9月16日，中国科学院软件所的6层会议室。

房间不大，空调很猛，有人开玩笑说，这温度更像是专门给GPU散热准备的。屋里没有人山人海，但每个人都在运转着算力。这是AGIROS社区组织的一场技术研讨会，主题是“AGIROS机器人操作系统与具身智能技术落地实践”，主打务实交流，不搞概念宣讲。

云道智能物理AI开发平台技术负责人吴蕴超博士，做了主题为“仿真原生的世界模型Sim-PI”的技术分享。台下坐着的正是机器人操作系统、具身智能方向的开发者和从业者。很多人手上都在推进真实项目，对“落地”这件事有着切肤之痛。

开场很直接：“物理AI的核心是仿真。”这句话放在今天的语境里，不算新鲜，英伟达和李飞飞都提过类似判断。但云道智能的底气在于，在物理引擎这个核心壁垒上积累了大量算法和经验。全自研的仿真底座有着工业级高精度和原生多物理耦合。用吴博士的话说，“我们坚定地认为仿真在世界模型里占据重要地位”。

这个判断背后，是云道智能对当前具身智能瓶颈的一个观察：数据和交互训练环境，正在成为行业最现实的卡点。实采数据耗费人力物力，更关键的是，它的分布存在天然偏移。一旦模型误差积累，偏移出了分布，失败就不可避免。

仿真的价值恰恰在这里：它可以增强数据分布，用空间多样性、材质多样性、光影多样性、轨迹多样性等手段，把数据覆盖面撑开。而这些都可以通过规划和代码自动化实现，不需要人工反复调试。

以线缆仿真为例：国外主流物理引擎做线缆，通常采用多段刚体模型，把一根线拆成很多分段。结果仿真出来的效果“明显给人不舒服的感觉，很不真实”。云道智能采用的是高精度的连续体仿真引擎，回弹更柔顺，物理更准确。细节很小，但台下人知道，这是仿真精度上的硬功夫。

更让在场人兴奋的，是“零真机部署”案例。

在这个场景里，团队通过Sim-PI生成了1000多条数据，经过训练后直接部署到真机上，没有经过任何调整。真实跑了100次，成功率93%。

Real2Sim对齐

多样性仿真数据生成

“只要你的Real2Sim的对齐和域随机化做得好，仿真训练之后是可以部署到真实场景里去的。”这句话背后，是Sim-PI方案的核心主张：零实采，全仿真。从仿真数据生成到训练再到测试，整个体系围绕仿真打造，最后通过Sim2Real部署到真实场景。

Sim2Real落地，实现光影多样性泛化

仿真原生，本质上是在强调一件事：这个世界的物理规律，不是靠视频预测学出来的，而是在仿真引擎里被精确建模、精确求解出来的。Sim-PI的核心是物理引擎，具备强大的数据生成能力和端到端的模型训练与评估能力。

在模型评估环节，仿真也提供了一个精准可控、可扩展的仿真测试环境，进一步提升了测试的效率，例如仿真中把测试环境复原，就是一个简单的自动reset，全部精准复原到原先状况。

会议结束后，人们没有立刻离开。有人提到线缆仿真的细节，有人问到域随机化的具体实现。讨论会现场没有太多热闹的场面，但屋子里的人都在认真拆解落地痛点。仿真到底能不能用？仿真生成的数据能不能和真实对齐？渲染出来的效果能不能和真实摄像机看到的一致？这些问题，吴博士用一个个具体案例给出了回答。这或许就是AGIROS社区组织这场活动的本意：不宣讲概念，只交流实践，让问题摊开，让思路碰撞。

厨房场景多样性数据生成，赋能模型泛化性

零实采，全仿真，Sim2Real，这是云道智能Sim-PI的答案。这条路并不轻松，但云道智能扎实走了十余年。从工业仿真到物理AI，从物理引擎到世界模型。

仿真原生的世界模型，不是概念，是正在发生的现实。云道智能会继续沿着这条路走下去，在工业制造产线上，在复杂线缆插入场景里，在每一个需要机器人真正帮人类干活的地方。