（问题）长期以来，机器人从实验室走向真实场景一直卡在“仿真到现实”这道关口：在仿真中训练出的策略往往难以应对真实世界的光照变化、材质差异、相机视角扰动以及复杂接触过程，落地后性能明显下降；业内常见做法是补充大量真实世界的遥操作或人类示范数据，用来校正模型与现实之间的分布差异。但现实数据采集成本高、周期长，数据集也常因难以公开共享和重复验证而限制技术迭代与规模化应用。 （原因）艾伦人工智能研究所（Ai2）机器人研究团队认为，关键不一定是“仿真不可用”，而是传统仿真训练覆盖条件不够广，缺少真实世界常见的多样性与扰动。团队负责人Ranjay Krishna指出，与其默认“必须依赖现实数据”补齐差距，不如先回答：仿真训练究竟缺了什么，才让模型在现实中不稳？他们给出的核心答案是“多样性”。基于该思路，团队将训练重心从少量固定环境转向大规模、多场景、多物理属性的组合生成，尽可能让模型在训练阶段见到更多变化，从而把真实世界视作“另一类仿真场景”。 （影响）基于上述理念，Ai2推出具身研究仿真环境MolmoSpaces与操控模型MolmoBot。MolmoSpaces覆盖超过23万个室内场景，包括家庭、办公室、医院、博物馆等多类空间形态，并配套13万多个物体模型与超过4200万个抓取对应的标注。该环境不仅支持在布局与物体摆放上进行大规模组合，还对重量、材料、铰接结构等交互属性建模，使训练更贴近真实操作中的物理约束。基于这一仿真库训练的MolmoBot，在评估中完成多项基础操控任务，包括抓取与放置、对抽屉与橱柜等铰接物体的操作，并在Franka FR3机械臂、RB-Y1移动操作器等不同平台上实现开门任务，且无需现实世界微调。研究团队将其描述为“零样本仿真到现实迁移”，对“合成训练存在上限、最终仍需大量人类示范”的传统判断提出了挑战。 （对策）从方法看，此项目的重点不只是扩大数据量，而是用更系统的方式提升训练分布的覆盖范围与扰动强度：把不同光照条件、相机视角变化、物体位置偏移以及多样化交互情形直接注入训练环境，降低模型对固定视角与单一布置的依赖。团队举例称，在一些机器人系统中，相机轻微位移就可能导致任务失败；而通过训练时加入视角扰动，模型在相机被明显移动的情况下仍能保持任务执行。对行业而言，这意味着有机会以更低的现实数据采集成本获得更强的泛化能力，也为开放数据、可复现实验与跨机构协同研究提供了更统一的基础设施。 （前景）业内人士认为，如果“高多样性仿真+可迁移模型”的路线持续被验证有效，可能带来多层面的影响：一是降低机器人研发对昂贵遥操作数据和封闭数据集的依赖，推动研究更开放；二是加速通用操控能力积累，为服务机器人、仓储物流、医疗辅助等应用提供更可扩展的技术路径；三是推动评测从“单环境成功率”转向“跨场景鲁棒性”，让模型从“能做”走向“在复杂变化中稳定做”。同时也需要看到，真实世界还存在传感器噪声、材料复杂性、长尾意外与安全约束等更高维挑战，“零样本”能否在更复杂任务链、长期运行以及人机共处条件下保持可靠，仍有赖于更大规模的公开测试与第三方复现。
机器人走向现实世界——既取决于硬件能力——也取决于能否以更低成本获得更强的环境适应性。以多样性驱动的仿真训练为“从虚拟到现实”提供了另一种思路：不把真实世界当作唯一课堂，而是把仿真做得更接近真实分布，提前覆盖更多变化。此路线能否成为通行范式，还需要时间和更广泛的验证；但它所强调的开放、规模与鲁棒性，正在为机器人走出实验室、进入应用场景提供新的可能。