大模型已经可以写作、画图、甚至做推理。

但一个更现实的问题是：

为什么AI还不能像人一样，在真实世界中“聪明地干活”？比如叠衣服、整理物品、处理复杂环境中的操作任务。

问题不在模型，而在更底层的一件事：AI并没有真正理解这个物理世界。

本期「SynReal Decode」，我们解码一个正在被反复验证的行业共识：AI的瓶颈，不再只是模型，而是数据。而在通往真实世界的路径上，物理仿真，正在成为关键答案。

一、什么是高阶人工智能：世界模型

在进一步讨论后续问题之前，我们首先需要澄清一个基本概念：什么是人工智能，尤其是什么是高阶人工智能。

顾名思义，人工智能是指通过机器计算来模拟人类的智能能力。而人类的智能并非单一层次，至少可以分为初级智能和高级智能两个层面。

初级智能主要指人类对物理世界的感知、理解与即时反馈能力。例如，行走时看到障碍物，我们知道如何绕开；有人抛来一条毛巾，我们可以自然地伸手接住；面对缠绕在一起的绳子，我们知道该如何解开。这些能力都依赖于对真实物理世界的理解，以及长期交互形成的经验。

在此基础之上，高级智能进一步发展出了语言、抽象思维、逻辑推理、规划以及情感等能力。

初级智能与高级智能的区分，是人类与动物之间的重要差异之一。初级智能源于我们与物理世界的持续交互，是生存所必需的基础能力。事实上，即便是苍蝇、蚊子这样看似微小的生物，在初级智能层面也表现得非常出色——它们能够快速、准确地感知危险并作出反应。否则，夏天打蚊子也不会成为一件令人头疼的事情。

读到这里，你可能会产生一个疑问：人工智能与人类智能在能力结构上似乎并不一致。如今，像DeepSeek 这样的大语言模型已经能够流畅地进行语言交流，甚至展现出一定程度的逻辑推理能力。那么，这是否意味着具备高智能的机器人也即将实现突破？

事实上，情况恰恰相反。

无论是语言模型，还是图像、视频生成模型，其核心目标都是完成“生成”任务。直观地说，这类模型的设计初衷，是学习“如何像人一样说话”，以及“如何像人一样给出推理过程”。至于生成内容是否符合真实世界的物理规律，往往并不是模型能够直接验证或保证的。这正是“幻觉”问题频繁出现的根本原因。

归根结底，当前主流的人工智能模型在很大程度上绕过了对真实物理世界的直接感知与理解，而是依赖海量语言和视觉数据，构建出一种看似智能、但缺乏物理根基的能力表象，犹如空中楼阁。

要实现真正意义上的高阶人工智能，我们必须从底层入手，首先赋予机器类似人类和动物的初级智能，使其能够正确地感知、理解并预测物理世界的运行规律。这一基础能力，正是所谓的世界模型（World Model）。

二、如何训练智能：强化还是模仿？

在明确了目标之后，接下来的问题是：如何训练人工智能，使其逐步具备高阶智能能力？

要回答这个问题，我们不妨先回到一个更根本的参照——人类和动物的智能是如何形成的。

从宏观尺度来看，人类与动物的智能是在地球数亿年的演化过程中，通过自然选择逐步形成的。达尔文在进化论中对此已有经典概括：物竞天择，适者生存。自然环境持续提供反馈机制，使得更适应环境的行为和认知能力得以保留，而不合理的能力则被淘汰。长期累积之下，生物的智能水平不断提高，并逐渐趋于稳定和高效。

但需要强调的是，进化并不是人类获得智能的唯一途径。在个体层面，人类一生中极其重要的能力获取方式，其实是向他人学习。我们从父母、同伴和社会中学习，也通过书籍和记录继承前人的经验。可以说，学习与模仿贯穿了人类社会生活的始终。

早在公元前6 世纪，埃及法老 Psamtik I 曾有一个著名的“语言剥夺实验”的记载：婴儿如果在成长过程中不接触人类语言，便无法自发形成自然语言能力（当然，该实验的历史真实性和科学性至今仍存在争议）。这个故事至少揭示了一个重要事实：人类的许多高级智能能力，并非完全先天，而是依赖后天的学习与模仿。这种学习方式在动物界中同样普遍存在。

这两种形成智能的机制，在人工智能中恰好对应了两类核心训练范式。

第一类是强化学习（Reinforcement Learning）。它通过设计奖励函数，为智能体提供环境反馈，使其在不断试错和探索中寻找最优策略。这一过程与生物演化在本质上高度一致：行为是否“好”，由环境来裁决。强化学习的优势在于其稳定性和泛化潜力，但代价是训练过程往往极其漫长。

第二类是模仿学习（Imitation Learning）。其核心思想是直接从已有的专家行为中学习，通过模仿他人的动作或决策过程，快速掌握复杂技能。这种方式极大提升了学习效率，是人类社会得以快速积累和传承知识的关键。

总体而言，强化学习和模仿学习对人工智能的发展都至关重要，但各自侧重不同。模仿学习能帮助智能体在短时间内建立较高水平的能力，而强化学习则通过环境反馈进一步修正与提升，使其真正适应现实世界。

陆游曾写道：“纸上得来终觉浅，绝知此事要躬行。”这句话或许可以看作对两者关系的形象概括。

今天我们看到的机器人能够跳舞、爬楼、完成复杂的行走动作，很大程度上得益于强化学习的成功应用。而在未来，如果希望机器人真正学会“干活”，尤其是完成精细而复杂的手部操作任务，模仿学习将变得不可或缺。相比行走控制，灵巧手部操作的复杂度要高得多——这一点在人类身上同样成立：人类通常在一岁左右就能学会走路，而复杂技能与知识的学习，却需要贯穿一生。

三、数据、数据、数据！

我们都知道，训练人工智能离不开数据，而且通常需要大量的数据。在现有的技术框架下，机器对数据的利用效率还远不如人类，因此要让人工智能学会一项能力，往往需要远多于人类学习时所接触的数据。

过去几年里，大语言模型和图像生成模型之所以能够取得飞速发展，一个关键原因在于：在高度数字化的生活环境中，文字和图像天然大量存在。这类数据获取容易、成本低、规模大，使得模型可以在海量样本上反复训练，从而不断提升能力。

相比之下，让人工智能理解空间结构、物理规律以及真实世界中的交互，所需要的数据却稀缺得多，也难得多。这类数据不仅数量有限，而且采集成本高、过程复杂，已经成为具身智能和机器人发展的主要瓶颈之一。

在模仿学习中，所需的数据更像是人类学习时使用的“教材”。我们把专家完成某项任务时的一系列操作过程和结果，用视频或运动轨迹记录下来，再交给人工智能去学习，从而掌握相应技巧。以常见的叠衣服为例，这类系统通常依赖成千上万条示范数据，包括视觉观测与对应的操作动作。这里的“专家”一般由人来扮演：可以遥控机器人，也可以手把手示教。

而强化学习所依赖的数据，则更像是一种“经历”。机器人在环境中不断尝试各种动作，并根据这些动作带来的结果进行调整。这些数据不是事先准备好的，而是在持续试错中逐步积累起来的。

无论是模仿学习还是强化学习，其所需数据在现实世界中都很难“现成获得”，必须额外采集。更麻烦的是，这类数据在真实物理环境中的获取本身就非常困难。

先看模仿学习。让人类手把手示教，在实际中往往更适用于人形或接近人形的机器人。即便只考虑这类机器人，受限于硬件条件、作业空间以及操作者熟练程度，在单位时间内能够采集到的数据量也非常有限。更进一步，如果希望训练机器人在水下、极端环境，甚至太空中工作，就意味着必须在这些环境中进行数据采集，其成本和难度都会急剧上升。

更重要的是，人类示教时通常直接完成高质量操作，这使得采集到的数据多是“成功案例”，而探索过程中的失败尝试却很少。一旦机器人在真实场景中由于感知误差、执行误差或环境变化偏离了示范数据所覆盖的情况，就很容易不知道该如何继续行动。

再看强化学习。它需要机器人不断尝试和犯错，但在真实世界里，犯错往往意味着实实在在的代价：机器人可能发生碰撞、损坏设备，甚至对人的安全造成威胁，比如在自动驾驶这样的场景中。即便风险可控，强化学习仍需要在每次失败后对机器人和环境进行复原才能继续下一轮尝试，这不仅带来巨大的时间成本，也需要大量人工参与。一轮尝试可能需要几分钟甚至几小时；若设备损坏，还会引入额外维修时间。

因此可以看到，无论是模仿学习还是强化学习，在真实世界中都面临数据采集难以规模化的共同问题。这并不是因为算法不够好，而是由物理世界本身的特点所决定：真实世界的数据采集往往离不开人工参与，其规模受限于人力、时间与环境条件；而与此同时，训练人工智能所需要的数据量却极其庞大。正是这种矛盾，构成了具身智能与机器人发展中难以回避的数据瓶颈。

四、仿真：解决数据来源的关键

既然真实世界的数据获取存在天然的规模和成本瓶颈，一个很自然的问题就出现了：数据还能从哪里来？

答案并不复杂——主要只能来自仿真环境。

那么，什么是仿真？

简单来说，仿真就是在计算机中搭建一个“虚拟世界”，用数学模型和物理规律来描述物体的形状、运动和相互作用。在这个虚拟世界里，物体会像现实中一样受到力的作用，会发生碰撞、摩擦，也会产生运动和形变。机器人可以在这样的环境中完成行走、抓取、操作等任务，而整个过程都发生在计算机中。

换一个更直观的说法，仿真就像是一个可以反复重来的“数字实验室”。在这里，我们不需要真实的机器人，也不需要真实的环境，就可以测试各种动作、策略和方案。

仿真之所以在人工智能领域变得越来越重要，根本原因在于：它在数据获取上具有现实世界无法比拟的优势。

● 第一，仿真是可控的。在仿真环境中，我们可以精确设定初始条件，随意改变环境参数，反复测试同一个场景。这在真实世界中往往很难做到，甚至根本无法实现。

● 第二，仿真是可重复的。一次实验结束后，环境可以立即重置，从完全相同的起点重新开始。这对于需要大量试错的强化学习尤为重要，而在真实世界中，每一次试验都会不可避免地改变环境状态。

● 第三，仿真易于试错。在仿真中，“失败”不会导致机器人损坏，也不会带来安全风险。机器人可以摔倒、碰撞、反复尝试，而不需要担心设备维修或人员安全问题。这使得大量探索性数据和失败案例能够被系统性地收集。

● 第四，仿真可以提供更丰富的数据。除了机器人看到的画面和执行的动作，仿真还能直接输出许多现实中难以测量的信息，例如接触力、摩擦状态、物体内部的形变以及能量变化等。这些信息对于理解物理过程和训练智能系统非常重要。

● 第五，仿真具有很强的泛化能力。在仿真环境中，我们往往只需要构建一个基础场景，就可以通过改变初始状态、物体参数和环境条件等方式，自动生成大量相似但不完全相同的数据。例如，同一个任务可以在不同材质、不同尺寸、不同初始摆放条件下反复执行，从而覆盖更丰富的情况。这种“举一反三”的数据生成方式，在真实世界中几乎无法以可接受的成本实现。

从更根本的角度来看，仿真数据与真实数据之间最核心的差异在于成本结构。仿真数据的主要成本来自算力，而真实数据的主要成本来自人力和物理资源。随着计算能力的持续提升，仿真数据的生成规模可以不断扩大，并与人工智能模型规模的增长保持同步；相比之下，真实世界的数据采集则天然受限于人力、时间和环境条件，很难实现同样的扩展速度。

如果说大模型是AI的“大脑”，那么仿真，就是AI理解世界的“训练场”。AI要进入真实世界，必须先在虚拟世界中学会它。但一个更关键的问题是：什么样的仿真，才真正有用？

本文由凌迪科技技术专家团队撰写与审核发布

凌迪科技技术专家团队

王华民

凌迪科技首席科学家，长期从事高性能、高精度物理仿真研究，是GPU 形变体仿真与柔性材料（面料）物理建模领域的国际知名学者。加入凌迪科技前，曾任美国俄亥俄州立大学计算机科学与工程系终身副教授，并在加州大学伯克利分校从事博士后研究。他在 SIGGRAPH、CVPR 等计算机图形学与计算机视觉顶级会议和期刊发表论文 80 余篇，其中包括 4 篇 SIGGRAPH 唯一作者论文。2025 年当选 ACM 杰出会员与 IEEE 资深会员，并担任 SIGGRAPH Asia 2026 论文委员会副主席。

蒋陈凡夫

美国加州大学洛杉矶分校（UCLA）数学系教授，人工智能与视觉计算实验室（AIVC Lab）主任，研究方向涵盖 物理 AI、3D 视觉计算、3D 生成式模型与具身智能。他是多项广泛使用的物理仿真方法与系统的提出者与推动者，包括 APIC、MLS-MPM 与 IPC，这些方法已成为学术界和工业界的重要基础工具。其研究获得 NSF、DOE 以及 Toyota、Amazon、Sony、Adobe、Style3D 等机构与企业支持，并多次在 SIGGRAPH、ICRA、IROS 等顶级会议获得最佳论文或荣誉提名。

杨垠

美国犹他大学Kahlert School of Computing 副教授，联合领导 Utah Graphics Lab，并同时隶属于 Utah Robotics Center，具有图形学、仿真与机器人深度交叉的研究背景。曾在新墨西哥大学和克莱姆森大学任教，博士毕业于德州大学达拉斯分校（David Daniel Fellowship）。曾获 NSF CRII 奖与 CAREER 奖，研究重点是为图形学、物理仿真、深度学习、视觉和机器人等领域开发高效、可扩展、面向真实应用的计算方法。