李飞飞创办的具身智能独角兽 World Labs 补上了空间智能的关键拼图。通过近期收购的机器人初创公司 SceniX，#World Labs 正式发布了全新的机器人策略训练与评估引擎—— R2S2R（Real-to-sim-to-real）。该引擎将空间智能从生成交互式虚拟世界，延伸至真实机器人的训练与部署，首次打通了从仿真到现实运行的闭环。
具体而言，R2S2R 包含两大核心环节：Real-to-Sim 负责将现实中的机器人、传感器、物体及交互动作“重建”进虚拟世界，保留几何结构与复杂的物理特性；Sim-to-Real 则让机器人在对齐的仿真环境中进行规模化训练与评估，寻找策略薄弱点并自动生成补充数据，最后将策略无缝部署回真实硬件。李飞飞在社交平台表示，基于此方法训练的策略即使完全没有使用真实世界数据，也能在真机上实现连续 1小时 自主运行。
此举也推进了李飞飞此前提出的世界模型三分法：渲染器（Renderer）、仿真器（Simulator）和规划器（Planner）。#R2S2R 填补了最关键的“仿真器”空白，让 World Labs 生成的世界不仅停留在“视觉真实”，而是真正演变为机器人可以交互、试错和学习的物理训练场。
在以往，具身智能发展的最大瓶颈并非模型架构，而是缺乏可规模化获取的交互经验。在真实世界中进行测试和数据采集不仅硬件成本高昂，且难以覆盖危险或小概率的失败场景。传统的物理引擎则面临严重的 Sim-to-Real 鸿沟。R2S2R 引擎通过对齐仿真与现实中的物理反馈（如摩擦力、接触受力等），支持在数千种受控条件下主动发现失败并进行闭环迭代，已成功适配于 ALOHA、RB-Y1、Flexiv 和 xArm 等多款主流机器人硬件。
长期以来，具身智能（Embodied AI）受限于高昂的数据采集成本与软硬件泛化难题，难以像大语言模型一样迎来“Scaling Law”的爆发。World Labs 推出的 R2S2R 引擎本质上是通过生成式 AI 构建高精度的“数字孪生仿真器”，让 AI Agent 从数字世界的“信息代理”演进为物理世界的“行动实体”。横向对比 NVIDIA Isaac 或 Google RT 等平台，R2S2R 更加强调端到端的三维空间生成能力与物理对齐，大幅降低了场景重建的门槛。这将推动 AI Agent 在复杂的工业、物流及家庭场景中快速落地，使仿真数据成为训练物理智能体的主要燃料，预示着具身 Agent 的规模化量产时代正加速到来。
