【行业观潮】李飞飞终于亮明World Labs 世界模型的终局：突破物理AI数据瓶颈，为机器人提供高效的训练场 Real2Sim2Real

ZQ3Dnest

172人浏览 · 2026-08-08 20:20:52

ZQ3Dnest · 2026-08-08 20:20:52 发布

一、从大语言模型到世界模型：物理AI时代正在到来

如果说 2023 年是生成式 AI 的觉醒之年，那么 2026 年则被业界公认为"物理 AI 元年"。黄仁勋在 GTC 2026 上进一步宣告：“物理 AI 时代已经到来——未来每一家工业企业都将成为机器人公司。”

过去几年，大语言模型让机器学会了遣词造句、逻辑推理和代码编写——ChatGPT、DeepSeek 等赋予了机器远超人类的表达、编程和推理等能力。

但正如斯坦福大学教授李飞飞所言：“语言模型学习的是文本的统计规律，世界模型学习的则是时空的统计规律。”机器能谈论世界，却对世界的物理本质一无所知。她判断，AI 正在从“理解文字信息”走向“理解现实世界”。她提出的空间智能被认为是 AI 的下一前沿方向，而世界模型则是实现空间智能的必经之路。

（图源网络）

李飞飞的 World Labs 已经成立多年，核心工作围绕着空间智能做研究，推出过 Marble 3D 空间生成工具。但业内一直都有一种声音：空间智能到底是什么东西？Marble 除了解决看的问题还能干什么？大家始终一头雾水，直到 2026 年 7 月 World Labs 推出的 Real2Sim2Real 物理 AI 解决方案，我们才清晰地看到了李飞飞 World Labs 的真实目的：用高效的物理 AI 仿真系统解决具身智能数据荒问题，为机器人大脑的快速落地部署提供真正可行的 Scaling Law 方案。

（图源网络）

二、Sim2Real Gap（现实鸿沟），为什么今天的数字世界仍然无法高效支撑物理 AI

李飞飞曾直言不讳地指出一个残酷的现实：“不同于 LLM（大语言模型）可以从互联网上获取丰富的数据资源，具身智能从训练到评测阶段，数据都十分匮乏”。当前具身智能的发展，已经不缺模型，缺的是能够支撑模型学习真实世界的空间数据。

行业并非没有尝试，海量的网络视频、AI 生成的三维场景……数据看似很多，但它们大多停留在视觉层面——能“看”到世界长什么样，却无法告诉机器人“这个世界如何运作”。一张桌子看起来再逼真，如果仿真环境不知道它的材质是木头还是金属、表面摩擦系数是多少、用力推会不会倒，机器人在其中练就的技能一旦进入现实，就会立刻失效。具身智能在仿真环境里看似流畅的动作，到了现实世界可能连门都打不开。

（图源网络）

过去几年，以英伟达 Isaac Sim为代表的物理仿真器已经获得了行业的高度认可，发那科、HD 现代等工业巨头纷纷基于 Isaac Sim 构建机器人仿真与数字孪生系统。但仿真带来的 Sim2Real Gap ，始终是困扰行业的头号难题。机器人在仿真环境中训练出的策略，一旦部署到真实硬件上就频频失效——仿真里的物理参数、环境交互和现实总有偏差，这种性能折损让大量仿真投入打了水漂。

于是，行业不得不转向另一条更昂贵的路：真机数据。通过遥操作采集真实机器人的演示数据，一条一条地“喂”给模型。成本高、周期长、难以覆盖复杂多变的长尾场景。仿真便宜但不准，真机准但太贵，行业陷入两难境地。

李飞飞发表系统性长文，将纷繁复杂的世界模型归纳为三大功能类别：

渲染器（Renderer）：把信息转成人眼能看的像素，唯一标准是视觉上够不够逼真。Sora、Genie 3 这种能根据用户操作实时生成画面的交互式系统，都属于“渲染器”。

模拟器（Simulator）：负责输出精确的物理数据。“它追求的不是“看起来像”，而是结构上的正确。因为几何要经得起测量，运动要遵守牛顿定律，动力学行为要符合物理法则。

规划器（Planner）：要解决的问题很具体，即给定一个观测和一个目标，Agent决定下一步该做什么动作。

她认为，负责还原现实世界的物理规律和交互过程的“模拟器”，是物理AI发展的最关键一环。

（图源网络）

然而，“模拟器”这条路径集中了 AI 领域诸多棘手难题：真实三维数据太少、虚拟和现实总有差距、AI 生成的内容可能存在变形、位置错误等问题。但从 2026 年上半年开始，情况正在发生根本变化。

李飞飞团队收购了 SceniX，联合英伟达等机构，为这道难题提供了一套系统性解法——Real2Sim2Real 闭环框架。

这套框架的核心逻辑是：从真实世界采集数据构建高保真仿真环境，在仿真中大规模训练策略，再将训练好的模型部署回真实世界。World Labs 推出的 R2S2R 引擎，已经首次平滑打通了这一闭环。“模拟器”的参数足够精准，机器人在虚拟世界中的每一次试错，都等价于在现实世界中的一次实践。训练成本持续降低，部署效率指数级提升之后，实现了真正有可能达成物理AI的规模化落地。

高精度的“模拟器”在 Real2Sim2Real 流程中的核心任务，就是不断缩小 Sim2Real Gap——这是具身智能完成高效部署的关键能力，也是物理 AI 真正落地的核心环节。