原文标题：World Labs Trained Zero-Data Robot Policies That Ran an Hour on Hardware
据Tech Times于7月28日报道，完全在数字模拟环境中训练的机器人——它们从未触碰过物理实体手臂，从未重置过电缆，也从未经历过掉落试管的恢复过程——在真实硬件上无需人工干预连续运行了一个小时。根据 World Labs 于2026年7月28日发布的 R2S2R 技术文章，该公司披露了这一重磅结果。该核心结果公布了 World Labs 的 Real-to-Sim-to-Real (R2S2R) 框架的早期性能数据，这也是这家空间智能公司自2026年2月以50亿美元估值完成10亿美元B轮融资以来的首个具体基准数据。根据其2026年2月的融资公告显示，这使得该公司的总融资金额达到12.3亿美元。这篇技术文章之所以重要，是因为它直接挑战了当前机器人团队分配时间的方式：物理试验、硬件重置和现实世界演示是机器人研发中最昂贵的支出项，而业界的普遍共识一直是，模拟技术只能作为补充，无法将其取代。World Labs 的结果表明，如果这些结果在大规模应用中依然成立，那么这种假设就需要更新了。
机器人学研究界多年来一直致力于优化仿真到现实的迁移，即将在仿真环境中训练的策略部署到物理硬件上的这一步骤。主流方法是域随机化：不断改变仿真中的光照、纹理、质量和摩擦力参数，直到策略学会在这些变化中实现泛化，其假设是现实世界的条件处于随机化范围的某个位置。Tobin (2017) 和 Peng (2018) 确立了这一方法作为该领域的标准，从那以后，它已成为大多数机器人团队设计其训练流程的基础。该领域一直在错误求解的问题 World Labs 认为这种切入点的起始位置就不对。如果仿真本身就是对物理现实的不良建模，例如当真实的线缆和弹性材料发生变形时它却假设为刚体，或者对接触力的建模不准确，那么再多的域随机化也无法弥补这一上游的失败。
2026年Annual Reviews关于机器人技术的一项调查证实了这一观点：大多数模拟器“假设存在完美的刚体和关节”，这使得可变形物体任务（如线缆、包装、弹性连接器）成为传统“从模拟到现实”（sim-to-real）迁移中最困难的类别。根据World Labs的R2S2R框架，解决方案是首先解决上游问题：让模拟足够精确，从而使迁移问题几乎能够迎刃而解。
R2S2R的工作原理：两个方向，一个闭环 该框架分两个阶段运行，从而形成一个闭环。第一阶段——“从现实到模拟”（Real-to-Sim，简称R2S）——从物理机器人任务开始。工程师会捕捉机器人及其传感器、周围环境、需要操作的物体以及一系列任务演示的信息。随后，生成式世界建模系统将所有这些内容重建为一个交互式模拟。关键在于，这种重建同时以视觉保真度和物理保真度为目标：不仅关注场景的外观，还关注当机器人与物体接触时，物体如何变形、产生阻力以及作出反应。
来源：Tech Times ｜ 原文链接