盖世具身智能获悉，11 月 2 日，优必选正式发布具身智能仿真平台 Thinker-Sim。

该平台以 Real2Sim2Real 为核心，覆盖真实场景数字化、规模化仿真数据合成和机器人能力评测，瞄准的是行业共性难题：真实数据采集成本高、仿真环境构建复杂、算法验证周期长。

真机数据靠机器人一台台跑，成本和速度都有天花板，仿真因此成为规模化数据的主要来源。但仿真要真正有用，先要解决 " 像不像 " 的问题，这也是 Thinker-Sim 的切入点。

图片来源：优必选

场景重建上，优必选依托自研 Thinker-GS 高保真场景重建算法和 SimReady 资产自动化生成技术，可把真实工厂、商业展厅进行三维重建，还原空间布局、环境结构与视觉细节，再根据机器人训练、数据采集及算法评测等不同任务需求，按需加载机器人、设备、人员等前景资产，快速组装可交互的仿真环境。

数据合成上，面向具身智能模型对大规模、高质量、多样化数据的需求，优必选依托自研高性能渲染引擎、大规模并行仿真架构及数据合成算法，构建了高效的机器人仿真数据生产能力：平台搭载自研高性能渲染引擎，渲染效率提升 67.3%；单节点（8GPU）日均可合成 390 小时仿真数据；自研 SIL/HIL 通信模块效率提升超过 400%，支撑大规模并行采集。

评测环节，则搭建了面向机器人感知、导航、操作等任务的统一仿真评测体系，支持不同类型机器人算法、模型的标准化验证和能力评估。通过光照、纹理、材质等多维度随机化，平台可复现真实环境的不确定性，评估算法的鲁棒性和泛化能力。

该平台还内置了标准化仿真任务模板，覆盖机器人常用训练、数据合成与评测场景，并支持一键启动；可视化工作流可零代码编排，适配 90% 以上目标场景；自研 Ulab-Agent 支持用自然语言完成任务编排。

不过，仿真数据最终要回到真实机器人上验证，sim-to-real 的差距能缩小到什么程度，最终还要看 Real2Sim2Real 闭环在实际场景中的表现。