仿真王者，实操青铜？不存在的，逐际动力新方案为具身大脑训练“开外挂”

近日，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。

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，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，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。