本文来自微信公众号： 极客公园 ，作者：Li Yuan，编辑：郑玄，原文标题：《让机器人学会番茄炒蛋爆红网络的 Genesis AI，开源了自己的机器人「训练场」》
上次端出了惊艳的西红柿炒鸡蛋demo后，Genesis AI今天又发布了新东西。
在上次极客公园的报道中（Genesis AI发布新模型：机器人开始挑战西红柿炒鸡蛋），Genesis AI CEO周衔曾提到，围绕「仿真平台自动化、规模化生成任务」，公司已经有了更进一步的思考，后续可能会公布。现在，这个答案中重要的一部分来了。
5月28日，Genesis AI发布Genesis World 1.0，并开源了三套核心项目：Genesis World物理仿真平台、Quadrants跨平台GPU编译器，以及Nyx写实渲染器。按照Genesis AI的说法，这是一套为机器人和Physical AI准备的全栈仿真基础设施，底层编译器、渲染器和物理引擎都由团队自研。
看视频展示，Genesis World 1.0下的仿真世界，非常像真实世界，尤其是那些过去很难模拟的柔性物体的形变、复杂碰撞和机器人的灵巧操作。
Genesis AI还展示了和真实场景1:1速率并排对比的机器人操作，两者十分接近。
Genesis World 1.0首先要解决的，不是立刻生成更多训练数据，而是让机器人模型评测变得更快、更可重复，而且仍然开源。
对机器人基础模型来说，真实世界一直是最慢、最贵、也最难规模化的评测环境。一个模型checkpoint、一套数据配方、一次控制策略改动，最终都要回到真实硬件上验证。但真实机器人只能以1倍速运行，测试还会受到硬件数量、场地、人工、磨损、校准误差和安全风险限制。
Genesis AI想解决的，正是这个瓶颈。
在官方博客里，Genesis AI给了一个很直接的对比：一次覆盖数百个任务、每个任务重复数百次的模型评测，如果放在真实世界里，需要一台机器人和一名操作员连续运行200多个小时；而在仿真中，数万次episode可以在不到0.5小时内完成。团队还称，其仿真评测结果和真实硬件rollout的相关性达到89%。
这些数字仍然来自Genesis AI官方披露，尚非独立验证，但它们指向了一个清晰的方向：Genesis World 1.0想证明，仿真能够成为一个帮助机器人scaling的方式——靠先成为一个足够接近真实世界、能够反复测量机器人模型的试验场。
01
机器人的仿真试验场
Genesis World 1.0最直观的变化，是把很多机器人真正头疼的物理细节放进了同一个仿真世界里。
其中最容易被普通人感知的是视觉真实感。
这件事对机器人很重要。机器人模型最终看到的不是理想世界，而是摄像头里的世界。光照、镜头畸变、模糊、反射、材质差异，都会影响模型在真实环境里的判断。
更难的是接触和变形。
Genesis World 1.0展示了一个完全由接触物理驱动的yoyo系统。yoyo看起来像玩具，但对仿真来说并不简单：它涉及绳子、旋转、缠绕、张力变化和持续接触。类似的还有垃圾袋、折纸和颠勺。
颠勺demo里，锅里同时多种物体。它们的形态、接触和运动方式都不一样，也处理的很好。
除此之外，这次的demo中，一个比较大的进步是对于灵巧操作的仿真。
Genesis World 1.0展示的不是单一机械臂或单一夹爪任务，而是把不同形态的末端执行器放进同一套仿真框架里：既有Wuji/Sharpa这样的五指灵巧手，也有更传统的夹爪。它们面对的也不是标准化的刚体抓取，而是垃圾袋、纸张、绳子、锅里的食材这类接触状态不断变化的对象。
比如垃圾袋demo里，机器人要用双手把袋口撑开，再把它套进垃圾桶。这个动作对人来说很普通，但对机器人仿真来说很难：袋口会塌陷，薄膜会折叠，手指和袋子之间不断发生滑动、拉扯和重新接触。
仔细看，它还不像真正的塑料袋，更接近布料的柔软皱褶，但这本身已经说明系统可以处理复杂薄壳、大变形接触，以及多指手和软物体之间的连续交互。
折纸demo则展示了elastoplastic thin shell manipulation，机器人要让纸张发生折叠、弯曲和保形，这比刚体抓取难得多。
Genesis还不只是模拟画面和物理运动，也在模拟机器人本体和传感器。
在Unitree机器人demo里，画面右侧甚至显示了关节温度。也就是说，仿真并不只关心机器人有没有走起来，还试图把IMU、关节温度这类更接近真实硬件状态的信号放进去。另一组demo展示了lidar和触觉传感器模拟：机器人抱起纸箱时，画面同时给出点云和手掌触觉读数。
这些细节让Genesis World 1.0的目标变得更清楚：它不是只想做一个能看视频的虚拟世界，而是想模拟机器人真正会用到的世界，包括相机、触觉、雷达、关节状态，以及不同任务里不断变化的接触关系。
Genesis还放了一个domain randomization的测试。同一个任务可以在不同物体、材质、桌面、光照和场景布局中反复变化。对机器人模型来说，这才是仿真的意义：不是在一个完美场景里跑通一次，而是在大量相似但不相同的世界里反复失败、测量和修正。
02
仿真不只是造数据，先要能验模型
Genesis AI这条技术线索，最早并不是从机器人demo开始，而是从一个博士期间的开源仿真项目开始。
2024年12月，在创立Genesis AI之前，周衔和合作者发布了开源仿真项目Genesis。它采用Apache-2.0协议，被定义为面向通用机器人和具身AI学习的仿真平台，底层统一多种物理求解器，上层则试图通过生成式框架自动生成场景、任务和机器人数据。
它当时最吸引人的想象，是「一句话生成物理世界」：用生成式框架调用物理引擎，自动生成场景、任务、动作、奖励函数和多模态数据。
这个想法很直接，也很诱人。
机器人缺数据，尤其缺真实物理交互中的高质量数据。一个人倒水、切菜、系线、撑开垃圾袋，里面包含大量隐含的接触、摩擦、力反馈和材料变化。仅靠真实机器人一点点采集，不仅慢，也很难覆盖足够多的任务、物体和环境变化。如果仿真平台足够真实，再让上层生成式系统自动提出任务、生成场景、设计奖励函数、训练策略，它就有可能变成一个机器人数据工厂。
这也是周衔曾经的最初设想：用LLM驱动物理引擎，为机器人创造数据。一个强物理引擎作为工具，上层生成式框架通过和物理引擎交互，自动化生成各种模态的数据。这个想法后来驱动了Genesis很长一段时间的开发。
但到了Genesis World 1.0，Genesis AI对仿真的表述变得更克制，也更工程化了。
在这次技术博客中，Genesis AI明确写道，他们现在把simulation看作机器人基础模型的「evaluation and iteration engine」，而不只是data generator。原因也很现实：如果一个模型用仿真数据训练，又在同一个仿真分布里评测，效果变好可能只是更适应simulator，而不一定真的更适应真实世界。
所以Genesis AI选择先做一件更基础的事：验证仿真评测和真实硬件rollout是否相关。
按照他们的说法，这一阶段的目标，是在不依赖仿真数据做预训练的前提下，建立simulation和real world之间的强相关。也就是说，模型主要从真实世界数据中学习，再被放进仿真环境里做闭环评测。如果仿真里的表现排序和真实硬件上的表现排序一致，仿真才有资格成为模型迭代的工具。
Genesis AI在博客里特别强调了closed-loop evaluation，也就是闭环评测。
过去很多机器人模型会报告固定数据集上的动作预测误差，比如R-squared或MAE。它们当然有用，可以发现模型输出是否异常，也可以作为训练过程中的sanity check。但Genesis AI认为，一旦几个模型在这些开环指标上进入一个比较接近的区间，它们就很难再区分真实世界里的表现差异。
原因很简单：机器人模型不是在答题卡上考动作预测，而是在物理世界里连续犯错。
一次轻微的视觉误判、一次抓取偏移、一次接触不稳，都可能在后续动作里被放大。模型真正需要被测量的，不只是某一帧预测得对不对，而是在环境持续变化时，它能不能感知、行动、纠错，最后把任务完成。也因此，Genesis AI才把仿真评测做成closed-loop：让模型在仿真环境里实际执行任务，而不是只在静态数据集上预测动作。
Genesis AI在博客里披露，他们在14个任务上评估了Small、Medium、Large三个不同规模和架构的模型，每个任务在真实世界和仿真中各跑200个episode，再用100万次bootstrap估计置信区间。最终，仿真评测和真实硬件rollout的Pearson correlation达到0.8996，MMRV为0.0166。
这也是Genesis从2024年到2026年叙事上的变化：从「生成一个物理世界」，走向「先让这个物理世界足够可信」。
03
开源一套机器人世界的底层工具
Genesis World 1.0是整个开源的，把三层工具一起放了出来：物理引擎、渲染器和编译器。
第一层是Genesis World本身，负责模拟机器人真正会遇到的物理世界：刚体、可变形物体、布料、颗粒、流体、薄壳，以及不同机器人本体和末端执行器之间的复杂接触。对机器人来说，这一层决定了「世界会不会按真实方式回应动作」。
第二层是Nyx。它负责让机器人看到的世界更接近真实相机。Genesis AI在技术博客里说，游戏引擎优化的是视觉吸引力，离线渲染器追求物理准确但太慢；机器人需要的是另一种渲染器：能大规模生成接近真实摄像头的图像，并且足够快地支撑评测。换句话说，Nyx的意义不是做出最讨好人眼的画面，而是尽量接近机器眼睛。
第三层是Quadrants。它看起来最不性感，但很能说明Genesis为什么要做全栈。
机器人仿真不是只跑在一种机器上：工程师可能在MacBook上调试，大规模评测跑在GPU集群里，部分控制和验证未来还可能跑在机器人板端。Quadrants支持CUDA、ROCm、Apple Metal、Vulkan，以及x86/ARM64 CPU，目标是让同一套Python kernel能在不同硬件后端运行。它的意义不是「又一个编译器」，而是让仿真栈尽量不被单一硬件锁死。
这三层合在一起，才构成Genesis World 1.0想要做的东西：一个既能模拟物理、又能模拟视觉、还能大规模运行的机器人世界。
也只有在这三层都成立之后，自动生成任务才有意义。
在技术博客后半部分，团队提到了一条programmatic pipeline：自动生成simulation environment，包括scene layout、asset selection、environment code和success metrics。换句话说，未来的仿真系统不只是被动接收人类写好的任务，而是可以自己扩展任务空间、生成评测场景，并定义什么叫完成任务。
这也把Genesis World 1.0从一个开源工具，推向了一个更大的目标。
他们在结尾提出的方向是self-evolving physical AI：内循环发生在仿真里，agent生成环境，模型执行任务，仿真系统评分，策略继续改进；外循环发生在真实世界里，真实部署暴露edge cases，再反过来校准simulator和任务分布。
它解释了为什么Genesis AI要把仿真、渲染和编译器一起做出来，又一起开源。它想做的不是让机器人少跑几次真机测试，而是让机器人研发从人手设计任务、人手调参、人手排队上真机，逐渐变成一个能自我产生问题、验证答案、再回到现实中修正自己的系统。
如果这条路走通，仿真就不再只是现实世界的替身。它会变成机器人学习现实世界的一种方式。