金牛配资独家对话光轮智能：合成数据如何破解AI“数据饥渴”｜50x50

「50个技术赛道金牛配资，50家创业公司」是一档聚焦前沿科技领域创新力量的深度探索栏目。我们以全球视野扫描新兴技术趋势，每期深入一个细分技术赛道，挖掘最具颠覆潜力的创业公司。呈现技术的商业价值，展示创新者的先锋姿态。本文为第五篇。

在人工智能飞速演进的当下，数据的价值变得愈发关键。以大模型和具身智能为代表的新一代AI系统，正逼近传统数据采集方式的极限。

MIT等机构预测，若按当前速度发展，人类生成的真实数据（尤其是高质量文本数据）将在2-8年内被消耗殆尽，到2026年可能用完互联网可用文本数据，而具身智能更是对数据呈指数的级膨胀需求，达到了EB（1EB = 1024PB）级别。

面对“数据荒”的危机，合成数据（Synthetic Data）被视为打破瓶颈的关键钥匙，也成为业界共识的解决方案。科学家 Jim Fan 曾指出，未来AI模型的训练数据，将有望由合成数据提供万亿级token支持。

合成数据（Synthetic Data）是一种模仿真实世界数据的非人工创建的数据，它是由基于生成式人工智能技术的计算算法和模拟创建而成。早在1993年，著名统计学家Donald Rubin就在论文中提出了合成数据的概念。近年来，随着ChatGPT的火爆和生成式人工智能技术的发展，合成数据概念受到越来越多的关注。

相比传统的真实数据采集方式，合成数据的优势不仅在于成本低、效率高，还包括无需标注、更强泛化性等特性。

Gartner预测，到2030年合成数据将成为AI模型的主要训练来源，市场规模预计超过86亿美元。其应用场景广泛，涵盖自动驾驶、医疗健康、金融、零售等多个领域，在提升模型性能、保护隐私、系统测试等方面发挥着重要作用。

全球科技巨头已纷纷布局：英伟达推出Omniverse Replicator生成高精度3D仿真数据，并收购合成数据公司Gretel；微软开源Synthetic Data Showcase工具，服务于医疗和金融场景；Meta则通过Llama 3自生成数据优化代码生成能力。

在国内，一批新兴合成数据企业也正在崛起。2023年，专注具身智能的合成数据公司——光轮智能应运而生。公司首创将生成式AI与仿真技术结合，用以构建大规模、可交互、高保真的训练场景，重塑自动驾驶与具身智能的数据体系。

团队成员来自英伟达、Cruise等全球领先企业，具备AI、仿真、合成数据工程化落地等多领域交叉背景。目前，已服务例如英伟达、DeepMind、Figure、银河、智元多家国际头部客户以及全球高校实验室。

值得一提的是，成立短短两年多时间，光轮智能已完成五轮融资，投资方包括北京市人工智能产业基金、经纬创投、奇绩创坛、辰韬资本等。

近期，我们对话了光轮智能技术生态负责人甘宇飞，围绕“合成数据如何驱动具身智能”和“行业技术挑战”展开深度探讨。

以下为创投家与甘宇飞对话全文，略有删减：创投家：目前合成数据在机器人、自动驾驶等领域的使用占比如何？哪些场景会用到比较多的合成数据？

甘宇飞：在自动驾驶领域，合成数据的使用比例大约在30%至40%之间，而在具身智能领域，这一比例则高达80%至90%。

具身智能中的数据采集成本很高，需要搭建实景环境、部署机器人并进行日常维护，效率低。而合成数据可以通过仿真的方式快速构建多样化场景，成本更低、效率更高。

目前合成数据在具身智能的不同阶段，包括预训练、后训练、评测目前都有很大的数据缺口，具身智能产品研发的全生命周期都需要用到大量的合成数据。

创投家：生成式 AI 与仿真技术的结合对合成数据行业的有哪些促进作用？未来 3-5 年的技术演进方向可能是什么？金牛配资

甘宇飞：AI图像生成和仿真技术各有优劣。生成式AI擅长视觉逼真度，但在空间尺度和物理约束方面缺乏精确控制；仿真技术则强调物理一致性，但在真实感和生成效率上逊色一些。

将两者融合，是我们认为最具前景的发展方向。例如，神经渲染技术正逐步成熟，它结合AI视觉生成与仿真建模能力，能够直接输出具备真实感和物理精度的3D场景与资产。

此外，未来的合成数据应当更“真实”，更“极端”，更“高效”——能模拟现实中罕见却关键的长尾事件，帮助AI模型提升鲁棒性。

创投家：为什么纯AI生成的合成数据不可行？

甘宇飞：因为纯AI生成数据可能会让模型“自我循环崩溃”。这在早期研究中就已被证实，比如GPT会在多轮纯合成训练下崩溃、自动驾驶模型在纯合成数据训练后会采取危险而积极的驾驶风格。当模型用自身生成的数据不断训练自己时，误差会逐步放大，数据分布也会偏离现实，最终导致模型性能下降甚至崩溃。

要想保持模型的稳定性与现实对齐，必须引入人类示范或真实世界的“锚点”，让AI理解世界的本质。这是合成数据构建中不可缺少的一环。比如特斯拉会利用五星司机的数据迭代自驾算法，ChatGPT会找各个领域专家来做RLHF（人类反馈强化学习），而在具身领域，光轮使用人类专家的示范动作来作为合成数据的来源。

创投家：合成数据的 “真实性” 如何量化评估？当前行业在视觉 - 物理一致性等方面的技术难度和挑战是什么？

甘宇飞：我们将真实性评估分为三层：

首先是量化检查，通过自动化工具逐项检测物体属性是否符合真实世界，例如瓶子的颜色、重量、材质、贴纸、旋盖方向等。

其次是主观判别，借助判别模型评估合成数据是否足够逼真，目标是让模型“分不清”真假。

最后是效用验证，最核心的一步是实战验证，看合成数据是否真正提升了模型效果。例如在长尾场景中的识别准确率是否提升，是否有效支持客户业务目标。

创投家：具身领域的合成数据相比自驾领域的合成数据有什么不同的地方？

甘宇飞：具身智能是更复杂的“多任务交互系统”，其对数据的需求远超自动驾驶。

主要体现在四个方面：

首先是数据量级更大，自动驾驶数据为PB级，而具身智能则需要EB级数据。例如在家务场景中，机器人需处理叠被、洗碗、开门等复杂交互，任务维度和场景复杂度远高于自动驾驶。

其次是交互维度更丰富，尤其是物理交互，自动驾驶追求“无交互”金牛配资，即尽量避免碰撞。而具身智能必须主动与世界互动，例如抓取易碎玻璃或柔软衣物，这对合成数据的物理属性要求极高。

然后是适配难度更大，自动驾驶车辆相对标准化，而具身机器人千姿百态，从人形机器人到机械臂，形态与关节结构各异，数据生成必须因机而异。

最后是数据积累的阶段不同，不同于自动驾驶，具身智能仍处于起步阶段，尚未形成大规模真实数据积累，因此合成数据在这一阶段扮演着更关键的角色。

创投家：具身场景中真实数据与合成数据的最佳实践占比分别是多少？实际提升效果如何？

甘宇飞：根据我们的实践经验与行业研究，当前真实数据与合成数据的最佳组合比例大致为 1:10，当然，这一比例也会根据具体应用场景而动态调整。

更重要的是，在引入合成数据后，模型性能通常能实现显著提升。比如在物体检测、交互识别等任务中，合成数据的加入可带来平均30%左右的性能增益。这不仅体现在精度上，更体现在模型对复杂环境的泛化能力上。

简而言之，合成数据正在成为构建高效具身智能模型的关键加速器。

创投家：行业里面有纯真实和纯合成的路线之争，你们如何看待？

甘宇飞：在真实项目中，其实并不存在所谓的“路线之争”——效果优先，永远是技术决策的第一准则。

实践中，混合使用真实与合成数据已被证明是最优解。例如在英伟达最新开源的人形机器人基座模型 GR00T N1 中，采用“混合训练”（co-training）的策略，其性能明显优于纯真实或纯合成方案。其中光轮为此提供了大量合成数据资产，我们也将持续为其后续 Nx 系列模型提供数据支持，并与行业共享我们的经验。

真正能落地的方案，往往都是多种技术手段协同演进的结果。在光轮，我们采用的是“混合训练策略”——根据模型训练阶段和任务需求灵活调整真实与合成数据比例，实现效率与效果的最佳平衡。

创投家：相对于其他的提供数据解决方案的企业，光轮智能在技术上的差异化优势是什么？

甘宇飞：我们坚持从“物理真实感”出发打造合成数据。高精度物理仿真能力是光轮的核心优势。我们提供的数字资产具备重量、质地、触感、逻辑交互等物理属性，能够真实还原机器人在现实中的动作反馈。

其次，强调人类示范数据的价值。只有让模型看到人类如何完成任务，它才能更深刻地理解意图、策略和行为逻辑，从而构建更强的认知能力。

为了提升数据的使用效率和模型的效果，我们认为还应该高度重视数据的泛化性。通过对仿真环境中的多维度控制，我们能主动生成覆盖不同情境、角度和复杂度的任务数据，从而解决具身智能中的“real2real gap”问题，也就是“真实世界中数据之间的鸿沟”。

创投家：目前光轮智能的主要客户群体是哪些？能否分享 1-2 个典型案例。

甘宇飞：我们的客户包括众多国内外顶级机构，如英伟达、DeepMind、Figure AI 以及多家一流高校实验室。

例如，在英伟达开源人形机器人模型 GR00T N1 项目中，我们为其提供了全套合成数据支持，包括遥操作行为数据、仿真场景与交互资产，帮助其在复杂物理交互任务中的模型训练。

在国内，我们为智元提供了具备高保真物理属性的仿真资产，智元在此基础上构建并发布了公开数据集 Agibot Digital World，为行业提供了高质量的具身智能训练资源。

其他客户还包括字节跳动、银河等，只要需要使用高质量物理交互数据的公司基本上都是我们的客户。

创投家：光轮最近在对外场合强调real2real gap，这是什么意思，怎么理解？

甘宇飞：在和客户实际合作中我们发现，很多时候场景之间的分布差异即real2real gap很大，而这点是经常不被重视的。