“谁取代谁”的关系，而是在不同价值密度的市场里各自建立护城河。真正的赢家，或许是最终既用仿真的成本优势覆盖通用底座，用真机工艺数据攻克高价值顶端，并且把两者有机整合进一套系统的公司。
04.
结语：数据战争的终点，不是数量，是“懂工厂”
有一种误解，在目前具身智能领域格外流行：以为数据问题是数量问题，以为只要堆够数据，一切都能解决。这种认知，在通用大模型领域或许成立。但在工业场景行不通。
工业AI的数据问题，从来不是"多不够"，而是"对不对"，只有数据对口、有效，才能训出有用的模型；数据带有工艺属性，才能覆盖真实的生产场景；数据来自真机，才能让模型见过真实的物理混沌；数据有负样本，才能让系统学会在失败中成长。
仿真派的聪明，在于它找到了降低数据成本的方式；真机派的壁垒，在于它积累了无法被替代的数据资产。而工业AI最终的胜者，必然是那些不只懂技术、更深度懂工厂的公司，那些知道一条产线里真正的痛点在哪里，知道工艺know-how如何沉淀进模型，知道工厂的ROI账本怎么算的公司。
从工厂的泥土里长出来，才能真正读懂工厂的语言，这也是整个工业AI行业最终要回答的那道题。
