李飞飞创办的 World Labs 把一个机器人实操任务瞬间扩充成几

一个真实世界的机器人动作如果只能训练一次，那效率实在太低。World Labs 最近搞出的这个仿真引擎逻辑很暴力：它能把一个真实的机器人任务直接在虚拟环境里生成数千个受控的变体。这意味着模型不需要在物理世界里一遍遍地试错，而是在模拟器里把所有可能的边缘情况全部跑一遍。

这种做法最核心的突破在于解决了机器人训练中极其头疼的“数据匮乏”问题。按照他们的实操结果，训练出来的模型在五个不同的机器人平台上各跑了一个小时，全程不需要人工干预。这种跨平台的泛化能力其实挺吓人的，说明仿真环境到现实世界的“Sim-to-Real”差距正在被迅速抹平。

这种训练工作流大致可以拆解为以下几个阶段：

一、单样本采集
在物理世界中记录一个具体的机器人操作任务，作为基准种子数据。

二、仿真多样化生成
利用仿真引擎，在虚拟空间中对该任务的初始位置、物体材质、光照、干扰项等参数进行随机化或定向偏移，瞬间产生数千组训练样本。

三、虚拟环境闭环训练
机器人控制器在这些海量变体中进行强化学习，快速迭代策略。

四、物理部署验证
将训练好的权重直接部署到真实的硬件平台上进行验证。

虽然目前的数据看起来很漂亮，但得理性看待。在受控的仿真环境中跑通和在充满随机性的真实居家场景中生存是两回事。比如一个杯子被推倒了，或者光线突然剧烈变化，这种仿真生成的模型能不能实时反应过来，还需要更多实战数据的支撑。