在机器人技术领域，数据获取始终是一个核心难题。与大语言模型依赖互联网文本数据不同，机器人需要理解动作与环境变化的因果关系，而真实世界的数据采集成本高、风险大，且难以覆盖所有可能场景。为突破这一瓶颈，空间智能公司World Labs近日宣布收购机器人仿真初创公司SceniX，试图通过“真实-模拟-真实”的技术路径，为机器人训练构建一个可无限试错的数字世界。
World Labs由计算机视觉领域知名学者李飞飞创立，专注于开发能够生成、理解和交互三维空间的人工智能模型。其核心产品Marble可将文字或图像转换为具有几何一致性的三维场景，为仿真环境提供基础。SceniX则擅长将真实场景转化为数字模型，并模拟机器人动作对环境的影响。两家公司的技术高度互补：World Labs的生成模型可高效重建数字环境，SceniX的仿真技术则能描述环境动力学，使机器人能在虚拟世界中训练策略并迁移至现实。
这场收购始于一次意外的客户合作。去年年底，SceniX注册使用Marble服务，成为World Labs的客户。李飞飞后来发现，SceniX的联合创始人李昀烛竟是自己曾经的博士后。随着交流深入，双方意识到，一个致力于空间智能，一个专注机器人仿真，技术方向虽不同，但目标一致——解决机器人训练的数据瓶颈。李飞飞在播客节目中表示：“双方能力互补，且共享让机器理解物理世界的使命。”
传统机器人训练依赖真实环境数据，但实体设备、场地和人工操作的成本极高，且失败可能损坏设备或引发安全风险。SceniX提出的“真实-模拟-真实”路径，试图通过数字孪生技术破解这一难题。其流程分为三步：首先将真实场景映射到数字世界，捕捉外观、几何结构及动力学；随后让机器人在虚拟环境中训练策略；最后将策略迁移至现实，并确保数字与真实环境的一致性。李昀烛举例称，若机器人在仿真中学会推动方块，这一策略在现实中也应有效。
然而，环境重建的效率是关键。传统方法需手动标注大量数据，而Marble的生成模型可自动重建场景，大幅降低时间成本。这也是SceniX选择加入World Labs的重要原因。双方计划将单一现实任务扩展为大量数字场景，覆盖不同物体位置、光照、摩擦等变量，使机器人能面对更复杂的条件。技术文章显示，在双臂装箱、线缆插接等任务中，部分策略完全基于模拟数据训练，却能在真实机器人上连续运行一小时无需干预，且仿真评估与现实表现高度一致。
仿真技术的核心挑战在于“保真度”与“效率”的平衡。李昀烛认为，机器人需要的不是完美复刻现实的数字世界，而是抓住关键物理规律、能支持策略迁移的环境。例如，四足机器人学习在雪地行走时，模拟器无需还原每片雪花，但需保留地形变化对步态的影响。通过系统性改变物理条件，机器人可获得迁移至现实的能力。他强调：“仿真与真实数据并非对立，而是互补。早期依赖物理规律构建基础环境，后期通过真实数据优化模型，最终形成两者结合的解决方案。”
李飞飞从反事实推理的角度解释了仿真的价值。现实数据只能记录已发生的事件，而模拟可推演未发生或难以制造的场景，帮助机器人提前学习应对方法。她以自动驾驶为例：Waymo等公司长期使用模拟数据训练模型，因为真实道路测试无法主动制造危险情况。通用机器人的动作和交互对象更复杂，对仿真的需求也更高。她认为，模拟与真实数据构成“数据飞轮”，共同推动机器人技术进步。
目前，World Labs与SceniX的目标并非制造具体机器人，而是构建一个开放平台，供其他公司训练和测试机器人模型。SceniX的平台与机器人硬件和策略模型无关，客户可使用单臂、双臂或移动机械臂，接入自有模型进行训练。李昀烛透露，团队正接触已接近实际部署的客户，这些客户拥有数十个可自动化场景，一旦机器人方案达到可靠性要求，就能立即创造价值。
对于人形机器人的商业化路径，两位受访者持谨慎态度。李昀烛将应用环境分为结构化、半结构化和非结构化三类，认为更现实的路径是先进入汽车生产线、仓库等结构化环境，再逐步拓展至家庭等复杂场景。李飞飞补充称，人形机器人虽通用性强，但未必是每项任务的最优结构，专业化机器人可能在工业场景中更实用。她总结道：“在AI领域，克制且合理的乐观尤为重要。”
收购后，两家公司未立即整合所有资源，而是保留SceniX的独立性，逐步在模拟、动作条件模型和Marble应用方面展开合作。未来两年，他们计划在少数垂直行业获得验证客户，证明系统能满足现实自动化需求，再以此为标杆扩展业务。李昀烛强调：“我们不需要等待机器人达到人类水平，而是先解决具体任务中的可靠性问题，让技术真正落地。”
