據報 World Labs 7月21日收購 SceniX，推進 Real-to-Sim-to-Real 機器人訓練閉環

據《量子位》報導，李飛飛創辦的 World Labs 於7月21日宣布收購機器人模擬公司 SceniX；約一週後，雙方公布 Real-to-Sim-to-Real（R2S2R）最新成果，將真實機器人任務搬入模擬環境，擴展場景、訓練與評測策略，再部署回真實機器人。World Labs希望驗證的不只是策略能否在模擬中運作，也包括策略在模擬環境中的相對表現能否預測真機表現，以及模擬中發現的失敗區域能否提前揭露真實部署風險。 報導稱，World Labs將這套系統定位為可反覆執行的機器人訓練與評測引擎：一項真實任務進入系統後，可擴展成大量可控制、可重複使用的訓練世界。SceniX補足的能力包括真實任務重建、物理屬性恢復、複雜互動模擬，以及機器人策略訓練與評測，使世界模型的用途從生成逼真的三維空間，延伸至預測機器人採取行動後的狀態變化。 文章指出，機器人模擬不能只重現外觀：紙箱箱蓋必須能彎曲，線纜也要能依受力滑動、彎折與纏繞，否則在模擬中學會的策略難以遷移到現實。R2S2R因此需要把真實資料、世界重建、生成式擴展、物理模擬、模型訓練、能力評測與真機回饋整合成閉環。 報導同時以無問智科的「採集世界—生成世界—模擬世界」路線作為對照。該架構主張先從工廠、商業空間與家庭等真實環境進行大規模自然採集，再透過世界理解模型自動完成清洗、篩選、時空對齊、標註、資料集建構與格式轉換；其 Capture 系列硬體則依任務所需模態、時空精度及多感測器同步要求設計。 在生成階段，無問智科以 Scan2Sim 將真實物體、場景與任務重建為可互動、可編輯的高精度物理孿生資產，再以 Gen2Sim 擴展幾何、外觀、結構、類別、布局、材質、光照與物理屬性，涵蓋不同物體、位置、遮擋與異常工況。模擬階段則使用由顯式 DPE 可微分物理解算器、PINN 物理資訊神經網路與隱式因果動力學模型組成的「無穹」雙空間世界模擬器，並以真實互動資料持續校準虛擬世界的幾何、參數、拓撲、狀態與邊界物理量。 文中稱，當模擬環境具備可信的物理互動能力後，機器人決策器可在大量場景與任務中進行強化學習訓練與評測；真機執行時產生的失敗案例與分布外狀態，再回饋至下一輪的物理校準、場景更新與資料生成。World Labs是從三維生成模型出發，補上物理模擬、機器人訓練與真實回饋；無問智科則從真實場景資料出發打通世界重建、生成擴展、物理模擬與訓練評測，兩者都將競爭焦點放在把現實世界轉化為可供物理 AI 持續學習的計算資源。由於目前僅有單一來源報導，World Labs收購及R2S2R成果的細節尚未有其他來源佐證。