近日天牛宝，马斯克在X上确认，Optimus人形机器人开始通过人类视频学习任务，放弃了动作捕捉服与远程操作方案。这让数据再次成为具身智能领域的焦点。
巧的是，就在今年初，逐际动力就已经推出基于视频数据的具身智能大脑训练方案，靠人类操作视频训练机器人。最近，他们又发布了新方案LimX DreamActor----这次是融合仿真数据和真机数据。
为什么不选择死磕一种数据呢？
答案很现实：在具身智能领域，数据始终是最大的坎。真机数据太贵，仿真数据不够真，视频数据没物理属性应用难度大——每种数据都有明显短板。
逐际动力走的是“多元数据”的路径：不管真机数据、仿真数据还是视频数据，能让机器人“更聪明”的就是好数据，用什么数据不重要，重要的是数据效率，以更低的成本获得更好的性能。
作为逐际动力"多元数据配方"策略的最新实践，DreamActor首次将Real2Sim2Real与真机强化学习深度融合，不是简单的数据拼接，而是让每种数据在训练全流程里各司其职，达到操作训练的最大效能。
展开剩余87%这个范式如何能在"低门槛"的同时，做到部署的"高效率"？这种对数据使用的探索对具身智能规模化又意味着什么？
我们拆解了这套方案。
逐际动力具身智能训练新范式LimX DreamActor
▍四步打通虚实训练全流程
DreamActor设计了一套完整的“虚实结合”训练流程，把数据采集、仿真建模、大规模训练和真机微调紧密衔接在一起
第一步，用手机"扫描"真实世界。
过去采集环境数据要靠高精度专业级设备，成本高还麻烦。DreamActor打破了这个限制：只需用手机这类消费级设备拍摄场景与物体，就能完成多视角环境数据采集。
没有复杂的设备要求，数据获取的门槛和成本直接降了下来。
第二步天牛宝，在虚拟世界注入物理规律。
系统会基于采集好的多视角图像做三维重建，更重要的是，它会给重建出的物体赋予和现实世界一致的物理参数——比如杯子的质量、桌面的摩擦系数、盒子的碰撞体积。
这一步不是只做"表面功夫"，而是通过几何、物理、尺度和坐标的对齐，让仿真环境尽可能贴近现实，为后续训练打下"靠谱"的基础。
目前行业还只能做到“看起来像”，“用起来真”依然是一件高门槛的事。
第三步，在仿真里"练个够"。
在对齐现实物理属性的基础上，系统会构建大量高拟真场景，让机器人的操作轨迹在这些混合渲染的场景里反复训练。
不用耗费真机资源，就能低成本实现数据的大规模扩展，机器人也能在这个过程中学会应对不同场景，慢慢具备"泛化能力"——换个桌子、换个杯子，哪怕换个房间，机器人依然能够执行操作。
第四步，真机上"精雕细琢"。
在仿真环境中经过大量训练，已经具备“扎实的底子”之后，模型会再到真机上进行少量强化学习后训练。
这一步的妙处在于：不用让真机冒险试错——在工厂、家庭等真实场景，真机测试既危险又烧钱。通过真机数据校准仿真与现实的差距，确保模型部署到现实中时，成功率始终在线。
整个流程下来，DreamActor把"现实环境数据采集—仿真数据预训练—真机数据后训练"的链路彻底打通，既保留了仿真训练"高效率、大规模"的优势，又靠少量真机数据就补上了"落地稳定性"的短板。
整个流程下来，DreamActor把"现实环境数据采集--仿真数据预训练--真机数据后训练"的链路彻底打通，既保留了仿真训练"高效率、大规模"的优势，又靠少量真机数据就补上了"落地稳定性"的短板。
技术层面上，DreamActor引入了行业前沿的真机强化学习（RL）技术，这是低样本高效学习和Sim2Real泛化的重要突破。真机RL技术近年才开始在具身大模型中应用，逐际动力能将其成功融入训练流程，不仅展现了深厚的技术积累，更代表着他们在具身智能训练范式上走在了行业前沿。
最关键的是，这种虚实结合的方式，直接把机器人训练的门槛拉低了一个数量级——不需要专业设备，不需要海量真机数据天牛宝，从开发伊始就大大降低了成本，让更多团队能够参与到具身智能的开发中来。
LimX DreamActor完整工作流程
▍为啥非要死磕多元数据？
DreamActor要花这么大功夫整合仿真和真机数据，背后是整个行业都在头疼的问题。
纵观当前行业的典型技术路线：
视频学习派：通过分析大量人类操作视频来训练机器人，充分挖掘海量视频资源，但这些数据大多没经过"物理校准"，模型学完容易出现"幻觉"——比如把轻轻放杯子的动作学成了"扔"
仿真优化派：专注于提升仿真环境的物理真实度，数据获取成本低，但最大挑战是仿真到现实的差距。现实世界的光照变化、材质差异、意外碰撞……任何一个小偏差都可能导致任务失败。
端到端派：探索用大语言模型理解和生成机器人动作序列，或直接在真机上收集大量数据进行训练，再进行直接部署。真机数据最靠谱，但也最烧钱。 最烧钱的地方在于先要造机器人本体，但目前硬件迭代速度很快，一旦硬件/构型更新，数据很可能不能复用，泛化性难度很大；其次则是操作带来的设备、物品损耗。
每种方法都有其独特价值，但也都存在局限性。这也是逐际动力“多元数据”策略要解决的解决具身智能数据问题。
DreamActor的核心突破是结合Real2Sim2Real的高保真数据与真机RL的可靠性，同时，通过技术创新实现了几个关键能力：
手机等消费级设备就能采集数据并重建高拟真场景
支持大规模生成或调用3D资产，低成本扩展数据
场景物理属性与现实一致，机械臂可高效完成坐标对齐，省去繁琐标定，能直接在仿真中训练策略。
最终，Real2Sim加速策略初始化，真机RL保障部署可靠性，大幅缩短周期、降低风险。
LimX DreamActor优势对比
这些探索的核心目的，都是在寻找"数据应用的效率极值点"：
多少仿真数据能撑起基础训练？需要补充多少真机数据校准偏差？不同场景下数据比例该怎么调？
关于这个函数当中的“自变量”与“因变量”，目前行业还没有统一答案，但每一种基于多元数据的实践，都在为具身智能找到更优的训练路径。
▍从VGM到DreamActor：逐际动力的"多元数据"进化史
LimX DreamActor不是逐际动力在实践LimX Data Recipe（多元数据配方）策略上的第一次尝试，在DreamActor之前，逐际动力已经推出过LimX VGM，那是一套聚焦视频数据的训练方案：
靠人类操作视频数据训练机器人，全过程零真机样本，还能实现多平台泛化，把人类视频数据变成了"可用的训练资源"。
（关于VGM的详细技术解析，可参考机器人大讲堂此前的深度报道：国内首次将人类操作数据直接应用于机器人操作！零真机数据实现跨平台泛化！）
逐际动力还提出了"数据-性能ROI"这个评价标准——模型优劣不是看模型用了多少数据，而是看投入的数据能换来多少操作性能提升。
从VGM主攻视频数据，到DreamActor深耕仿真+真机，两种路径对应了多元数据中最大的变量：一种是数量庞大但难以直接应用的视频数据，另一种则是易于生成但实际存在虚实差距的仿真数据。两种路径既展现了两种数据的应用潜力，也体现了从业者对数据应用理解的不断深化。
本质上，从VGM到DreamActor，探索的都是通过改变数据来源和配比，找到"数据-性能ROI"的最优解，最终目标是打造可供广泛应用的具身智能"工业母机"。
对逐际动力来说，这些探索不只是技术积累，更是其"IDS生态协同战略"的一部分。
他们想做的，是为创新者（Innovators）、开发者（Developers）和系统集成商（System Integrators）提供低成本、高效率的工具。
不管是VGM还是DreamActor，最终目的都是让更多人能参与到具身智能的开发中，推动这项技术从实验室走进科研、制造、家庭等真实场景。
现在来看，具身智能的"大脑"还在探索阶段，但这套"多元数据"思路，无疑为行业提供了一个值得参考的方向：
机器人的自主操作，从来不是"死磕某一种数据"就能实现的，而是在虚实数据的协同中，找到效率与稳定的平衡点。
当这个平衡点的公式被破解天牛宝，具身智能的大规模应用，或许真的不远了。
发布于：安徽省瑞和网提示：文章来自网络，不代表本站观点。
