引言：机器人学习的“数据饥渴”

在过去的一年里，Vision-Language-Action (VLA) 模型（如 RT-2、${\pi }_0$）展现了令人惊叹的通用能力。然而，这些模型的背后是极其昂贵的代价：大规模真实机器人数据的采集。

与训练 LLM 的文本数据不同，高质量的机器人操作数据（Trajectory）极其稀缺。依靠人工遥操作（Teleoperation）采集数据，不仅效率低、成本高，而且很难覆盖长尾场景。

这就引出了一个核心问题：我们能否利用仿真引擎（Simulation）生成无限的高质量数据，来替代昂贵的真实数据？

以往的答案往往是“不仅能，但不够好”。因为 Sim-to-Real Gap（虚实鸿沟）始终存在。但今天介绍的这篇来自上海人工智能实验室与北京大学的最新工作 InternData-A1，给出了一个颠覆性的结论：高质量的合成数据，在预训练阶段完全可以媲美、甚至将来可能替代真实世界数据集。

论文题目：InternData-A1: Pioneering High-Fidelity Synthetic Data for Pre-training Generalist Policy
论文链接：https://alphaxiv.org/abs/2511.16651
数据链接：https://huggingface.co/datasets/InternRobotics/InternData-A1
项目主页：https://internrobotics.github.io/interndata-a1.github.io/

---

1. InternData-A1 是什么？

InternData-A1 是目前规模最大、保真度最高、任务最丰富的机器人操作合成数据集之一。

核心数据指标

让我们先看一组震撼的数字：

• 规模：包含 63 万 条轨迹，总时长 7433 小时。
• 多样性：
  • 4 种机器人构型：不仅有单臂（Franka），还有双臂（Aloha, ARX, Genie），这一点非常关键，因为双臂协作数据在开源界极缺。
  • 70 个任务 & 227 个场景：覆盖了从简单的抓取，到复杂的倒水（流体）、折叠衣服（柔性物体）、开关微波炉（关节物体）。
• 物理真实性：它是首个在 VLA 规模上同时涵盖刚体、关节体、流体和变形体的数据集。

相比于之前的 ManiSkill2 或 RoboCasa，InternData-A1 不再局限于刚体抓取，而是真正迈向了复杂的物理交互。

---

2. 它是如何生成的？自动化的流水线

生成 60 多万条高质量数据，靠人工手动摆放场景是不可能的。作者团队设计了一套完全解耦、高度自动化的生成pipeline。

这个pipeline的核心设计哲学是 “组合性”（Compositionality）：

1. 原子技能（Atomic Skills）：系统不直接定义复杂的“做三明治”任务，而是定义“抓取”、“移动”、“倾倒”、“按压”等 18 种基础技能。
2. 任务编排：通过配置文件，像搭积木一样将这些技能组合成复杂的长程任务（Long-horizon tasks）。
3. 极致优化：为了解决渲染慢的问题，他们将 运动规划（Planning） 和 视觉渲染（Rendering） 解耦。规划失败的轨迹直接丢弃，不进行渲染，从而节省算力。
   • 效率：在 8 张 RTX 4090 上，每天可生成 209.7 小时 的数据。
   • 成本：每条轨迹的生成成本低于 0.003 美元。

---

3. 核心验证：合成数据真的能打吗？

这是这篇论文最硬核的部分。为了验证合成数据的有效性，作者做了一个极具挑战性的对比实验：

• 红方：官方的 ${\pi }_0$ 模型（使用 $\pi$-dataset，这是目前公认最强的真实世界机器人数据集，但未开源）。
• 蓝方：使用相同架构，但仅使用 InternData-A1 合成数据从头预训练的模型。

实验结果

结果令人惊讶：在真实世界的测试中，蓝方（合成数据）与红方（真实数据）打成了平手！

1. 常规任务：在垃圾分类、递瓶子等任务上，InternData-A1 模型甚至略优于 $\pi$-dataset。
2. 灵巧/长程任务：在折叠衣物、拧瓶盖等极具挑战的任务上，纯合成数据训练的模型展现了极强的泛化能力，成功率与真实数据训练的模型相当。
3. 对比开源数据集：相比于使用 Open X-Embodiment (OXE) 或 RoboCasa 训练的模型，InternData-A1 呈现出碾压式的优势（平均提升 50% 以上）。

这一结果打破了业界的刻板印象，证明了只要仿真做得足够好，合成数据完全可以替代真实数据进行 VLA 的预训练（Pre-training）。

---

4. 深度洞察：Sim-to-Real 的“汇率”是多少？

如果我们想用仿真数据替代真实数据，具体的比例是多少？作者进行了一项有趣的定量分析。

实验表明：

• 对于简单任务（如擦桌子）：200 条 仿真数据 $\approx$ 200 条 真实数据。
• 对于复杂任务（如需要语言理解的抓取）：1600 条 仿真数据 $\approx$ 200 条 真实数据。

这意味着，Sim-to-Real 的数据 “汇率”大约在 1:1 到 8:1 之间。考虑到仿真数据的生成成本几乎为零，这个“汇率”是非常划算的！只要我们能以低成本生成海量数据，就能弥补真实数据的不足。

此外，作者还发现，并不需要 1:1 地复刻真实场景。只要摄像机视角和机器人构型对齐，广泛的域随机化（Domain Randomization）（如随机改变光照、桌子纹理）足以让模型忽略仿真与现实的视觉差异。

---

5. 总结与展望

InternData-A1 不仅仅是一个数据集，它更像是一个风向标。它告诉我们：

1. 合成数据的主流化：在 VLA 时代，合成数据将不再是“配菜”，而是“主食”。
2. 开源的价值：鉴于 $\pi$-dataset 是闭源的，InternData-A1 的开源将极大地降低具身智能研究的门槛，让没有大规模机器人集群的实验室也能训练 SOTA 级别的模型。
3. 多模态物理交互：未来的仿真必须包含流体和柔性物体，单纯的刚体抓取已经不足以支撑通用的具身智能。

项目开源情况：作者承诺将开源数据集以及数据生成管线。对于想要通过仿真扩展数据规模的研究者来说，这绝对是一个值得关注的资源。

---

如果您对这篇论文感兴趣，欢迎在评论区讨论。您认为合成数据最终能彻底取代真实数据的采集吗？