🌐 世界模型 · 产业收购
World Labs 收购 SceniX，物理AI训练正从“采数据”走向“造世界”
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。
综合公开信息整理•
2026-08-01•
全文约 4 分钟读完
#World Labs
#SceniX
#物理AI
#R2S2R
#世界模型
1 次收购
World Labs 收购机器人仿真公司 SceniX
2 大技术
Scan2Sim 重建 + Gen2Sim 生成扩展
3 个世界
采集世界 → 生成世界 → 模拟世界
⚡ 30 秒速览
- 收购了什么：7 月 21 日，李飞飞创办的 World Labs 收购机器人仿真公司 SceniX，一周后公布 R2S2R（Real-to-Sim-to-Real）成果。
- 核心转变：世界模型从“生成看起来逼真的空间”转向“模拟机器人行动后的世界变化”——问题从“看起来像什么”变成“动起来会怎样”。
- 技术路径：无问智科提出“采集世界—生成世界—模拟世界”三位一体架构，通过 Scan2Sim 与 Gen2Sim 打通 Real2Sim2Real 闭环。
- 深层信号：物理AI 数据基础设施的定义正在收敛——衡量标准不再是数据量或资产数，而是一个真实任务能拓展出多少个有效的训练世界。
- 产业坐标：World Labs 从 3D 生成出发补齐仿真与机器人能力，无问智科从真实数据出发打通闭环，太平洋两岸正在回答同一个问题。
01收购事件：R2S2R 站到台前
7 月 21 日，World Labs 宣布收购机器人仿真公司 SceniX。仅一周后，双方联合公布了 R2S2R（Real-to-Sim-to-Real）系统的最新成果。
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，在仿真中放大任务场景来训练和评测策略，再部署回真实机器人。
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真机表现，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。
7 月 21 日 — World Labs 收购 SceniX
一周后 — 公布 R2S2R 成果
目标 — 构建可反复运行的机器人训练与评测引擎
1次收购
2阶段闭环（Real↔Sim）
3核心技术模块
注：三模块指真实任务重建、物理属性恢复、复杂交互模拟与策略训练评测。World Labs 通过收购 SceniX 一次性补齐这三项能力。
02核心问题：从“生成空间”到“模拟行动”
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。
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，如果它不会随着受力滑动、弯折和缠绕，仿真中学到的动作也很难回到现实。
所以，当世界模型进入机器人领域，核心问题就变了：
传统世界模型
世界看起来是什么样？——生成观察的 Renderer，关注视觉真实性与空间一致性。
机器人世界模型
机器人采取一个动作后，世界会发生什么？——预测状态变化的 Simulator，关注物理交互与因果后果。
SceniX 之于 World Labs 的意义正在于此：补上真实任务重建、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 Renderer 走向 Simulator。
注：Renderer 负责生成视觉观察，Simulator 负责预测物理状态变化——两者在技术架构上是完全不同的能力栈。
03技术路径：“采集—生成—模拟”闭环
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。
无问智科此前提出的“采集世界—生成世界—模拟世界”三位一体架构，恰好与这条路径不谋而合：
采集世界→生成世界→模拟世界
三个世界，一个闭环，藏着机器人进化的钥匙。
🌍 采集世界：真实交互成为可计算的资产真实锚点
- 通过大规模无感野采，让采集设备进入工厂、商业空间、家庭等真实环境，记录自然作业中发生的物理交互。
- 不只是一条标准化动作轨迹——真实环境中的物体差异、空间变化、操作习惯、任务中断、异常状态和失败过程一并进入数据系统。
- 世界理解模型对回传数据进行自动化清洗、筛选、时空对齐、标注和跨格式转换，将连续作业数据转化为结构化资产。
核心能力：从 Raw Data 到 Model-Ready Data，采集硬件由算法模型反向定义。
🌱 生成世界：有限数据扩展为无限泛化规模放大
- Scan2Sim：将真实物体、场景和任务重建为可交互、可编辑的高精度物理孪生资产——门需要铰链，抽屉需要滑轨，柔性物体需要形变属性。
- Gen2Sim：围绕几何、外观、结构、类别、布局、材质、光照、物理属性生成可控变化，构造“物理表亲”与“物理远亲”。
- 生成什么不完全由工程师决定——当评测发现模型在某类材质或任务阶段失败，系统反向生成新的物体、环境和任务组合。
核心能力：真实数据提供种子，生成模型放大覆盖，解决“真实性”与“丰富度”难以兼得的矛盾。
⚙️ 模拟世界：虚拟世界产生真实的物理变化物理推演
- 无问智科构建双空间世界模拟器“无穹”：显式 DPE 可微分物理求解器 + PINN 物理信息神经网络 + 隐式因果动力学模型。
- 系统对比同一物理变化在现实和仿真中的状态，持续修正虚拟世界中的几何、参数、拓扑和边界物理量——模拟世界随真实数据不断校准。
- 决策器可在海量丰富场景中进行数百万次强化学习训练与评测，结果再回传修正物理参数与场景资产。
核心能力：模拟不是一次搭建完成，而是持续校准的物理推演引擎。
注：三个世界形成完整闭环——采集世界提供真实锚点，生成世界放大数据分布，模拟世界完成物理推演；模型在现实中暴露的新问题，重新定义下一轮需要采集和生成的数据。
04产业坐标：下一场竞争，是谁能造出更多“有用的世界”
World Labs 收购 SceniX，让 R2S2R 站到了世界模型行业的聚光灯下。但这次收购真正揭示的，是物理AI 数据基础设施的定义正在收敛。
未来衡量 Data Infra 的标准，不再只是采集了多少小时数据、拥有多少 3D 资产，或者生成的画面有多逼真。
更重要的问题会是：
🎯
一个真实任务能拓展出多少有效的训练世界？
数据的堆叠是否真的提升了模型的能力？模型的失败能否快速变成下一轮迭代的数据输入？
🌐
太平洋两岸，同一个答案
World Labs 从 3D 生成模型出发，开始补齐物理仿真、机器人训练与真实反馈能力。无问智科 则从真实场景数据出发，把世界重建、生成扩展、物理模拟和训练评测打通形成闭环。两者正在回答同一个问题：如何把现实世界转化成物理AI可以反复学习和训练使用的计算资源。
过去，数据公司交付的是一批数据。下一阶段，物理AI 数据基础设施要交付的，是让模型持续进化的能力。
编辑核心判断
世界模型进入机器人领域后，核心竞争壁垒从“生成多逼真的空间”转向“模拟多准确的后果”。框架工程与物理仿真的深度耦合，正在成为比模型参数更稀缺的能力。
▶关注产业动向
World Labs 与无问智科的相关技术成果已公开发布，R2S2R 与“采集—生成—模拟”闭环正在推动物理AI 训练范式从“采数据”走向“造世界”。
关注后续进展 →
* 综合公开信息整理，具体技术细节以官方发布为准