真实数据 vs 仿真数据：一笔诚实的成本账

一座 GPU 农场可以在一夜之间生成一百万次抓取尝试，每一次都带着完美的标注，成本大约只是电费。与一个人类每次小心翼翼地采集一条轨迹相比，仿真看上去已经赢了。只是账单来得晚一些，而且是用另一种货币结算的：现实差距（reality gap）。

仿真数据不是免费的。它生产起来便宜，信任起来昂贵；真实数据则恰好相反。把这笔账算清楚，而不是报一个"每样本边际成本"就打住，才是区分一套能落地的训练策略和一套卡在 sim-to-real 差距里的策略的关键。

我的论点很简单。即便一个项目重度依赖仿真，它依然需要一份真实语料来锚定并度量那道差距；假装不需要，正是团队白白烧掉一年的方式。

仿真诱人的经济学

再生成一个仿真回合的边际成本接近于零。真值标注是免费附赠的：位姿、接触、分割，绘制场景的仿真器全都知道。危险或罕见的情形可以安全地大量生成，而域随机化（domain randomization）又通过在每次运行中扰动纹理、光照和物理参数来拓宽覆盖面。像 NVIDIA GEAR Lab research 这样团队在大规模仿真与迁移上的工作，正建立在这些优势之上。纸面上，供给曲线几乎是平的：想要十倍的数据，就花十倍的算力。

现实差距是一项成本，而不是脚注

接触物理、摩擦、可变形材料和传感器噪声，恰恰是仿真器建模得最差的东西。一个过拟合到仿真器怪癖上的策略，在真实硬件上会失败，有时还败得很惨。缩小这道差距要花真正的工程：系统辨识、更好的物理引擎，以及对随机化范围无休止的调参。而且你依然需要真实数据，来检验自己究竟有没有把它缩小。Physical Intelligence 在真实操作上的工作，以及像 DROID 这样的真实遥操作数据集，都在提醒我们：硬件是最终的裁判，而且它不按曲线打分。

各自真正的强项

仿真胜在运动控制与全身强化学习、大规模并行、场景多样性，以及那些你绝不会在真实世界里搭建的罕见或危险事件。真实数据胜在富接触操作、可变形物体、传感器噪声的真实统计特性，以及那些没有哪个奖励函数想到要指定的、人类才有的小策略。像 Open X-Embodiment 这样聚合起来的真实语料之所以宝贵，正因为它汇集的是跨多种机器人的真实行为，而不是合成轨迹。

诚实的总成本

仿真的隐性成本很少被摆上幻灯片。总得有人来制作 3D 资产、搭建场景、调校物理，还要跑那份你省不掉的、用真实数据做的验证。真实数据也有自己的隐性成本：采集基础设施、操作员、清洗与标注。把两栏都加起来，诚实的结论是它们互为补充。真实数据不是等仿真跑通后就能删掉的一个条目。它是给仿真提供接地的锚，并告诉你仿真的产出究竟有没有意义。

仿真能把你已经信任的数据成倍放大，却造不出你从未拥有过的信任。

该怎么分配预算

把仿真数据当成免费的，是这张清单上最贵的错误。正确的问法不是"真实还是仿真"，而是"一项技能的哪一部分可以在仿真里安全地放大，哪一部分必须在真实接触中接地"。运动、导航和粗略的场景多样性，在仿真里很划算；富接触的灵巧操作、可变形物体和传感器噪声，仍然属于真实数据。把两者摆在同一张成本表上，你就不再把它们看作对手，而会看成同一条流水线的两端。