➡️ 优必选发布Thinker-Sim具身智能仿真平台，以Real2Sim2Real为核心，把场景重建、数据合成、能力评测串成一站式闭环。Sim2Real gap是行业公开的痛，Thinker-Sim想先填窄这道沟，但验收标准不在发布会参数，在Walker S2进下一个工厂的适配周期。

文｜捉驿 • 栏目｜数字视线

先解释三个词，后面就不绕了。

Sim2Real gap：机器人在电脑仿真里练得再好，一到真实世界就掉链子，这个落差叫Sim2Real gap。

Real2Sim2Real：先把真实场景扫描搬进电脑，在电脑里练，再回真实场景验证。

Thinker-Sim就是干这个的。一份行业报告里有一组参照值：某测试设定下，仿真成功率89.4%，真实家庭场景跌到12.4%。

它说明落差存在，不代表所有机器人、所有任务都掉这么多，也不是优必选官方成绩单。优必选11月2日发布的Thinker-Sim，想先把“真实”搬进仿真，让机器人练熟，再回真实场景。

一句话：把工厂搬进显卡，把Sim2Real的沟填窄一点。

仿真千遍不怕试错成本，真机一次方见落地真章。

下次有人再问“机器人怎么学会干活”，你可以先问他一句：你猜是在真机上摔出来，还是在显卡里练出来？

◆ 仿真里89.4%，真机上12.4%，中间差的是什么

一份行业报告里引用了一组参照数据。

某测试设定下，仿真场景操控成功率89.4%，真实家庭场景掉到12.4%，中间差了77个百分点。

它不是统一基准，也不代表所有机器人、所有任务都掉这么多。

但它指出了一个行业术语：Sim2Real gap。

原因不复杂：仿真环境是理想化的，没有真实传感器的噪声，没有机械误差，没有每个家庭不同的光照、地面材质、家具摆放。

仿真里练一万遍，到了真机上，面对的是一万个没见过的变量。

优必选11月2日发布的Thinker-Sim，核心思路是Real2Sim2Real。

先把真实场景搬进仿真，在仿真里训练，再回到真实场景验证。

不是绕过Sim2Real gap，是先解决上游的Real2Sim——把“真实”高保真地搬进显卡。

这一步听起来简单，做起来难。

工厂产线的空间布局、设备位置、人员动线，都要三维重建；重建完了，还要按需加载机器人、设备、人员等前景资产；资产生成完了，还要保证物理属性正确，才能用于仿真训练。

Thinker-Sim的Thinker-GS重建算法和SimReady资产自动化管线，做的就是这三件事。

这组落差背后，是一笔可以直接感受到的账。

据行业拆解，真机遥操作小时成本可达仿真合成的10到数十倍。

下列区间为不同口径估算，仅作量级参照，不构成精确算式。

行业分析中常被引用的区间是：真机遥操作每小时500到1000元，无本体采集约200到400元，仿真合成可以压到20到50元。

单位是否含人工、折旧，不同来源口径不完全对齐，这里只用来说明“试错预算差一个数量级”，不做精确乘除。

如果你做机器人落地或产线适配，这篇值得看的是：它把“真机试错按台数乘场景数烧钱”，试着转成仿真流水线的边际成本。

■打个比方，这就像学开车。在驾校场地里练倒库，练一百遍都顺；上了真实马路，旁边突然窜出一辆电动车，手就慌了。仿真平台想做的事，是把真实马路上的各种“突然”，尽量搬进驾校场地里。■

◆ 一站式体系，省掉的到底是哪几步

Thinker-Sim发布的材料里，核心卖点是“一站式”。这个词容易空。

拆开看，它省掉的是三步。

第一步，场景重建。传统做法是工程师拿着激光雷达和相机去现场扫，扫完回来手动建模、手动标注、手动调物理参数。Thinker-Sim把这条链路自动化了：Thinker-GS做高保真三维重建，SimReady管线自动生成物理属性正确的资产，覆盖工厂、展厅等场景，适配90%以上的目标仿真场景。“目标仿真场景”指平台预设工业、商业模板覆盖范围内，不是任意真实家庭全量通用。

第二步，数据合成。传统做法是真机跑数据，一台机器人一天跑十几个小时，能采到的有效数据有限。Thinker-Sim用自研渲染引擎和大规模并行架构：

渲染，效率提升67.3%；
吞吐，单节点8GPU一天合成390小时仿真数据；
通信，效率提升超过400%。

数据生产从“手工采集”变成“流水线合成”。以上为优必选11月2日官方披露数据。

第三步，能力评测。传统做法是每个团队自己定评测标准，A团队测抓取，B团队测导航，结果没法横向比较。Thinker-Sim做了统一的仿真评测体系，覆盖感知、导航、操作，支持多维度随机化。评测口径统一了，能力才有可比性。

说白了，一站式省掉的是三步：建场景、造数据、评能力。

三步串起来，才是“一站式”的含义：不是多了一个工具，是把三件事从分散的手工作业，变成一条流水线。

◆ 量产倒逼的基础设施，验收标准不在发布会

为什么是现在做仿真平台？看一组时间线就清楚了。

优必选Walker S2自2025年11月量产交付，2026年上半年交付约600台（大和等口径）。

公司公开产能规划指向2027年万台级，2026年为中段爬坡，产能目标不等于当年交付。已进入极氪、空客等工厂。

2026年被业内视为人形机器人“量产元年”。

量产的瓶颈不在“造”，在“教”。

每台机器人进不同工厂，都要重新适配：不同的产线布局、不同的物料位置、不同的操作流程。真机试错的成本，按“台数×场景数”放大。

600台机器人进10个工厂，就是6000次适配。每一次适配都靠真机试，试不起。

再看供需结构。

截至2026年初，全球合规可用的真实物理交互数据总量仅约50万小时，而训练一个具备通用泛化能力的具身模型，业内普遍认为至少需要千万小时级数据。

不同机构对“通用具身模型”的定义不同，数字仅作供需张力示意，不是统一统计口径。

野村证券的估算更具体：在年出货约10万台的情景下，行业年度数据需求约1000万小时。

真机数据是“金标准”，但供给远远不够。

仿真不是锦上添花的选项，是缺口面前必须补上的那一块。

NVIDIA技术博客曾以Walker新本体的大规模并行训练为例，说明非训练损耗的问题。

优化前，50小时墙钟时间里有效训练约33.5小时；优化后约49.0小时，时间利用率提高约31个百分点。

这是第三方算力调度案例，不等同Thinker-Sim已交付的实测报表。

但它说明一件事：损耗来自环境重置、数据搬运、评测调度这些非训练环节，压缩这些环节的时间和成本，本身就是工程价值。

真实世界的工厂、家庭、商场、医院，场景是无限的，真机试错的成本是有限的。

仿真平台的价值，不是替代真实，是把“无限场景的试错”压缩到“有限成本”里。但压缩的效率有多高，不看发布会参数，看下一个工厂的适配报表。

Thinker-Sim的差异化，不在单项参数碾压Isaac Sim或MuJoCo。

Isaac Sim强在照片级渲染和GPU大规模强化学习训练，MuJoCo强在接触精度和控制理论。

Thinker-Sim切的是另一块：一站式Real2Sim2Real闭环，加上零代码和自然语言交互。

零代码降低的不是“技术门槛”，是“工程协作门槛”——让非算法岗的产线工程师也能参与场景构建和评测。

你可以这么理解，仿真平台不是替代真实，是把“无限场景的试错”压缩到“有限成本”里。

Thinker-Sim的打法是，先把仿真训练做成可交付的基础设施，再反哺真机适配。这不是“又一个仿真器”的故事。

仿真平台好不好，不看参数看适配周期

把工厂搬进显卡，不是为了在显卡里造工厂，是为了让机器人在进真实工厂之前，少摔几次。

摔得少，适配快，量产才跑得动。

仿真千遍不心疼，真机一摔全是钱。
显卡里面建工厂，适配周期说了算。

如果你是产线工程师，你更关心仿真平台能不能“一键建场景”，还是更关心它评测出来的结果跟真机差多少？如果你是算法岗，你选哪个？

#优必选ThinkerSim# #Sim2Real#   #ThinkerGS# #SimReady# #WalkerS2#  #仿真与量产#

【免责声明】 ：本文部分配图源自公开渠道或CC0协议素材，仅作行业交流与产业参考使用。如涉侵权，请联系后台处理。本文仅做行业科普与实操分享，不构成任何投资、消费决策建议。文中数据及案例均来自公开信源，仅供参考，具体以实际为准。