## 一、前言：

### 1.1 一个绕不开的反差

现在的 AI 已经能写代码、画插画、剪视频，水平都不低。但你让它指挥一个机械臂去开冰箱门、拧瓶盖、把杯子从桌上拿起来，大概率翻车。
不是模型不够大，是它没见过这些场景！
互联网上有几亿张猫的图片，但没人会专门拍一段“手指接触瓶盖时摩擦力如何分布”的视频上传。物理交互这件事，AI 在它现有的训练数据里根本找不到答案。
### 1.2 数据从哪里来

这两年具身智能圈子的人慢慢达成了一个共识：靠真机采集太贵也太慢，仿真数据是绕不开的一环。但仿真数据好不好用，关键看底层的**仿真资产**做得行不行。
资产差，仿真出来的就是看着像、用着假的废数据；资产好，AI 才能真在虚拟世界里学到能搬到现实里用的本事。这篇文章就聊聊孪界科技的 Synthesis（衍象）平台在仿真资产这件事上做了什么，以及为什么做了几十年真实工程这件事，反而成了它的核心优势。
衍象详细介绍及体验地址：https://www.extwin.com/col.jsp?id=157
## 二、问题在哪，好的资产又该是什么样

### 2.1 具身智能要的数据，不是互联网数据

具身智能要的数据，和大语言模型要的数据，根本不是一回事。大语言模型吃文本，文生图模型吃图片——都是静态的、单模态的。但具身智能要训练的是"感知—决策—动作—反馈"的连续闭环：机器人伸手去拿一个杯子，过程中视觉、深度、力觉、位姿、动作轨迹、环境状态全都在变，缺一不可。
![image](https://developer.qcloudimg.com/http-save/yehe-9547619/809db60d7ec406c0c0e195423cc9a9b6.png)
这意味着数据获取难度比互联网数据高几个数量级。
### 2.2 真机采集扛不住，仿真又有四个老问题

最理想的当然是真机数据。
机器人在真实世界里抓一万次杯子，学到的东西最准。但真机采集要承担四类成本：时间（遥操作效率低）、设备（机器人和场地都不便宜）、安全（碰撞、跌倒、人员伤害风险）、长尾（异常工况根本没法主动复现）。指望靠真机堆出亿级数据集，不现实。
仿真理论上能解决这些问题，但实际用起来，下面这几件事一直没解决好：
- **量级差距大**：业界期望亿级，现实交付百万级
- **资产缺物理标签和工程语义**：网上能下到的三维模型大多只"好看"，没有质量、摩擦、关节、材料这些信息
- **Sim-to-Real 不稳定**：仿真里训得好好的策略，搬到真机上经常不工作
- **不符合工程实际**：训练场景往往是"凑数搭的"，不符合真实建筑、工艺、运维的规则

这四个问题归根结底都指向同一个根源：**仿真资产本身的质量不够**。视觉真实不等于物理真实，看着像也不等于训得动。
![image](https://developer.qcloudimg.com/http-save/yehe-9547619/56e65b017da6ee93060157cedf668f93.png)
### 2.3 一个能用的仿真资产，要满足四条

行业现在常说一句话："仿真合成数据的核心是工程正确性"。这句话拆开来看，对仿真资产其实提了四个具体要求：
- **几何要可碰撞、可测量、可编辑**。一个微波炉模型如果只是一个壳，里面是空的，那机器人去开门时撞到的是空气——这种数据训练出来的策略毫无意义。
- **语义要完整**。AI 不只是要看见一把椅子，还得知道这是办公椅、属于办公室场景、能坐能滚轮移动。空间、工艺、拓扑、材料、用途，缺一类泛化能力就少一层。
- **物理要可交互、可推演、可训练**。质量、摩擦、刚度、阻尼、运动学属性一个都不能少。门要能开、抽屉要能拉、按钮要能按——也就是要带铰链关节，这是物理 AI 训练区别于普通三维浏览的关键。
- **工程上要符合标准**。机器人最终要在医院走廊、工厂车间、厨房里干活，这些空间是按设计规范、施工规范、运维规则建出来的。仿真里如果都是随手定的尺寸，训出来的机器人到真实建筑里就会处处碰壁。

这四条加起来，意味着仿真资产不是"做一个好看的三维模型"那么简单。它需要工程能力、图形学能力、物理仿真能力，缺一个都做不出来。
## 三、Synthesis是怎么做的

讲到这里，问题就来了，一家公司要凭什么能做出满足这四条的资产？
孪界科技给出的答案是：**靠几十年真实工程项目的积累，加上十年以上数字孪生引擎的技术沉淀，构建一条自主的仿真资产生产工具链。**
这话听起来有点大，但拆开看其实很具体。
### 3.1 20000+ 真实工程项目的全精度模型

孪界背后是北京市建筑设计研究院，70 多年来做了 25000+ 个项目，2.5 亿平方米的设计工作量。机场、地铁、医院、住宅、市政、水利、电力、商业……基本覆盖了具身智能可能落地的所有典型场景。
![image](https://developer.qcloudimg.com/http-save/yehe-9547619/5f0ab12f5279e7bd707a7b5809f79818.png)
这意味着 Synthesis 平台上的建筑空间和工程模型，不是临时建模凑出来的，而是直接来自真实交付过的工程项目。门多宽、走廊多高、厨房灶台离冰箱多远、消防通道留多少米——全都符合国家标准、地方标准和行业规范。
**这是别人没法在短期内补上的差距。** 设计院的工程积累是几十年沉淀出来的，不是花钱就能买到。
### 3.2 数字孪生引擎的十年积累

光有工程数据还不够，得能把这些数据"翻译"成仿真器能用的格式。这就要靠 Multiverse 数字孪生引擎——孪界自己研发了十年以上的核心产品，覆盖三维模型、建筑数据、图形学、工程经验的跨界融合能力。
200+ 企业客户、100+ 知识产权、1000+ 项目应用、20+ 重大工程（引江济淮、大兴机场、京张高铁、塔里木油田、北京城市副中心等）
这些都是 Multiverse 引擎实战过的项目。
简单说：**别人是从游戏引擎或图形学起家做仿真，孪界是从真实工程做了十几年之后，反过来切到仿真这件事。** 起点不一样，能处理的数据复杂度也不一样。
### 3.3 自主的仿真资产生产工具链

工程模型从设计软件里出来，到能丢进仿真器训练，中间要经过的步骤非常多。
工程模型从设计软件里出来，到能丢进仿真器训练，中间要经过的步骤非常多。孪界自己开发了一整套数据连接器（Connector），支持 100+ 种主流三维格式的原生转换——Revit、3ds Max、MicroStation、AutoCAD、PDMS、Catia、SketchUp、Navisworks、Inventor、Rhino、SolidWorks、SmartPlant、Tekla 都能直接用。
转换过程大致是这样的：
1. **几何数据**：可控精度的几何优化、坐标和定位点设置、几何数据压缩
2. **属性信息**：分类编码、属性数据、对象定义、拓扑关系
3. **元数据**：材质定义、纹理文件、扩展数据

这三类信息汇总到自研的 .MV 中间格式，再经过转换服务统一处理：
- 自动化任务调度和模型转换
- 按 Sim-Ready 标准组织数据
- 碰撞体自动生成
- 物理属性预设
- 几何优化、压缩
- 结构化存储

最终输出三种格式：**OpenUSD、SDF、MJCF**——分别对应 Isaac Sim、Gazebo、MuJoCo 三个主流仿真器。
![image](https://developer.qcloudimg.com/http-save/yehe-9547619/1c8e0880945174b94b0aad7ad417268d.png)
这条流水线的价值是什么？**它把"从一个工程模型变成一个能直接训机器人的资产"中间所有的脏活累活，都自动化了。** 别人手工干一个礼拜的事情，这条流水线几小时就能搞定，而且质量稳定、参数统一。
### 3.4 打开平台先看到什么

打开 synthesis.extwin.com，资产组织方式分得很清楚。
![image](https://developer.qcloudimg.com/http-save/yehe-9547619/b0384608315eb1cc193ab4350cd83919.png)
顶部按**类型**切换：Sim Ready 资产、模型、3DGS（高斯泼溅）、场景、材质、本体（机器人）。
左侧按**使用场景**分类：IKEA、Laboratory、Home、Office、Retail、Hospitality、Industrial、Education、Healthcare、Public transportation、Mechanical equipment 等。
每个资产卡片右上角标着 USD 和铰链标识，意思是这个资产已经按 Sim-Ready 标准准备好了，可以直接导入 Isaac Sim 之类的仿真器。不用自己再补物理参数、配关节、生成碰撞体。
![image](https://developer.qcloudimg.com/http-save/yehe-9547619/9e04da4de134a14f617f219c007c3bec.png)
目前平台上的资产规模：
- **500+** 高质量铰链关节资产
- **7500+** 全尺寸扫描重建资产
- **8000+** 实物物品资产
- 资产类型覆盖**刚体和软体**
- **30+** 全交互场景（家居、办公、医院、工厂、实验室等）

这是一个能直接拿来训模型的量级，不是 demo 级别。
![image](https://developer.qcloudimg.com/http-save/yehe-9547619/46373a4ebad466dafcb3f2f479a2cf20.png)
### 3.5 如何去使用

Synthesis 把在线化做得比较彻底。
从浏览资产、搭场景到跑仿真、采数据，整条链路不用在本地装 Isaac Sim，也不用配 GPU 工作站，浏览器登录就行。
**第一步：在线浏览资产**
打开网页就能看资产、建筑模型和 3D 高斯泼溅模型，每个资产的属性、语义标签、关节信息都能直接查。看到合适的，可以在线转成 OpenUSD 格式，部分开源资产能直接下载。
**第二步：拖拉拽搭场景**
Web 端内置了场景搭建工具，资产、建筑、3D 高斯模型直接拖进场景、调位置，就能搭出一个符合真实逻辑的交互环境。如果想要更多训练样本，平台集成了基于大模型的泛化能力，自动调整灯光、天气、材质和物体位置——一个场景能扩展出大量变体，省去人工反复布置的麻烦。
![image](https://developer.qcloudimg.com/http-save/yehe-9547619/f55930ebf21be2a63520e6f69a856e3a.png)
**第三步：云端跑 Isaac Sim**
搭好场景后不用导出文件本地跑。Synthesis 基于 NVIDIA Isaac Sim 的 WebRTC 推流方案做了深度定制，搭了一套 Isaac Sim 集群，可以部署在公有云或私有云。仿真和数据采集人员浏览器登录就能加载场景、做交互、采数据，平台会监控每个 Isaac Sim 实例的状态并动态调度 GPU。
对团队来说，这意味着不需要给每个工程师配工作站，也不用担心 GPU 闲置。
**进阶用法：本地操作 + 云端同步采集**
如果是做遥操作数据采集，平台还提供了定制的通信组件，能把传感器数据（IoT、遥操信号）低延迟广播到集群里的每个 Isaac Sim 实例。一台终端操作，多个云端环境同步采集。
既不占本地算力，又能成倍提高效率。
### 3.6 完整的数据飞轮

除了仿真资产本身，Synthesis 还接入了真实工程世界中的多源异构数据：工程模型、GIS 数据、720 全景、IoT 数据、点云倾斜摄影、图档信息。
所有这些都可以汇入同一个仿真环境。
这才是一个完整的"数据飞轮"：
- **真实数据**提供物理世界的基准分布和锚点
- **Real2Sim（数字孪生）** 把真实空间、设备、流程转化为可仿真的数字环境
- **Sim2Train（仿真训练）** 批量生成任务、扰动、失败样本和长尾场景
- **Sim2Eval（仿真评测）** 做回归测试、安全性测试和鲁棒性测试
- **真机验证**在真实设备和场地中验证策略表现，反馈再回流到孪生体系

这条飞轮转起来，仿真和真机之间的差距才能越来越小。
![image](https://developer.qcloudimg.com/http-save/yehe-9547619/05643248f2bb57673f69d4f56659611e.png)
## 四、效果说话：ArtVIP 项目的实证

理论讲得再好，最后还是得看实验数据。
### 4.1 ArtVIP 是什么

ArtVIP 全名是 Articulated Digital Assets of Visual Realism, Modular Interaction, and Physical Fidelity for Robot Learning，是孪界参与建设的开源铰链资产数据集——216 个铰链资产 + 6 个全交互场景。
它有几个硬指标：
- **AI 顶会 ICLR 2026 接收**
- **Nvidia Isaac Sim 官方文档推荐的仿真资产库**（全球只有两家入选）
- **Hugging Face 累计下载超 10 万次**
- **EAI-100 年度具身智能十大数据集**
- 与北京人形机器人创新中心共同维护，持续更新

![image](https://developer.qcloudimg.com/http-save/yehe-9547619/e9125b79b77685657daa65541068d9c8.png)
### 4.2 ArtVIP 资产是怎么做出来的

ArtVIP 的资产构造方式很值得细看。
它能讲清楚"为什么孪界这条工具链做出来的资产，比公开数据集高一个档次"。
每个资产都是按"自顶向下的组装原则"构造的。以一个微波炉为例：
- 先定义**主体 body**（带 mesh 和材质）
- 再定义**门 door**（带 mesh，通过 revolute joint 与主体连接）
- 然后是**两个旋钮 knob A/B**（一个用 revolute joint，一个用 prismatic joint）
- 一个**按钮 button**
- 内部还有**灯 light**

![image](https://developer.qcloudimg.com/http-save/yehe-9547619/b6a3554b4892a219a9c1aab01c10d7ff.png)
每个组件之间的运动学关系、铰链类型、坐标系、碰撞体都被精确定义。最终输出三件套：**真实物体照片 → 数字孪生模型 → 语义标注**，三者严格对齐。
这种做法的结果是什么？看数据：
- **资产的三角面片数远高于 PartNet-Mobility 和 Behavior-1K**，意味着几何精度更高
- **视觉真实度**在 ArtVIP / Behavior-1K / PartNet-Mobility 三者中排名最高
- **CLIP 特征分布**显示 ArtVIP 资产的特征分布与真实世界数据高度对齐，而其他数据集（OmniGibson、Sim-OmniGibson）则明显偏离

### 4.3 关键实验数据

最有说服力的是迁移实验。研究团队用 Franka 机械臂做了四个真实世界任务的模仿学习实验：拉抽屉、开柜门、推拉书架门、关烤箱门。
![image](https://developer.qcloudimg.com/http-save/yehe-9547619/caa9ae1a0cfb7cbc0120d05dc63ff8e7.png)
**实验设置**：三种数据配置——只用真机数据（RO）、只用仿真数据（SO）、真机+仿真混合（RSM）。
**核心结果**：
- **数据分布与真实世界对齐度，比同类仿真资产提升 47%**
- **只用 ArtVIP 仿真数据训练**的 Diffusion Policy，零样本迁移到真实 Franka 机械臂做关门任务，成功率 **30%**
- **加少量真机数据混合训练**后，开门任务成功率跃升至 **80%**

![image](https://developer.qcloudimg.com/http-save/yehe-9547619/7d70acee23fcce70ef555aecfb7752b9.png)
这说明仿真数据不是只能"预训练"，而是能实打实地撑起最后一公里。在 ACT 和 DP 两种主流策略上，RSM（混合训练）的成功率在所有四个任务上都显著高于纯真机或纯仿真。
**也就是说：好的仿真资产 + 少量真机数据，能跑赢只用真机数据的方案。** 这对成本和效率都是数量级的提升。
### 4.4 ArtVIP 为什么能做出来

回到本文的核心论点：**为什么是孪界做出了 ArtVIP，而不是别人？**
不是因为算法多牛——开门关门这些任务，用的都是公开的 Diffusion Policy 和 ACT。差距在资产本身。
ArtVIP 的每一个铰链资产，都要经过几何重建、关节标定、材质映射、物理参数预设、碰撞体生成、语义标注、人在环验证这一整套流程。如果没有自主的资产生产工具链，靠人工一个一个做，216 个资产可能要做两年；有了工具链，效率高一个数量级，质量还更稳定。
而这条工具链的搭建，又依赖于背后十几年数字孪生引擎的积累、几十年真实工程数据的训练，以及顶级设计院的专业团队资源。**这是一条别人想抄都不容易抄的护城河。**
## 五、行业在动，方向已经清楚

不只是孪界一家在做这件事。
全国多地都在加速建具身智能训练场，北京亦庄、石景山、上海、广州、宁波、苏州、合肥都有项目落地。2025 世界机器人大会发布的"十大发展趋势"里，"物理实践、物理模拟器与世界模型协同"明确入选。更广的产业趋势上，NVIDIA、Apple、Pixar、Microsoft等科技巨头全都在押注 OpenUSD 作为三维场景描述与互操作中间层。
仿真合成数据，本质上是给物理 AI 准备一个能反复练习的世界。这个世界做得越接近真实，AI 走出实验室之后摔的跟头就越少。而要做出一个真实正确的世界，光靠图形学不够，光靠物理引擎也不够，还得有几十年的工程数据、几十年的标准规范理解、几十年的真实场景积累打底。
这有点像盖楼：
大家都关心楼顶上的景观和外立面，但决定楼能盖多高的，永远是地基下面那几十米看不见的桩。
仿真资产就是物理 AI 这栋楼的桩。

现在的 AI 已经能写代码、画插画、剪视频，水平都不低。但你让它指挥一个机械臂去开冰箱门、拧瓶盖、把杯子从桌上拿起来，大概率翻车。不是模型不够大，是它没见过这些场景！互联网上有几亿张猫的图片，但没人会专门拍一段“手指接触瓶盖时摩擦力如何分布”的视频上传。物理交互这件事，AI 在它现有的训练数据里根本找不到答案。

让 AI 学会“动手”，得先有一个能动手的世界

开发工程师

人工智能

物联网

硬件

AI在物理交互领域面临数据稀缺的困境，而孪界科技的Synthesis平台通过数字孪生技术解决了这一难题。平台基于真实工程项目积累，提供Sim-Ready仿真资产，具备完整物理属性和工程语义。其自动化工具链可将工程模型快速转换为OpenUSD等格式，支持云端仿真训练。ArtVIP数据集验证了仿真数据在真实任务中的高迁移成功率，为具身智能提供了高效、低成本的数据解决方案。

数字孪生

游戏引擎

回归测试

大数据

私有云

公有云

4核4G3M云服务器 新用户低至38元/年！

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

AI在物理交互领域面临数据稀缺的困境，而孪界科技的Synthesis平台通过数字孪生技术解决了这一难题。平台基于真实工程项目积累，提供Sim-Ready仿真资产，具备完整物理属性和工程语义。其自动化工具链可将工程模型快速转换为OpenUSD等格式，支持云端仿真训练。ArtVIP数据集验证了仿真数据在真实任务中的高迁移成...

让 AI 学会“动手”，得先有一个能动手的世界-腾讯云开发者社区-腾讯云

让 AI 学会“动手”，得先有一个能动手的世界

让 AI 学会“动手”，得先有一个能动手的世界

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐