李飞飞 World Labs 收购 SceniX，推进物理 AI 仿真训练闭环
物理 AI 训练正从采集真实数据转向用仿真构造世界：World Labs 收购 SceniX，打通真实到仿真再回真实的闭环。
World Labs 收购 SceniX 一周后公布 R2S2R（真实—仿真—真实）成果：将真实机器人任务放入仿真环境，扩展场景训练策略，再部署回真机。核心是验证仿真中的表现能否预测真实表现，从而构成可循环的机器人训练与评测引擎。
正文摘录
李飞飞World Labs收购SceniX，物理AI训练正从“采数据”走向“造世界” 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。 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。 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。 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。 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。 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。