九游会欧洲杯

 「50 个期间赛谈，50 家创业公司」是一档聚焦前沿科技领域立异力量的深度探索栏目。咱们以人人视线扫描新兴期间趋势，每期深入一个细分期间赛谈，挖掘最具颠覆后劲的创业公司。呈现期间的生意价值，展示立异者的时尚姿态。

本文为第五篇。

在东谈主工智能赶紧演进确当下，数据的价值变得愈发枢纽。以大模子和具身智能为代表的新一代 AI 系统，正靠近传统数据网罗方式的极限。

MIT 等机构预测，若按现时速率发展，东谈主类生成的的确数据（尤其是高质料文本数据）将在 2-8 年内被铺张殆尽，到 2026 年可能用完互联网可用文本数据，而具身智能更是对数据呈指数的级推广需求，达到了 EB（1EB = 1024PB）级别。

濒临"数据荒"的危机，合成数据（Synthetic Data）被视为冲破瓶颈的枢纽钥匙，也成为业界共鸣的处理决策。英伟达科学家 Jim Fan 曾指出，改日 AI 模子的锻练数据，将有望由合成数据提供万亿级 token 撑持。

合成数据（Synthetic Data）是一种效法的确宇宙数据的非东谈主工创建的数据，它是由基于生成式东谈主工智能期间的策画算法和模拟创建而成。早在 1993 年，闻明统计学家 Donald Rubin 就在论文中建议了合成数据的认识。频年来，跟着 ChatGPT 的火爆和生成式东谈主工智能期间的发展，合成数据认识受到越来越多的关切。

比较传统的的确数据网罗方式，合成数据的上风不仅在于成本低、效率高，还包括无需标注、更强泛化性等特色。

Gartner 预测，到 2030 年合成数据将成为 AI 模子的主要锻练开端，阛阓畛域瞻望零碎 86 亿好意思元。其应用场景普通，涵盖自动驾驶、医疗健康、金融、零卖等多个领域，在普及模子性能、保护狡饰、系统测试等方面推崇着紧要作用。

人人科技巨头已纷纷布局：英伟达推出 Omniverse Replicator 生成高精度 3D 仿真数据，并收购合成数据公司 Gretel；微软开源 Synthetic Data Showcase 用具，处事于医疗和金融场景；Meta 则通过 Llama 3 自生成数据优化代码生成才略。

在国内，一批新兴合成数据企业也正在崛起。2023 年，专注具身智能的合成数据公司——光轮智能应时而生。公司创举将生成式 AI 与仿真期间协调，用以构建大畛域、可交互、高保真的锻练场景，重塑自动驾驶与具身智能的数据体系。

团队成员来自英伟达、Cruise 等人人首先企业，具备 AI、仿真、合成数据工程化落地等多领域交叉布景。目下，已处事举例英伟达、DeepMind、Figure、星河、智元多家国际头部客户以及人人高校实验室。

值得一提的是，竖立短短两年多时候，光轮智能已完成五轮融资，投资方包括北京市东谈主工智能产业基金、经纬创投、奇绩创坛、辰韬本钱等。

近期，咱们对话了光轮智能期间生态持重东谈主甘宇飞，围绕"合成数据如何开动具身智能"和"行业期间挑战"伸开深度探讨。

以下为创投家与甘宇飞对话全文，略有删减：

创投家：目下合成数据在机器东谈主、自动驾驶等领域的使用占比如何？哪些场景会用到比较多的合成数据？

甘宇飞：在自动驾驶领域，合成数据的使用比例约略在 30% 至 40% 之间，而在具身智能领域，这一比例则高达 80% 至 90%。

具身智能中的数据网罗成本很高，需要搭建实景环境、部署机器东谈主并进行日常珍视，效率低。而合成数据不错通过仿真的方式快速构建种种化场景，成本更低、效率更高。

目下合成数据在具身智能的不同阶段，包括预锻练、后锻练、评测目下都有很大的数据缺口，具身智能产物研发的全人命周期都需要用到多半的合成数据。

创投家：生成式 AI 与仿真期间的协调对合成数据行业的有哪些促进作用？改日 3-5 年的期间演进标的可能是什么？

甘宇飞：AI 图像生成和仿真期间各有优劣。生成式 AI 擅长视觉传神度，但在空间圭表和物理阻抑方面清寒精准限制；仿真期间则强调物理一致性，但在的确感和生见效率上逊色一些。

将两者和会，是咱们觉得最具远景的发展标的。举例，神经渲染期间正渐渐熟识，它协调 AI 视觉生成与仿真建模才略，约略凯旋输出具备的确感和物理精度的 3D 场景与金钱。

此外，改日的合成数据应当更"的确"，更"极点"，更"高效"——能模拟现实中荒僻却枢纽的长尾事件，匡助 AI 模子普及鲁棒性。

创投家：为什么纯 AI 生成的合成数据不能行？

甘宇飞：因为纯 AI 生成数据可能会让模子"自我轮回崩溃"。这在早期接洽中就已被阐述，比如 GPT 会在多轮纯合成锻练下崩溃、自动驾驶模子在纯合成数据锻练后会遴选危急而积极的驾驶作风。当模子用自己生成的数据不休锻练我方时，缺欠会渐渐放大，数据散播也会偏离现实，最终导致模子性能下落致使崩溃。

要思保持模子的透露性与现实对都，必须引入东谈主类示范或的确宇宙的"锚点"，让 AI 陆续宇宙的实践。这是合成数据构建中不能清寒的一环。比如特斯拉会欺诈五星司机的数据迭代自驾算法，ChatGPT 会找各个领域大众来作念 RLHF（东谈主类响应强化学习），而在具身领域，光轮使用东谈主类大众的示范动作来算作合成数据的开端。

创投家：合成数据的 "的确性" 如何量化评估？现时行业在视觉 - 物理一致性等方面的期间难度和挑战是什么？

甘宇飞：咱们将的确性评估分为三层：

首先是量化搜检，通过自动化用具逐项检测物体属性是否妥当的确宇宙，举例瓶子的心情、分量、材质、贴纸、旋盖标的等。

其次是主不雅判别，借助判别模子评估合成数据是否饱和传神，计算是让模子"分不清"真假。

终末是效率考证，最中枢的一步是实战考证，看合成数据是否真确普及了模子成果。举例在长尾场景中的识别准确率是否普及，是否灵验撑持客户业务计算。

创投家：具身领域的合成数据比较自驾领域的合成数据有什么不同的所在？

甘宇飞：具身智能是更复杂的"多任务交互系统"，其对数据的需求远超自动驾驶。

主要体当今四个方面：

首先是数据量级更大，自动驾驶数据为 PB 级，而具身智能则需要 EB 级数据。举例在家务场景中，机器东谈主需处理叠被、洗碗、开门等复杂交互，任务维度和场景复杂度远高于自动驾驶。

其次是交互维度更丰富，尤其是物理交互，自动驾驶追求"无交互"，即尽量幸免碰撞。而具身智能必须主动与宇宙互动，举例持取易碎玻璃或柔嫩衣物，这对合成数据的物理属性条目极高。

然后是适配难度更大，自动驾驶车辆相对设施化，而具身机器东谈主千姿百态，从东谈主形机器东谈主到机械臂，形态与要津结构互异，数据生成必须因机而异。

终末是数据积存的阶段不同，不同于自动驾驶，具身智能仍处于起步阶段，尚未酿成大畛域的确数据积存，因此合成数据在这一阶段上演着更枢纽的脚色。

创投家：具身场景中的确数据与合成数据的最好实践占比诀别是若干？实践普及成果如何？

甘宇飞：把柄咱们的实践讲授与行业接洽，现时的确数据与合成数据的最好组合比例大致为  1:10，诚然，这一比例也会把柄具体应用场景而动态换取。

更紧要的是，在引入合成数据后，模子性能闲居能罢了权贵普及。比如在物体检测、交互识别等任务中，合成数据的加入可带来平均 30% 控制的性能增益。这不仅体当今精度上，更体当今模子对复杂环境的泛化才略上。

简而言之，合成数据正在成为构建高效具身智能模子的枢纽加快器。

创投家：行业内部有纰漏实和纯合成的道路之争，你们如何看待？

甘宇飞：在的确名堂中，其实并不存在所谓的"道路之争"——成果优先，弥远是期间决策的第一准则。

实践中，羼杂使用的确与合成数据已被诠释注解是最优解。举例在英伟达最新开源的东谈主形机器东谈主基座模子 GR00T N1 中，选拔"羼杂锻练"（co-training）的计策，其性能赫然优于纰漏实或纯合成决策。其中光轮为此提供了多半合成数据金钱，咱们也将持续为后来续 Nx 系列模子提供数据撑持，并与行业分享咱们的讲授。

真确能落地的决策，往往都是多种期间技巧协同演进的末端。在光轮，咱们选拔的是"羼杂锻练计策"——把柄模子锻练阶段和任务需求机动换取的确与合成数据比例，罢了效率与成果的最好均衡。

创投家：联系于其他的提供数据处理决策的企业，光轮智能在期间上的差异化上风是什么？

甘宇飞：咱们宝石从"物理的确感"动身打造合成数据。高精度物理仿真才略是光轮的中枢上风。咱们提供的数字金钱具备分量、质地、触感、逻辑交互等物理属性，约略的确回答机器东谈主在现实中的动作响应。

其次，强调东谈主类示范数据的价值。唯有让模子看到东谈主类如何完成任务，它能力更深远地陆续意图、计策和行为逻辑，从而构建更强的领悟才略。

为了普及数据的使用效率和模子的成果，咱们觉得还应该高度嗜好数据的泛化性。通过对仿真环境中的多维度限制，咱们能主动生成遮蔽不哀怜境、角度和复杂度的任务数据，从而处理具身智能中的" real2real gap "问题，也便是"的确宇宙中数据之间的鸿沟"。

创投家：目下光轮智能的主要客户群体是哪些？能否分享 1-2 个典型案例。

甘宇飞：咱们的客户包括广漠国表里顶级机构，如英伟达、DeepMind、Figure AI  以及多家一流高校实验室。

举例，在英伟达开源东谈主形机器东谈主模子 GR00T N1 名堂中，咱们为其提供了全套合成数据撑持，包括遥操作行为数据、仿真场景与交互金钱，匡助其在复杂物理交互任务中的模子锻练。

在国内，咱们为智元提供了具备高保真物理属性的仿真金钱，智元在此基础上构建并发布了公开数据集  Agibot Digital World，为行业提供了高质料的具身智能锻练资源。

其他客户还包括字节进步、星河等，只消需要使用高质料物理交互数据的公司基本上都是咱们的客户。

创投家：光轮最近在对外方式强调 real2real gap，这是什么有趣，怎样陆续？

甘宇飞：在和客户实践相助中咱们发现，好多时候场景之间的散播差异即 real2real gap 很大，而这点是常常不被嗜好的。

咱们觉得需要有计划到数据之间的 real2real gap，这点在的确数据中很难通过靠摆拍网罗来处理，最好的主张便是欺诈仿真期间，快速泛化场景从而通过合成数据处理这一问题。协调数据坐褥效率、数据泛化性等维度看，当下合成数据便是具身智能的最优弃取。

创投家：目下光轮智能的仿真金钱和场景遮蔽到了哪些场景？哪些场景是客户比较关切的？

甘宇飞：咱们的仿真场景涵盖了居家、商超、工业、实验室、农业、水域等多个场景，且羁系地域种种性的回答。

以居家场景为例，国内厨房闲居面积较小、家电紧凑，而外洋家庭厨房则宽敞、开采种类种种（如双开门雪柜、咖啡机、旋钮式微波炉等）。

这种高度定制化的仿真才略，使咱们在跨国公司和不同地区的客户中取得了细密口碑。

创投家：目下仿真合成数据领域还有哪些挑战是亟待处理的？你们目下进展如何？

甘宇飞：目下最大的挑战，是扫数行业仍处在早期发展阶段，尤其在数据设施化与枢纽期间攻坚方面。

首先，数据设施的缺失狂放了行业协同效率。光轮基于多年业务积存，制定并施行了一套设施数据方法，正在被越来越多客户遴选。

其次是期间层面，柔体仿真与触觉仿确实目下要点攻坚标的。举例，机器东谈主在叠穿着或牵线搭桥这类抽象任务中，对柔性物体的模拟与触觉响应建议极高条目。这不仅波及到软件仿真，还需要硬件协同。

目下咱们已在这两个标的持续插足，繁重在的确回薪金杂交互场景的同期，普及模子锻练的上限与透露性。

（本文首发于钛媒体 App九游会欧洲杯，作家｜郭虹妘，裁剪｜陶天宇）