本周，CVPR 2024 正在美国西雅图拉开序幕。今年 CVPR 论文投稿数再次创下新纪录，显示了该领域研究的火热程度。
从研究主题来看，**具身智能（Embodied AI）**这一大热点值得关注。黄仁勋在 COMPUTEX 大会开幕前夕的演讲中预言：AI 的下一个浪潮将是物理 AI。即那些理解物理定律的 AI 机器人，尤其是人形机器人最有可能适应人类所构建的世界。
但随之而来的问题是，这背后需要海量的数据支持，尤其是人形机器人更为明显。因为人形机器人面临的场景多样，而且这些场景的数据采集不容易。甚至有业界人士认为，当前具身智能最大的瓶颈就是缺乏数据。
其实不止于机器人场景，无论是构建具有强逻辑的 AI 模型，还是训练像 GPT-4 这样的大语言模型，都离不开大规模、高质量的数据集。例如，GPT-4 的模型训练就动用了大约 13 万亿个 tokens 的数据集，这无疑是一个天文数字。
在这样的数据需求下，我们自然会思考：如此庞大的训练数据究竟从何而来？
AI 行业数据的瓶颈，何解？
基于庞大数据和超高算力的'暴力美学'，是当前生成式人工智能的核心打法。简单来说，在同等条件下，喂的数据越多，人工智能就越强。海量、优质的数据争夺已经成为国家和企业间的无声战场。基于数字技术形成的通用数据、优质数据垄断，可能将成为这场数字拓荒当中，后发者无法逾越的天堑。
但是从真实世界获取数据是一件困难重重的事。Google 在RT-1项目中的经历就是一个例证，在雄厚的资金和科研资源支持下，Google 团队历时 17 个月，仅收集到 13 万条覆盖 700 多个任务的机器人数据，这些数据的泛化能力远未达到预期。
由此可见，获取真实数据难度大、耗时长、成本高，同时还存在现实世界数据采集在隐私合规和数据安全方面的挑战，难以满足人工智能大模型训练的需求。当前，'百模大战'如火如荼，头部企业竞相投身人工智能赛道，但有效数据不足，特别是高质量数据短缺，部分领域封闭式的数据生态给人工智能发展带来了掣肘。如何解决'数据瓶颈'是未来一段时期我们即将面临——或已经面临的挑战。
合成数据：低成本 + 高质量的解决方案
目前，利用计算机技术生成数据的服务商成为解决之道。这类方案通常利用其庞大的虚拟空间数据资源，结合高性能的渲染引擎和先进的数据处理技术，为 AI 行业提供逼真且物理真实的 2D、3D 数据集等产品和服务。
以室内环境为例，相关平台每天会生成大量的 3D 设计方案，并沉淀了数以亿计的 3D 模型数据，涵盖家具、电器、生活用品等。在此基础上，与高校联手推出了多种数据集，为室内环境理解、3D 重构、机器人交互等研究提供了强大数据基础。
1. 2D 图片渲染技术
在 2D 图片渲染技术上，利用自研渲染引擎，在多样化的室内场景中，通过调整相机参数、行进轨迹、灯光条件等设置进行图片数据的采集，最终生成 RGB、深度、语义、法向、点云等格式的 2D 数据集。这样的数据输出能力，使得系统能够每天产出大量 2D 数据集，为 AI 智能体的导航、视觉感知、环境理解等能力提供了充足的训练素材。
2. 物理性质增强
在人形机器人的发展道路上，环境交互能力是其智能化的关键。比如自如开关门、精准取放物体、甚至叠放衣物等。
以 NVIDIA Isaac Sim 仿真平台项目为例，通过创建一个包含物理属性的逼真 3D 环境，让机器人能够在虚拟世界中学习如何与物体互动、预测物理事件，甚至在虚拟世界中进行探索和导航。在这样的虚拟环境中，机器人可以进行无数次的交互测试，无需担心物理损伤或环境限制，从而大幅降低了训练成本，同时提高了训练的安全性和可重复性。
基于此类理念，利用 Isaac Sim、Unreal Engine 等为代表的仿真平台，为机器人训练提供了定制化的场景和交互模型。这些数据不仅在视觉上逼真，更重要的是，它们具备真实的物理属性——铰链、滑轨等组件可以进行旋转和平移，同时模型还拥有真实的密度、摩擦力和弹性等物理状态信息。这使得机器人能够在物理真实的虚拟环境下，以极低的成本获取大量的训练数据，测试并优化其性能。
3. 场景环境增强
在 AI 的世界里，光线就像是那个决定成败的细节，特别是在视觉感知任务中，光线条件对 AI 的识别和分析能力起着至关重要的作用。
拿上文提到的 InteriorNet 来说，这一大规模多传感器真实感室内场景数据集，通过提供不同光照环境下的高真实感渲染图像，展示了环境增强与多样化在提升 AI 性能方面的重要性。服务类机器人在面对室内外光线变化时，可能会遇到识别障碍，因此，拥有一个涵盖广泛光照条件的数据集对于训练 AI 以适应各种环境至关重要。
虚拟室内场景中的每个灯源设定详细参数，实现个性化的灯光环境控制，让机器人在不同的光照环境下都能'看'得清清楚楚，学得明明白白。
除了光照条件的多样性，还通过**Domain Randomization（域随机化）**技术，进一步增强了场景环境的复杂性。这项功能能够根据不同的训练需求，灵活切换模型的表面材质，比如将大理石地面替换为木质地板，调整不同反射效果，从而在虚拟环境中模拟出真实世界的多样性和复杂性。让机器人的训练更加贴近现实，增强了它的适应性和泛化能力。
4. 高效标注系统
AI 领域中的数据标注是模型性能的关键因素，但传统的人工标注方式劳动密集且耗时。
