先抛一个问题：你觉得仿真会不会被世界模型取代？

前两周，我们组了一个仿真和世界模型的线上局。把国内做仿真合成数据硬核的一桌人请到一起：学术界、具身工业界、自驾都在。一整晚，我们探讨了六个问题：

• 高质量的仿真数据，到底怎么定义？

• 近两年，仿真数据迎来了哪些突破？

• 世界模型是否改变了仿真数据的生产逻辑？仿真数据能不能成为数据金字塔的「第 1.5 层」？

• 为了让生成的数据不违背物理规律，大模型端和工程端各自做了什么？

• 「少量人类示范 + 大规模仿真扩增」，会不会成为默认的数据生产范式？

• 新的训练范式，又会长成什么样？

聊到最后我们发现，这桌人其实分成了三个阵营，对「世界模型会不会干掉仿真」这个问题，给出了三种完全不同的答案。

而最扎心的依据，来自一个做了十年仿真的人。他居然盼着自己这一行早点被干掉。这句话先按下，我们在后面在展开。

下面一步步来。

01.

具身工业界：把视频模型当世界模型，是左脚踩右脚

现在很多做世界模型的人，都在偷换概念。

把「视频生成模型」直接当成了「世界模型」。而在工业界看来，这一步的概念偷换，是最大的误会。

群核科技的首席科学家唐睿，是本场圆桌里最早做渲染引擎的人。他对「视频模型能不能直接当世界模型用」这件事，态度很硬。

直接甩了八个字「左脚右脚，相辅相成」，然后给了一个我们觉得全场最好用的反例：钟摆。

你把一个球拉到眼睛边，松手，它荡过去、再荡回来。只要你没施力，它绝对打不到你的脸；可你稍微加一丁点力，它回来就撞上你了。

为什么？因为视频，是把三维物理世界「坍塌」成了二维，唐老师说甚至只是「2.5 维」的画面。你看到了表象（appearance），但质量、摩擦力、刚体运动这些高维的物理信息，在坍塌的过程中消失了。

用抖音、YouTube 上的视频训出来的模型，画面足够惊艳，却缺了真实世界的传感器信号，也就没有能「对齐物理」的锚（grounding）。

简单来说，视频模型学会的是「世界长什么样」，并非「世界如何运转」。

他这句话基本给「仿真要被取代」的说法踩了脚刹车：

所以指望视频模型自己学会物理，在他看来等于「想着左脚踩右脚上天」。而仿真可以支持长程时空、还能无限 scale up 的「物理记忆」，短期内还无法被替代。

唐睿给的解法不是二选一，两者互为先验：把仿真系统放在中间当一架梯子，视频基模负责知识面和画面，仿真负责稳定物理记忆，顺着梯子往上爬，而不是指望谁单脚起飞。

最近群核科技新入选 ECCV 2026 的论文，正是这架「梯子」的工程落地：群核科技联合 Adobe、NVIDIA 等机构共同推出的真实感具身智能仿真器，开放超过 1.4 万个原生接口，能以照片级真实感同步输出深度图、语义分割等多模态训练数据。

如果说群核的答案是「两个路线如何融合」。那大晓机器人给的，则是「怎么从模型底层就把物理规律融合进去」。

这也正好回应了我们关心的问题：为了不让生成的数据违背物理规律，大模型端到底该做什么？

大晓的做法是从架构上改进。晋碧瑄提到，大晓摒弃了「用一个通用视频生成模型、再外挂一个控制模块」的拼接式架构。这种拼接最大的毛病是「表征错位」：负责画面的模块和负责动作的模块各说各话，生成数据时动作和环境对不上，物理交互的细节就容易失真。他们的解法是让两套系统共享一套注意力机制，从设计之初就把「理解、生成、预测」融合在一起。

在训练上，大晓把预训练拆成三个阶段：第一阶段用百万小时级的全量数据（含大量能表征物理规律的数据）；第二阶段用万小时级、以人为中心的数据，让它学习人类的视角和任务的思维链；第三阶段才用真机加仿真数据，做状态和动作的联合训练。

大晓开悟世界模型（Kairos）

这个三阶段范式，其实回答了我们关心的另一个问题：「少量人类示范 + 大规模仿真扩增」会不会成为默认范式？大晓这条「以人为中心 + 仿真扩增」的路子，已经是这个范式相当完整的雏形了。

连一向低调的 51World，侯涛老师也补充了一句：在 AI 时代，仿真的地位并没有降低，而是在不断上升。从过去只做评测，到现在深度参与合成数据和闭环流程。

把这个阵营的话拢一拢，你会发现他们的立场高度一致：世界模型是方向，但不是替代品。真正靠谱的路，是融合。

听到这，你大概会觉得仿真挺安全。但下一桌人，就没这么客气了。

02.

学术界：数据的真实和位置，

仿真两头都不占

具身工业界忙着把仿真接进大 pipeline，学界却在追问一个更本分的问题：仿真数据，到底够不够资格？

上海科技大学的顾家远教授，做单目3D这类研究，对资产「真不真」敏感到骨子里。他说：设计的仿真资产未必反映具身智能应用所需的复杂度。

国外某公司经典的「干净」场景

模型训练上也会有问题。太干净、太理想的合成场景，模型很容易就认出「这是假的」，甚至干脆过拟合。

更棘手的是另一面：仿真数据里普遍缺失败案例。他提到 robotwin 里有个很经典的例子：抓可乐瓶，瓶子倒了，机器人从没见过这个姿态，于是怎么都抓不起来。

一句话，在学界看来，仿真数据从根子上就带着点「假」。

北大的田洋，是合成数据集 InterData-A1 的作者。这是国内少数被拉去和闭源真机数据正面掰手腕、还被好几家机器人公司真正采用的仿真数据集。

按道理，他其实该给仿真站台。可他给仿真划的线，有些出乎我们的意料。

这其实回答了我们最关心的问题：仿真数据能不能当数据金字塔的「第 1.5 层」？学界的答案基本是：能，但也就是 1.5 层。

它垫在真机数据下面打底、做数据增强是称职的，可越往上、越接近真机部署那一层，它的位置就越尴尬。

省不到最真，也站不到最后。这就是学界眼里的仿真：一个价值明确、但注定「过渡性」的角色。

到这儿，仿真的处境已经从「不可替代」降了一档。

但真正把温度降到最低的，是圆桌上唯一一个自驾行业的专家。

03.

自驾行业：仿真的价值会持续走低

白宇材是这场圆桌里唯一还在深耕自动驾驶的专家。

我们特意把他请来，是想让具身听听「过来人」的经验。自驾比具身早发展几年，它踩过的坑，对具身有很强的借鉴意义。

他上来就给了一句不留情面的判断：在自驾圈子，合成数据的价值被反复质疑，原因就一个：真实数据已经足够便宜了。

他把自驾对仿真的需求分成三个部分：

• 冷启动阶段数据少，仿真用得上，这时候「长得像、sim-to-real gap 小」就是质量的核心；

• 可一旦到了数据爬坡期，几万、几十万、几百万条真实数据低成本堆量，「其实不太需要仿真数据」；

• 非得等遇到瓶颈、开始做极端场景（corner case）了，仿真才被重新想起来。

简单来说，仿真不是一直有用，而是在实车无法cover的时候才有用。它的价值不是恒定的，而是随真实数据的成本反向浮动：真实数据越便宜，仿真就越边缘。

自动驾驶闭环仿真示例

不过他也不是一味看空。这两年基于纯生成类的方法，也让他重新思考自动驾驶3DGS仿真的必要性。

既然生成已经足够好，我给layout就能拿到对应的场景，那我为什么还要费劲去做高斯重建？他现在的落地心法是一句很实用的话：模型负责上限，规则负责下限。

前不久做出海项目、要过欧盟法规，两周内得做出 5000 帧很 corner 的海外场景（比如某种特定的自行车灯），就靠生成式逻辑快速出数据、再用规则兜住底线，很快交付了。

自驾过来人经验，对具身是个不太中听的提醒：别把仿真当成永久的护城河。

当真实数据的采集成本一路下探，仿真的成本效应，会第一个松动。

而白宇材自己也判断，自驾「要不就是做完了」，下一波人多半会涌向具身。

三个阵营讲完，仿真的处境像是被一路降了温：工业界说它不可替代，学界说它是过渡，自驾说它会边缘化。

那么，回到最开始那个问题：传统物理仿真，到底会不会被干掉？

写在最后

现在可以聊聊我们的看法了。

那个做了十年仿真、却盼着仿真被干掉的人，是顾家远教授。聊到仿真的终极形态时，他把票投给了数据驱动。他更想看到的结局是，视频生成模型靠数据积累转起飞轮，最后达到的上限，超过传统物理仿真。

他甚至半开玩笑：如果我们这条路做不下去了，那就去开发游戏吧。他还引用王贺的说法佐证这条路的尽头：世界模型生成数据这件事，本质是「鸡生蛋、蛋生鸡」，当你攒够数据训练出一个能用的世界模型，你手里基本也就有了足够的数据，可以直接去训策略。

这就是业内对仿真最真实的看法。

把三个阵营的答案摆到一起看，你会发现一件事：他们口径完全不同，过渡、梯子、边缘化，但箭头都隐隐指向同一个方向。

传统物理仿真那种「你想造仿真数据就绕不开我」的独占地位，快站不住脚了。

我们的判断是：拉长到三五年看，路线之争的终点，大概率是生成式的这条路，一点点蚕食、甚至接管传统物理仿真今天占据的位置。 顾家远盼的那一天，未必不会到来。

但这也并不是说仿真就没有未来，毕竟一些独角兽的估值已经到了20亿美元，资本是不会盲目站队的。

所以真正在发生的，从来不是非黑即白的「替代」，而是仿真被重新定位、，两条路线在加速融合。

写到这里你大概能体会到，这一晚的圆桌交流，底色一点都不悲观。一个方向，能被自己人挑剔、较真到这个份上，其实也说明它走过了被概念吹捧的阶段，进了真刀真枪打磨的黄金期。

这也是我们特别想把这样一场圆桌完整记下来的原因。

当下的具身和物理AI，能聊的东西太多，但能真正讲透的人，不过。

很多硬核的判断，就是在这样一桌人的你来我往里闪一下，然后散场，可能无人在意。

我们想做那个接住它的人，也想找到更多和我们志同道合的朋友。