李飞飞的世界模型，终于开始训练机器人了

📌 一句话摘要

李飞飞团队通过收购 SceniX 发布 R2S2R 引擎，打通从仿真到真实机器人的训练闭环，让未使用真实数据的策略在硬件上连续运行 1 小时无干预。

📝 详细摘要

文章报道 World Labs 结合新收购的机器人公司 SceniX，推出 Real-to-sim-to-real (R2S2R) 引擎。该引擎分为 Real-to-Sim（将真实任务重建为可交互虚拟世界）和 Sim-to-Real（在仿真中训练策略并部署回真实硬件）两部分。文章详细解释仿真对机器人规模化训练和评估的必要性、传统仿真的局限，以及 R2S2R 如何通过对齐仿真与现实的运动、物理和视觉特征，使纯仿真训练的策略可直接迁移到 ALOHA 等五种机器人平台，完成装箱、绕线、试管转移等任务并连续运行 1 小时。引擎还能在数千条件下主动搜索失败状态，辅助 checkpoints 筛选与模型迭代。文章还交代收购背景、双方技术互补关系，以及 SceniX 创始人李昀烛的学术渊源。

💡 主要观点

- R2S2R 打通从仿真训练到真实运行的闭环，解决机器人经验规模化瓶颈。 通过 Real-to-Sim 重建真实任务，Sim-to-Real 在仿真中生成海量可控经验并训练策略，再部署回真实硬件，形成持续迭代的闭环。

仿真与真实世界的对齐是策略迁移的关键。 引擎不仅还原外观和几何，还尽可能复现物体的物理和动力学特性，通过执行相同动作比较观察和结果来验证对齐度，确保仿真中的表现能真实反映硬件行为。

纯仿真训练的策略可在多种机器人平台上零样本运行 1 小时。 在未使用任何真实世界数据的情况下，策略在 ALOHA、RB-Y1 等机器人上完成装箱、绕线等高精度任务，连续自主运行 1 小时无需人工干预。

R2S2R 可作为高通量评估层，在数千条件下主动寻找模型失败状态。 引擎加速了从训练到评估的循环，允许在仿真中系统化调整场景和任务难度，提前筛掉表现不佳的 checkpoints，只将最有希望的策略交给真实硬件测试。

💬 文章金句

- 当前机器人发展的主要瓶颈，已经不只是模型架构，而是缺少能够规模化获取的经验和评估。

📊 文章信息

AI 初评：83

来源：量子位

作者：henry

分类：人工智能

语言：中文

阅读时间：15 分钟

字数：3648

标签：世界模型, 具身智能, Sim-to-Real, 机器人仿真, AI 训练

阅读完整文章

李飞飞的世界模型，终于开始训练机器人了

🤖 問 AI