仿真数据主要用于预训练补长尾场景,尤其适用于机器人交互训练。它通过物理引擎驱动,模拟现实规律,弥补真机数据在长尾场景中的不足。海外引擎生态更成熟,国内常与真机数据配合使用,真机保下限、仿真拉上限。与虚拟数据不同,仿真数据包含物理规则,而虚拟数据仅为渲染内容,无物理规则。
国内仿真数据赛道正从通用导向转向工业落地导向,交付压力大。与海外相比,国内在物理引擎、核心人才等基础存在差距,导致应用仿真数据的接受度较低。行业面临虚实迁移鸿沟(接触动力学、传感器细节复刻难)、3D资产成本高、算力效率低、有效样本占比少等核心卡点。未来需解决资产建模、物理调优、真机对齐等工程问题,提升应用效率。
报告重点分析了运动控制类仿真占比超80%、操作策略类仿真占7-8成、真机占2-3成的数据配比情况。同时关注工业泛化路线仿真可与真机达100:1的潜力,以及国内厂商真机占比相对偏高的问题。出货模式主要为项目定制(柔性任务定价几十万至上百万)、标准化数据集授权、仿真SaaS平台订阅三类。
当前仿真数据市场存在成本差异大、有效样本占比低等问题。简单场景每小时约10-50元,高难度柔性任务每小时可达100元左右,合格有效样本成本仅为真机的1/5-1/10。行业常混合统计虚实数据,真机数据单独标注,仿真价值密度远低于真机。如智源千万小时数据中仅200万为真机数据。此外,虚实迁移鸿沟难以快速突破,国内厂商应用仿真数据的接受度仍低。
研报提示的主要风险包括:虚实迁移鸿沟难以快速突破,导致仿真数据有效样本占比低、成本仍较高;国内厂商应用仿真数据的接受度低,需解决资产建模、物理调优、真机对齐等工程问题;CAA、空间设计等厂商转型仿真数据面临物理求解精度、实时并行等技术壁垒;世界模型与仿真数据的平台化模式仍处早期,本体厂商可能面临被绑定的风险。