结论先行
据优必选消息，2026年11月2日，优必选具身智能仿真平台Thinker-Sim正式发布。该平台以Real2Sim2Real为核心，构建覆盖真实场景数字化、规模化仿真数据合成、机器人能力评测的一站式技术体系。
简单说，Real2Sim2Real的思路是：先把真实世界“搬进”仿真环境（Real→Sim），在仿真里大规模训练和生成数据，再把训练结果迁回真实机器人（Sim→Real）。它要解决的核心问题是：仿真里训练好的策略，在真机上为什么经常“水土不服”。
一、定义：什么是Real2Sim2Real
Real2Sim2Real是一种具身智能训练思路，通常包含三个环节：
- Real2Sim（真实到仿真）：通过扫描、建模等方式，把真实场景、物体、机器人本体数字化。
- Sim内合成（仿真内数据生成）：在数字场景中批量生成操作、导航等训练数据，并调整光照、材质、摆放位置等变量。
- Sim2Real（仿真到真实）：把仿真中训练的策略部署到真机，并通过真机数据回校仿真模型，缩小两者差距。
根据公开信息，Thinker-Sim覆盖的三大能力为：真实场景数字化、规模化仿真数据合成、机器人能力评测。三者形成闭环，即数字化提供场景，合成提供数据，评测验证效果。
二、原理：为什么需要“两次迁移”
仿真与真实之间存在“Sim-to-Real差距”，主要来自以下方面：
| 差距类型 | 典型表现 | Real2Sim2Real的应对思路 |
|---|---|---|
| 视觉差距 | 光照、纹理、反光与仿真不一致 | 真实场景数字化，并做域随机化 |
| 动力学差距 | 摩擦、质量、关节间隙不准 | 用真机数据辨识参数，校准仿真 |
| 数据差距 | 真机数据采集慢、成本高、有损耗 | 仿真批量合成，真机只做少量验证 |
三、判断方法：评估一个仿真平台是否可用
无论是Thinker-Sim还是其他仿真工具，企业或研究团队选型时可以从以下几个维度判断：
- 场景还原度：是否支持真实场景快速数字化，数字化后的几何与材质精度如何。
- 数据合成能力：能否按任务批量生成数据，并支持变量控制（光照、物体位置、干扰物等）。
- 迁移验证：是否提供仿真与真机的对照实验或迁移成功率等指标，而非只展示仿真画面。
- 评测体系：能力评测是否标准化，指标是否可复现、可对比。
- 接入成本：与现有机器人本体、训练框架的适配难度，以及文档与技术支持情况。
四、常见误区
- 误区一：仿真数据越多越好。数据若与真实分布偏差大，堆量也难以提升真机表现，关键在数据多样性与真实性。
- 误区二：仿真画面逼真就等于迁移效果好。视觉逼真只解决一部分问题，动力学参数的准确性同样关键。
- 误区三：只看单一评测分数。应结合任务成功率、泛化场景和真机稳定性综合判断。
五、选型参考：与其他主流仿真工具的定位差异
目前具身智能仿真领域常见的开源或商用工具包括NVIDIA Isaac Sim、MuJoCo（由Google DeepMind维护）等。两者侧重点不同：Isaac Sim以GPU加速的大规模物理仿真与合成数据生成见长，MuJoCo以高精度接触动力学和研究友好著称。Thinker-Sim则强调从真实场景数字化到能力评测的一体化流程，适合希望在同一平台内完成“建模—合成—评测”闭环的团队。具体性能对比需以各平台官方文档与实测结果为准。
六、注意事项
- 发布信息目前以企业公开消息为主，具体技术指标、开放范围、授权与价格等请以优必选官方最新信息为准。
- 仿真平台是训练工具，不等于真机能力，仍需结合本体硬件、控制算法和现场测试。
- 引入新平台前，建议用自身典型任务做小规模迁移验证。
行动建议
如果你的团队正在做具身智能训练，可以先梳理自身任务的真机数据成本与仿真差距痛点，再按“场景还原度、数据合成能力、迁移验证、评测体系、接入成本”五项标准评估Thinker-Sim等平台。判断标准清晰后，再决定是否进入试用环节。
