【赛迪网讯】一个工厂产线上的双臂机器人，在仿真环境里反复练习了上万次精密零件的插接，成功率达到99.9%，轨迹丝滑如行云流水。然而，当它第一次面对真实产线上那枚稍有磨损、摆放角度偏移了2度的零件时，却僵住了：要么插不进去，要么用力过猛将零件顶飞。这不是科幻桥段，而是当前具身智能领域最令人头疼的“Sim-to-Real”鸿沟，俗称“次元壁”：在仿真里训练得再完美的策略，扔进真实世界就成了“人工智障”。

如今，一场由“世界模型”和“空间智能”领衔的技术突围战正在试图填平这道天堑。英伟达、谷歌，以及国内的一批具身智能公司，都想让机器人不再只是“眼”中看到的二维像素，而是真正“理解”其所处三维世界的物理规律。当机器人开始拥有“物理直觉”，仿真到现实的这道墙，还能撑多久？

仿真学霸，现实学渣

要理解世界模型为何被寄予厚望，得先看明白Sim-to-Real鸿沟到底有多深。

传统机器人仿真训练，基于理想的刚体动力学和完美渲染的视觉。但现实世界充满了无穷无尽的“长尾问题”：光照角度的细微变化可能让视觉识别彻底失效；物体的表面摩擦力、弹性形变、质量分布不均，在仿真里往往被粗暴地简化为一组固定参数。这就导致一个残酷的现状：机器人学会的是一套刻板的视觉-运动映射，而不是通用的操作技能。

早在2019年，OpenAI就试图用域随机化（Domain Randomization）训练一只机械手解魔方。他们在仿真里随机化重力、摩擦、关节磨损等数千个参数，让策略学会了应对不确定性，最终在真实世界成功。但这种方式计算成本极高，且泛化能力依然有限，它仍只是在预定义的参数空间里“抽卡”，而没有真正理解“一个物体被推动时，会因摩擦力而旋转”这样的朴素物理常识。

这正是当前具身智能的瓶颈：现有的大多数大模型（VLA，视觉-语言-动作模型）本质上是“统计关联”驱动的，它们看过了亿万张图片，知道“苹果”和“抓”的语义关联，却不知道一个熟透的苹果被抓起时，表皮会有怎样的形变和力量反馈。没有这种物理层面的因果理解，从仿真到现实的迁移，就始终是在用概率对抗现实世界的绝对复杂性。

虚拟物理老师

破局的关键，在于让AI先学会像人类一样在脑中模拟物理交互，这就是世界模型（World Model）的核心思想。它不只是生成逼真的视频，而是要求模型预测：如果机器人以某个力矩推动这个物体，下一瞬间物体的运动轨迹、受到的阻力、乃至发出的声音会是什么。这种在生成过程中内化物理规律的能力，正在重塑机器人的仿真训练范式。

2024年下半年，英伟达发布了Cosmos世界基础模型，直接将其定位为“物理AI的开发平台”。Cosmos能够根据文本或视频输入，生成大量物理上合理、视觉上逼真的合成数据，涵盖各种动态环境下的摩擦、碰撞与流体效果。而同一时间，李飞飞宣布创立空间智能公司World Labs，试图让AI从二维像素中“升维”，构建出对三维世界的深层空间理解与推理能力，比如从一张静态图片估算出物体的三维形状、空间位置以及可能的交互方式。这两条路线共同指向一个终点：让机器人拥有的不再是机械的视觉匹配，而是对物理世界的“直觉”。

在国内，一批创业公司已经将这种思路推向产业化落地。银河通用的做法极具代表性：其双臂轮式机器人“盖博特”，在训练抓取技能时完全使用合成数据，没有见过任何一件真实的零售商品。通过在仿真中构建海量、形态各异的未知物体，并注入多样化的光照、纹理和物理扰动，该机器人实现了对完全陌生物体的泛化抓取。据银河通用在2024年发布会披露的数据，这种纯合成数据驱动的抓取策略，在真实商超场景下对任意货品的抓取成功率已可稳定在95%以上。这几乎是合成数据可行性的一个里程碑，直接证伪了“没有真实数据就训不出好模型”的悲观论调。

另一条更底层的路线来自穹彻智能。其创始人、具身智能领域顶尖学者卢策吾团队认为，视觉主导的世界模型缺少最关键的一环：力。穹彻智能提出的“以力为中心”的具身智能大模型，试图让机器人在仿真阶段就理解接触发生的瞬间，力是如何在物体间传导和耦合的。这打破了传统仿真只能模拟理想刚体运动学的局限，让机器人对“捏碎一块豆腐”和“拧紧一颗螺丝”所需要的力度差别，产生根本性的感知与预测。穹彻方面认为，这种对物理接触规律的深层建模，才是打破精密装配等复杂操作场景Sim-to-Real壁垒的终极钥匙。

与此同时，星动纪元的人形机器人在戈壁、雪地等极端非结构化地形上的长距离泛化行走，则是空间智能与强化学习结合的实战检验。其背后依赖的不仅是电机控制，更是对地形摩擦力、坡度、自身重心变化的实时空间推理与身体协调。让一台机器人从仿真里“学走路”，然后直接丢到松软沙地而不会深陷或摔倒，这本身就是世界模型泛化能力的有力证明。

次元壁未崩

尽管技术进展令人振奋，但若说世界模型已经捅穿了Sim-to-Real的窗户纸，还为时尚早。目前裂缝确实在变大，但几道坚硬的现实挑战依然横亘在前。

首先是触觉与复杂接触动力学的仿真盲区。视觉和粗粒度的力反馈可以仿真，但涉及到滑动摩擦向静摩擦的瞬时转换、柔性物体大形变下的黏滑效应、多手指协同中的精细力分配时，现有的物理引擎和世界模型还极度吃力。穹彻智能的力控大模型试图直击这一盲区，但距离在消费级芯片上实时高精度求解，仍有相当距离。

其次，合成数据的“模型自噬”风险正在浮现。当大量合成数据用于训练，模型可能会过度学习仿真器本身的系统性偏差，导致在真实世界反而产生更诡异的错误。这与大语言模型面临的“模型崩溃”问题逻辑类似。训练数据中真实与合成的比例、合成数据的多样性边界，成为需要小心调控的艺术。

更大的瓶颈在于算力与成本。据英伟达估算，训练一个物理性能逼真、可泛化的世界模型，所需视频数据量和GPU集群规模可能比当前的LLM还要高出一个量级。对大多数试图落地应用的企业而言，用天量算力换取一个“或许能打破次元壁”的虚拟老师，仍是一笔风险极高的赌博。

然而，趋势已经难以逆转。以前的Sim-to-Real迁移是“策略迁移”，像在黑暗中射箭，全靠域随机化来碰运气；现在世界模型带来的是“理解迁移”，让机器人带着对底层物理逻辑的认知走进真实世界。当这个“虚拟物理老师”足够强大时，真实世界的噪声和变化，可能就不再是无法逾越的鸿沟，而只是需要额外适应的几节“补习课”。或许用不了多久，当一台机器人第一次摸到真实零件就能稳稳插接成功时，你会意识到，那个困扰行业多年的“次元壁”，已经被一片一片地敲掉了。（文/金烨）