随着具身智能产业逐步向规模化应用迈进，高质量物理数据的稀缺已成为限制机器人泛化能力的关键瓶颈。针对这一行业难题，国内企业无问智科打造了一套“具身数据驱动，实现机器人智能进化”的创新解决方案。通过建立从数据采集到自主学习的完整闭环，无问智科为物理AI基础设施的构建奠定了重要基石。

当前，具身智能行业正面临着严峻的数据短缺问题。全球可用于训练的真实物理交互数据仅有数十万小时，而支持通用机器人跨场景泛化所需的交互数据至少需要千万小时量级。传统的真机遥操作方式成本高昂且难以实现规模化，第一人称视频缺乏必要的控制与物理反馈，而纯仿真数据又难以跨越现实与虚拟之间的物理鸿沟。为解决这一难题，无问智科创新性地打造了“世界模型×数据工厂×世界模拟器”三位一体的技术体系，构建了“Real2Sim2Real”（真实-仿真-真实）的全链路闭环范式。

在这一体系中，无问智科首先在真实世界端发力，通过自研多模态设备在真实环境中进行大规模“无感野采”，获取包含视觉、力觉、触觉等多模态的原生物理数据。目前，公司在长三角（德清）建成的具身智能数据采集训练场已累计沉淀数十万小时高质量数据。随后，利用生成式世界模型对真实场景进行重建与扩展，大幅降低SimReady资产的构建时间，有效覆盖长尾样本与极端场景。最终，在世界模拟器中进行百万次零成本的强化学习试错，并将训练成果回流至真机验证，反向补充缺失样本，形成持续进化的数据飞轮。

这种虚实融合的数据闭环正在切实推动机器人能力的跃升。在2026世界人工智能大会上，无问智科展示了其数据基座对模型性能的显著提升：在开源数据集基础上增加无感野采数据后，模型在篮子收纳任务中的成功率提升了约20%。在虚实融合闭环验证中，在线强化学习使仿真成功率从9.7%跃升至79.8%，迁移至真实机器人后任务成功率提高超过50%。无问智科的探索不仅印证了具身智能的学习范式正从模仿学习走向强化学习，也与全球顶尖团队的技术路线形成跨洋共振。