李飞飞World Labs收购SceniX，物理AI训练正从“采数据”走向“造世界”

李飞飞World Labs收购SceniX，物理AI训练正从“采数据”走向“造世界”

下一场竞争，是谁能造出更多“有用的世界”

允中 发自 凹非寺量子位 | 公众号 QbitAI

一笔收购，揭示了世界模型开始从“生成空间”走向“模拟行动后果”。

李飞飞把世界模型的下一站，押在了机器人身上。

7月21日，World Labs宣布收购机器人仿真公司SceniX。

仅一周后，双方便公布了Real-to-Sim-to-Real，也就是R2S2R的最新成果。

这套系统做的事情，听起来并不复杂：把一个真实机器人任务搬进仿真，在仿真放大的任务场景中训练和评测策略，再把策略部署回真实机器人。

但World Labs想证明的不只是“仿真里能跑”。

更关键的是，策略在仿真中的相对表现，能否预测它回到真机后的表现；仿真中发现的失败区域，能否提前暴露真实部署可能遇到的问题。

World Labs将其定义为一个可以反复运行的机器人训练与评测引擎：一个真实任务进入系统后，可以被扩展成大量可控制、可复用的训练世界。

这件事真正值得关注的地方，也不只是李飞飞开始进入机器人行业了。

企业可以用采访和发布会表达愿景，但收购意味着资本、人才和组织资源的真实配置。

World Labs真金白银买下SceniX，背后代表的是一个更明确的判断：

世界模型的下一站，不只是生成一个看起来逼真的世界，而是要让机器人能够在虚拟世界中行动、试错和学习。

当世界模型进入机器人领域，核心问题变了

过去两年，世界模型最直观的进展，是生成越来越完整、逼真和空间一致的三维环境。

输入文字、图片或视频，模型可以创造一个能够自由浏览、继续编辑的空间。

房间从不同角度看过去，结构不会突然变化；用户向前走几步，桌椅也不会凭空消失。

但机器人面对的是另一道题。

一个纸箱即使在画面中足够逼真，如果箱盖不会弯曲，就无法用于训练装箱。

一根线缆即使拥有准确的纹理和阴影，如果它不会随着受力滑动、弯折和缠绕，机器人在仿真中学会的动作，也很难回到现实。

所以，当世界模型进入机器人领域，核心问题就从：

世界看起来是什么样？

变成了：

机器人采取一个动作后，世界会发生什么？

这也是SceniX之于World Labs的意义。

SceniX补上的是真实任务重建、物理属性恢复、复杂交互模拟，以及机器人策略训练和评测能力。

世界模型因此开始从生成观察的Renderer，走向预测状态变化的Simulator。

World Labs也把模拟器视为连接世界生成与智能行动的关键中间层。

顺着这次收购继续往下看，会发现R2S2R很难由一个世界模型、一套物理引擎或者一个仿真平台独立完成。

它要求真实数据、世界重建、生成扩展、物理模拟、模型训练、能力评测和真机反馈被放进同一个闭环。

而这套由真实世界进入虚拟世界、再回到真实世界的技术路径，恰好与无问智科以“世界模型X数据工厂X世界模拟器”三位一体架构实现“采集世界—生成世界—模拟世界”路径完整打通Real2Sim2Real的技术布局不谋而合。

无问智科要用世界模型，构建物理AI时代的数据基础设施

过去很长一段时间，机器人行业谈数据，首先想到的是“缺多少”。

训练场、真机遥操、第一人称采集和仿真合成等不同路线，解决的都是数据从哪里来的问题。

但无问智科看到的另一个问题是：即使采到了更多数据，模型也未必稳定变强。

同样规模的数据，因为输入模态、任务动作、场景覆盖、交互质量和失败样本不同，对模型的价值可能完全不同。

因此，真正困难的不是生产一批数据，而是持续回答三个问题：

- 模型究竟缺什么数据？