World Labs把世界模型推进机器人训练闭环

导语

李飞飞团队的 World Labs 正在把“世界模型”从好看的三维生成，推向更硬核的机器人训练环节。借助新收购的机器人仿真公司 SceniX，World Labs 发布了 Real-to-sim-to-real（R2S2R）训练与评估引擎：先把现实任务搬进仿真，再让机器人在仿真中训练、测试，最后把策略部署回真实硬件。

核心要点

• Real-to-Sim：把真实任务数字化。 系统会采集机器人、传感器、环境、物体和任务演示等信息，重建一个与真实任务对齐的虚拟世界。它不只追求外观相似，还要尽量复现几何结构、物体运动和交互反馈。
• Sim-to-Real：让仿真成为训练场。 对齐后的虚拟环境可用于训练策略、评估checkpoint，并主动寻找模型容易失败的状态。通过反复生成边界条件，系统能形成“发现问题—补充经验—改进策略—部署真机”的闭环。
• 评估重点是排序和失效模式。 World Labs并不要求仿真成功率与真实世界完全一致，而是强调两者能否对策略优劣、成功失败分布和性能提升趋势给出相似判断。
• 收购SceniX补上机器人拼图。 World Labs擅长生成式世界建模和空间重建，SceniX则熟悉机器人仿真、学习算法和硬件系统。两者结合后，目标是建设一套与机器人形态和模型架构解耦的训练基础设施。

意义与影响

具身智能的瓶颈，越来越不只是模型结构，而是经验获取和可靠评估。真实机器人实验昂贵、慢、难复现，还需要人工重置和维护；而互联网视频虽多，却不能替代可控的交互经验。R2S2R的价值在于，把一个真实任务扩展成大量可复用、可调节、可追踪失败原因的学习世界。

如果这种仿真与现实的对齐足够稳定，世界模型将不再只是“生成空间”的工具，而会变成机器人开发中的基础层：用于筛选策略、定位退化、设计新数据，并降低真机试错成本。World Labs也因此把李飞飞所说世界模型中的“仿真器”角色推到台前——让机器不只是看见世界，还能在世界中练习行动。

来源：量子位