从采数据到造世界：World Labs收购SceniX释放的物理AI信号

导语

李飞飞创办的World Labs收购机器人仿真公司SceniX，不只是一次团队和技术补强。它把世界模型行业的一个变化推到台前：过去的重点是生成一个看起来连贯、可浏览的三维世界；接下来更重要的是，让机器人在虚拟世界中行动，并预测行动之后会发生什么。

收购后一周，World Labs公布了Real-to-Sim-to-Real（R2S2R）相关成果。其思路是把真实机器人任务搬进仿真环境，在可扩展的虚拟场景中训练和评测策略，再将策略部署回真实机器人。真正关键的不是“仿真能跑”，而是仿真中的表现能否对应真实部署，仿真暴露的失败能否提前预警现实风险。

核心要点

• 世界模型的目标正在变化：从生成逼真空间，转向模拟物体、环境与机器人动作之间的因果变化。机器人需要知道“做了这个动作后世界会怎样”，而不只是看到一个真实的画面。
• 仿真成为中间层：SceniX补上的能力包括真实任务重建、物理属性恢复、复杂交互模拟、机器人训练与评测。世界模型因此从渲染器走向模拟器。
• R2S2R不是单点技术：它需要真实数据、世界重建、生成扩展、物理模拟、模型训练、评测和真机反馈形成闭环。单独的3D生成、物理引擎或仿真平台都难以覆盖全链路。
• 数据基础设施的评价标准在改变：未来不只看采集了多少小时数据、生成了多少资产，而要看一个真实任务能扩展出多少有效训练世界，失败样本能否快速转化为下一轮数据需求。

意义与影响

对机器人行业来说，这意味着“数据”不再只是记录和堆叠。真实世界提供锚点，生成模型放大场景分布，模拟器负责物理推演，真实机器人再把新失败和新状态反馈回来。这样的循环，才可能让模型持续变强。

素材中提到的无问智科也在强调类似路线：以“采集世界—生成世界—模拟世界”构建物理AI数据基础设施。其核心并非简单扩充数据仓库，而是把采集、清洗、重建、生成、仿真、训练、评测连接成持续迭代系统。

World Labs从世界生成出发补齐机器人仿真，无问智科从真实场景数据出发搭建闭环。两条路径的共同指向是：把现实世界转化为可计算、可复用、可反复试错的训练资源。下一阶段的竞争，可能是谁能造出更多“有用的世界”。

来源：量子位