World Labs 發布 R2S2R 引擎，用模擬打通具身智慧閉環
為何重要
R2S2R 填補了世界模型在具身智慧（Embodied AI）中「規劃」功能的實際應用缺口，解決了模擬與現實之間的巨大落差。這代表具身智慧正從單一的感知建構轉向穩定的決策執行，大幅提升複雜任務（如非結構化環境）的可靠性。對產業而言，這提供了一種低成本、高效率的基礎訓練基建，減少對昂貴真實資料的依賴，加速了機器人在工廠與實驗室的實用化程序。
World Labs 在收購 SceniX 後，發布 Real-to-sim-to-real (R2S2R) 引擎，打通生成式世界模型到真實機器人部署的技術路徑。
- R2S2R 由 Real-to-Sim（將現實任務重建成具物理特徵的虛擬世界）與 Sim-to-Real（在虛擬環境訓練策略後部署回真實硬體）兩部分組成，強調兩者執行結果的對齊與驗證。
- 該引擎使得策略在 60 分鐘的自主執行中表現穩定，且無需真實資料參與即可在 ALOHA、xArm、Flexiv 等多款不同機器人平臺上完成繞線、插拔及抓取任務。
- 在 ALOHA 雙臂方塊交接任務中，每個檢查點進行了 2000 次模擬試驗與 100 次真機試驗，模擬表現較佳的策略在真機上也保持了相同排名與成功分佈。