《具身智能Sim2Real迁移技术领域综述：基于容度原理的P4-P7跨层级物理常识框架——从仿真“次元壁”到“物理常识”自指性重构》

专知智库“前沿领域综述”系列第6期
发布机构：专知智库（成都专知利乎数字科技有限公司）
实务转化：余行智库（成都余行专利代理事务所）

摘要

具身智能（Embodied AI）——赋予智能体在物理世界中感知、理解与交互的能力——正被视为继大语言模型之后人工智能的“下一片疆域”。然而，具身智能从仿真走向现实的过程中，遭遇了一道被称为 “Sim-to-Real鸿沟”（次元壁） 的顽固屏障-。在仿真环境中表现完美的策略，部署到真实机器人上往往性能崩溃——摩擦力的微小偏差、视觉渲染的光照差异、乃至机器人本体的批次个体差异，都能让“仿真学霸”变成“现实学渣”-1。过去五年，领域提出了域随机化（Domain Randomization）、系统辨识、物理仿真器优化、世界模型、Real2Sim2Real闭环等大量技术方案-1-12。然而，Sim2Real迁移的“成功率”始终低于理论预期。本文综述了具身智能Sim2Real迁移的核心方法论、物理仿真平台、基准测试与产业进展，并基于容度原理提出一个统合解释框架：Sim2Real鸿沟的本质是P4层（物理常识的隐式编码结构）、P5层（仿真到现实的策略迁移通道）、P6层（物理仿真器的 fidelity-效率权衡）与P7层（真实世界的物理任务语义完整性）之间的“跨层级物理常识失配”——仿真环境中的“物理常识”是显式建模的、确定性的、可参数化的，而真实世界中的“物理常识”是隐式的、涌现的、自指的（即物理规律在每一次物理交互中被重新“确认”）。本文进一步提出了“物理常识自指性”假说——即Sim2Real迁移的终极瓶颈在于物理常识本身是一个自指闭环（Physics Commonsense = {Physics Commonsense}），仿真永远无法“完整地”建模一个自指系统——并基于此提出四项可验证假说和三条产业化路径。

关键词：具身智能、Sim2Real迁移、容度原理、物理常识、域随机化、Real2Sim2Real、物理仿真器、次元壁

一、引言：具身智能的“iPhone时刻”与“次元壁”

1.1 从大语言模型到具身智能：AI的“下一片疆域”

大语言模型（LLM）的成功——GPT、Claude、DeepSeek等模型在文本生成、推理、编程等任务上展现出的惊人能力——从根本上改变了人们对人工智能的想象。然而，LLM的“智能”是离身的（Disembodied） ：它们生活在一个由文本构成的世界中，缺乏对物理世界的直接感知和干预能力-10。

具身智能（Embodied AI）的愿景正是填补这一空白：创造能够感知物理世界、理解物理规律、并在物理世界中采取行动的智能体——即拥有“身体”的AI。人形机器人、自主驾驶、智能仓储、家庭服务机器人、医疗手术机器人……具身智能的应用前景几乎覆盖了人类体力劳动的所有领域。

具身智能与大语言模型的一个根本性区别在于训练数据的来源：LLM可以“吞食”整个互联网上沉淀的文本数据——人类数千年的知识、文化、对话都以文字形式存在-。而具身智能需要的数据是物理交互数据——机器人在真实世界中执行动作、感知反馈、调整策略所产生的数据。这类数据的采集成本极高、速度极慢、且存在安全风险-10。

1.2 仿真：具身智能的“数据工厂”与“次元壁”

面对真实数据稀缺的困境，仿真（Simulation）提供了一个极具吸引力的替代方案：在虚拟环境中以极低成本、极高速度、无限次地训练机器人。Figure AI在仿真中“模拟了数年数据，仅需数小时”-40；特斯拉通过强化学习在仿真中训练Optimus人形机器人的行走和舞蹈能力-。

然而，仿真训练的“学霸”在真实世界中往往“水土不服”。这就是 “Sim-to-Real鸿沟” （也称“现实鸿沟”、“次元壁”）--1。仿真与真实世界之间的差异——物理动力学（摩擦、碰撞、流体行为）、视觉渲染（光照、材质、相机曝光）、传感器噪声、执行器延迟——使得仿真中习得的策略在真实机器人上部署时性能急剧下降。

李飞飞在其世界模型框架中指出，Sim2Real Gap是具身智能完成高效部署的核心瓶颈，高精度的“模拟器”在Real2Sim2Real流程中的核心任务就是不断缩小这一鸿沟--。

1.3 具身智能Sim2Real领域的“三个反常”

反常一：“仿真完美，现实崩溃”——Sim2Real迁移的“断崖式”性能跌落。

这是具身智能领域最普遍、最令人困惑的反常现象。一个在仿真环境中成功率超过95%的抓取策略，部署到真实机器人上后成功率可能骤降至20%以下-。这种性能跌落并非“渐进式”的（即真实环境比仿真环境“稍微难一点”），而是“断崖式”的——仿佛仿真和现实之间存在一道“看不见的墙”。

反常二：“物理常识缺失”——仿真智能体缺乏对真实世界物理规律的“直觉”。

Generalist AI在其技术报告中提出了一个直击本质的概念——“物理常识”（Physical Commonsense） ，被称作 “机器人学的暗物质” -。仿真中训练的策略可以精确地执行“规划好的动作序列”，但一旦遇到“意料之外”的物理情境——桌面比仿真中更滑、物体的重心偏移、地面有微小的坡度——策略立即失效-。这种“物理常识”不是“描述任务的能力”，而是 “在物理世界中实时、闭环地做出反应的能力” -。

反常三：零样本迁移的“薛定谔成功”——同样的方法在不同任务/平台上效果天差地别。

零样本Sim2Real迁移（即仿真训练后直接部署到真实机器人，无需微调）一直是领域的“圣杯”--10。然而，同样的迁移方法在不同任务、不同机器人平台上的效果差异巨大-1。RealMirror平台展示了在某些任务上零样本迁移的成功-10，但在其他任务上（如高动态操作、非抓取式操作）同样的方法完全失效-。这种“薛定谔成功”使得Sim2Real迁移的工程化缺乏可预测性。

二、Sim2Real迁移的核心方法论与技术路径

2.1 域随机化（Domain Randomization）——最广泛采用的“暴力解法”

域随机化是当前最主流、最广泛采用的Sim2Real迁移方法-1。其核心思想是：在仿真训练中随机化尽可能多的物理参数和视觉参数，使策略在面对真实世界的“任何”参数配置时都能工作-40。

技术原理：

在每一次仿真训练中，随机化以下参数：

• 物理参数：摩擦力系数、质量、惯性、关节阻尼、执行器扭矩限制
  
• 视觉参数：光照强度、颜色、纹理、相机噪声、背景
  
• 环境参数：地形、障碍物位置、目标物体姿态
  

通过“见过”足够多的参数组合，策略学会的是 “在不确定的物理参数下仍能完成任务” 的鲁棒策略，而非“在特定参数下精确执行”的脆弱策略-1。

关键进展与数据：

Figure AI在其人形机器人行走训练中，在仿真中同时运行数千个虚拟人形机器人，每个都具有独特的物理参数，暴露于各种地形、执行器动力学变化、以及外部扰动（绊倒、滑倒、推搡） -40。通过这种“暴力随机化”，训练出的策略实现了零样本迁移至真实Figure 02机器人，无需任何微调-40。Figure 02的行走速度达到了每小时2.68英里（约1.2米/秒） ，较前代产品提升了近七倍-。

特斯拉在Optimus人形机器人上也采用了类似的强化学习+域随机化方法，优化“仿真到现实”的训练代码-。

域随机化的局限：

域随机化的“代价”是样本效率的严重下降——为了覆盖足够大的参数空间，需要指数级增加训练数据-12。此外，域随机化无法覆盖“未知的未知” ——即那些在仿真中根本没有被建模的物理现象（如真实世界的静摩擦与动摩擦的复杂转换、非刚体形变、颗粒介质的流动性等）。

2.2 物理仿真器 fidelity-效率 权衡——从Mujoco到Genesis

物理仿真器是Sim2Real迁移的“基础设施”-4。仿真器的 fidelity（保真度）与效率之间存在根本性的权衡。

主流仿真器对比：

仿真 fidelity 的三个维度：

• 物理 fidelity：刚体/软体动力学、摩擦模型、接触力学、流体模拟的精确度
  
• 视觉 fidelity：光照、阴影、材质、相机模型、传感器噪声的真实度-12
  
• 动态 fidelity：仿真与真实世界的“动态响应”一致性——即在相同输入下产生相同的输出-12
  

前沿方向：

TwinAligner（北京大学，2025-2026）提出了一个Real2Sim2Real系统，通过视觉对齐模块（SDF重建+可编辑3DGS渲染）和动态对齐模块（从机器人-物体交互中识别刚体物理），实现了仿真与真实世界在视觉和动态两个维度上的像素级对齐-12。其核心贡献在于：不仅让仿真“看起来像”真实世界，更让仿真“动起来像”真实世界-12。

2.3 Real2Sim2Real——闭环范式的兴起

传统的Sim2Real是单向的：仿真→训练→部署。Real2Sim2Real（R2S2R）则是一个闭环：真实世界数据→构建高保真仿真→在仿真中训练/验证→部署回真实世界→收集新数据→更新仿真-。

核心逻辑：

Real2Sim2Real的核心思想是：仿真不需要“一开始就完美”，而是可以通过真实世界数据的持续反馈不断“校准” -。

关键进展：

RoboSimGS（2025-2026）提出了一个Real2Sim2Real框架，将多视角真实世界图像转换为可扩展、高保真、物理可交互的仿真环境-。其核心技术是3D Gaussian Splatting——将物体的几何和外观属性整合到高斯粒子中，实现外观和几何属性的同时建模优化-。

李飞飞的World Labs框架将Real2Sim2Real定位为 “物理AI的核心能力” ——高精度的“模拟器”在Real2Sim2Real流程中不断缩小Sim2Real Gap-。

2.4 世界模型与生成式仿真——数据稀缺的“终极解”？

世界模型（World Model）是近年来最具想象力的技术方向之一-。其核心思想是：训练一个模型来“预测”物理世界的演化——给定当前状态和动作，预测下一状态。这个“预测模型”本身就可以作为一个“可微分仿真器”来训练策略。

关键进展：

李飞飞团队提出的世界模型框架，核心是构建一个符合物理规律的虚拟空间，让具身智能在其中学习如何在物理世界中行动-。World Labs的终局目标是突破物理AI的数据瓶颈，为机器人提供高效的训练场-。

Training World-Action Models（WAMs）提出了一种 “持续经验积累” 的范式——数据生成与策略改进实时协同演化，加速整体的Sim2Real泛化-。

2.5 零样本迁移——从“梦想”到“现实”

零样本Sim2Real迁移是领域的终极目标：在仿真中训练的策略，无需任何真实数据微调，直接部署到真实机器人上--。

关键里程碑：

• RealMirror（2025） ：通过集成生成式模型和3D高斯溅射重建真实环境和机器人模型，成功实现了零样本Sim2Real迁移——仅使用仿真数据训练的模型，无需微调即可在真实机器人上无缝执行任务-10。
  
• DemoStart（2025） ：提出了一种演示驱动的自动课程强化学习方法，能够在三指机械臂上学习复杂的操作行为，并通过域随机化实现零样本Sim2Real迁移-。
  
• DexScale（2025） ：一个自动技能仿真与扩展的数据引擎，实现了跨多种任务、多种机器人形态、多种策略架构的零样本Sim2Real泛化-。
  
• RynnWorld-Teleop（2026） ：基于动作条件世界模型，实现了灵巧双手机器人任务的零样本Sim2Real迁移--。
  
• asRoBallet（2026） ：提出了摩擦感知强化学习框架，在欠驱动球形动力学任务上实现了零样本Sim2Real迁移-。
  

零样本迁移的“成功条件”：

从上述案例中可以总结出零样本迁移成功的三个关键条件：

1. 高保真仿真：仿真必须足够接近真实世界（视觉+物理+动态三维对齐）
   
2. 充分的域随机化：策略必须见过足够多的“可能世界”
   
3. 任务语义的“简单性” ：零样本迁移在运动控制类任务（行走、奔跑）上比操作类任务（抓取、装配）更易成功——因为运动控制的物理规律相对“确定”，而操作任务的接触动力学高度“混沌”
   

三、反常现象的容度原理解码

3.1 Sim2Real迁移作为“物理常识”跨层级传递的容度定义

在容度原理框架下，我们将Sim2Real迁移重新定义为 “物理常识”（Physical Commonsense） 从仿真环境到真实环境的跨层级传递与验证过程-。

P4层——物理常识的“编码结构”层：

在仿真中，“物理常识”是被显式编码的——通过物理引擎的参数（摩擦系数、恢复系数、质量、惯性张量）和规则（牛顿定律、碰撞响应、约束求解）来定义。P4层的“容度特征”包括：物理模型的完备性（是否覆盖了所有相关的物理现象）、参数的精确性（是否与真实世界一致）、以及物理规律的确定性（是否允许随机性和涌现性）。

P5层——策略学习与迁移通道层：

策略在仿真中通过强化学习或模仿学习被训练出来，然后通过“迁移通道”部署到真实机器人上-1。P5层的“容度特征”包括：策略的泛化能力（能否处理训练中未见过的情境）、迁移的保真度（策略在仿真中的表现有多少“传递”到了真实世界）、以及迁移的鲁棒性（对仿真-现实差异的容忍度）。

P6层——物理仿真器的 fidelity-效率 权衡层：

物理仿真器是P4层“物理常识编码”的物理载体-4。P6层的“容度特征”包括：仿真器的物理保真度（多准确地模拟了真实物理）、视觉保真度（多真实地渲染了环境）、计算效率（多快地能完成训练）、以及可微分性（是否支持通过仿真进行梯度优化）。

P7层——真实世界的“物理任务语义”层：

真实世界是Sim2Real迁移的 “终极裁判” -1。P7层的“容度特征”包括：任务的物理复杂性（涉及多少物理交互）、环境的不可预测性（存在多少未知变量）、以及物理常识的自指性（物理规律在每一次交互中被“重新确认”的程度）。

3.2 “仿真完美，现实崩溃”的容度原理解读

“断崖式性能跌落”的本质是P4层（仿真的物理常识编码）与P7层（真实世界的物理任务语义）之间的“层级失配”——仿真中编码的“物理常识”是不完整的，而策略的“成功”恰恰依赖于这些不完整编码中的“虚假确定性”。

具体而言：

第一，P4层的“物理常识编码”存在系统性偏差。 仿真中的摩擦模型通常是简化的（如库仑摩擦模型忽略了静摩擦-动摩擦的复杂转换、速度依赖性、以及表面污染的影响）。仿真中的接触动力学是离散化的（时间步长有限，无法模拟微秒级的碰撞过程）。这些“简化”在P4层构成了一个 “不完整的物理常识宇宙” ——策略在这个“不完整宇宙”中学会的“成功策略”，在真实世界（完整物理常识宇宙）中失效。

第二，P5层的“迁移通道”放大了P4-P7的失配。 策略在仿真中学习的是 “在P4层编码的物理规则下最优的行为” ，而非 “在真实物理规则下最优的行为” 。当策略通过P5层迁移到真实世界时，它携带的是“错误物理规则下”的经验。这就是为何仿真中成功率95%的策略，在真实世界中成功率骤降至20%——不是策略“忘记了”如何成功，而是策略“成功”所依赖的物理规则在真实世界中不存在。

第三，P6层的 fidelity 限制使得P4层编码永远无法“完备”。 任何物理仿真器都是在计算效率和物理保真度之间权衡的产物。高保真仿真（如Genesis的可微分光追渲染）需要巨大的计算资源；高效率仿真（如Mujoco的刚体近似）牺牲了物理细节。这种P6层的固有权衡意味着：P4层的物理常识编码永远是不完备的——总有一些物理现象没有被建模、被简化、或被忽略。

3.3 “物理常识缺失”的容度原理解读

“物理常识缺失”的本质是：P4层（仿真中的物理常识编码）是“显式的、确定性的、可参数化的”，而P7层（真实世界的物理常识）是“隐式的、涌现的、自指的”——二者之间存在根本性的“认知论断裂”-。

仿真中的物理常识（P4层） ：

• 显式编码：摩擦力 = μ × N（一个公式）
  
• 确定性：给定相同的输入，产生相同的输出
  
• 可参数化：所有物理现象都可以用一组参数来描述
  

真实世界的物理常识（P7层） ：

• 隐式涌现：摩擦力不是“一个公式”，而是“接触表面在微观尺度上的复杂相互作用”的涌现结果
  
• 自指性：每一次物理交互都在“重新定义”物理规律——两个表面接触一次，其微观结构就发生一次不可逆的变化，下一次接触的摩擦力已经不同
  
• 不可完全参数化：真实世界的物理现象涉及量子尺度的涨落、热力学的不可逆性、以及混沌动力学的初值敏感性
  

Generalist AI的洞见在此得到容度原理的精确表述：物理常识是 “机器人学的暗物质” ——看不见、摸不着、但决定了物理世界中“几乎所有真正起作用的东西”-。仿真可以建模“看得见的物理”（刚体动力学、碰撞响应），但无法建模“暗物质物理”（接触面的微观演化、材料疲劳、热效应、磨损）。

这就是为何仿真中训练的策略缺乏“物理常识的直觉”-——它从未经历过“真实物理常识”的自指性演化过程。它只知道“公式中的物理”，不知道“涌现中的物理”。

3.4 零样本迁移“薛定谔成功”的容度原理解读

零样本迁移的“薛定谔成功”（在某些任务上成功，在其他任务上失败）的本质是：不同任务对P4-P7“层级失配”的敏感度不同。

低敏感度任务（零样本迁移易成功） ：

• 运动控制（行走、奔跑、跳舞）：物理规律相对全局一致（重力加速度是常数，牛顿定律是普适的）。P4层编码的“物理常识”与P7层真实物理的失配较小。Figure AI的行走、特斯拉Optimus的跳舞都属于此类--40。
  

高敏感度任务（零样本迁移易失败） ：

• 操作任务（抓取、装配、插入）：物理规律高度局部化（接触点的摩擦、物体的微小形变、表面的污染）。P4层编码的“物理常识”与P7层真实物理的失配巨大。一个仿真中“完美”的抓取策略，在真实世界中可能因为接触面0.1mm的灰尘而完全失败。
  

容度原理的解释：零样本迁移的成功与否，取决于P4层编码的“物理常识”是否“覆盖”了P7层任务所需的“物理常识空间”。运动控制任务的“物理常识空间”较小（重力、惯性、关节动力学），容易覆盖；操作任务的“物理常识空间”极大（接触力学、摩擦学、材料科学、表面化学），难以覆盖-12。

3.5 “物理常识自指性”——YX={YX}在Sim2Real中的体现

在容度原理第10期的框架中，我们提出了“系统自指性”（YX={YX}）。Sim2Real迁移的终极瓶颈同样可以归结为“物理常识的自指性” ：

物理常识 = {物理常识}

这个公式表达的是：物理常识不是一个可以被“完整编码”然后“传递”的静态知识库。物理常识是在每一次物理交互中被重新“确认”和“生成”的动态过程 -。

仿真试图做的是：在P4层编码一个“静态的物理常识快照”，然后通过P5层“传递”给真实世界。但真实世界的物理常识是自指的——每一次物理交互都在修改下一次交互的“初始条件”。

这一自指性意味着：

1. 仿真的“完备性”在逻辑上不可能。 要完整地仿真一个自指系统，仿真器本身必须成为该系统的一部分——这导致了无限递归。
   
2. 策略的“泛化”永远面临“未知的未知”。 无论域随机化覆盖了多少参数空间，总有一些物理现象没有被建模——因为这些现象本身就是“涌现”的，而非“预编码”的。
   
3. Real2Sim2Real是“逼近”自指系统的唯一路径。 通过持续从真实世界采集数据、更新仿真、再训练策略，Real2Sim2Real形成了一个 “逼近自指闭环”的迭代过程——每一次迭代都在缩小P4层编码与P7层真实之间的差距-。
   

四、可验证假说与产业转化建议

4.1 四项可验证假说

假说一：“物理常识覆盖率”可预测Sim2Real迁移的成功率。

定义“物理常识覆盖率” = P4层编码的物理现象种类 / P7层任务涉及的物理现象种类。验证方法：对同一任务（如“抓取未知物体”），在仿真中逐步增加物理现象的种类（刚体→软体→颗粒介质→流体），测量每种配置下的Sim2Real迁移成功率。预期：覆盖率与成功率之间存在S型曲线关系——覆盖率超过某一阈值（约70%-80%）后，成功率急剧上升。

假说二：任务的“物理常识空间维度”与零样本迁移难度正相关。

验证方法：定义任务的“物理常识空间维度” = 影响任务成功的关键物理参数的数量（如运动控制：~5个参数；抓取操作：~20个参数；灵巧操作：~50个参数）。测量不同维度任务上零样本迁移的成功率。预期：维度每增加1个数量级，零样本迁移成功率降低约50%。

假说三：Real2Sim2Real的“迭代次数”与P4-P7失配度之间呈对数关系。

验证方法：在Real2Sim2Real闭环中，测量每次迭代后P4层编码与P7层真实之间的“失配度”（通过仿真预测与真实测量的偏差来量化）。预期：失配度随迭代次数呈对数下降——前10次迭代贡献了80%的改进，后续迭代边际收益递减。

假说四：“物理常识自指性强度”是Sim2Real迁移的终极上限。

定义“物理常识自指性强度” = 任务中物理交互的“不可逆性”程度（如摩擦磨损、材料疲劳、热效应等“单向”物理过程）。验证方法：对比“可逆物理任务”（如刚体运动）和“不可逆物理任务”（如变形操作）上的Sim2Real迁移效果。预期：不可逆任务的迁移效果存在一个无法突破的上限——无论投入多少训练数据和计算资源。

4.2 对具身智能产业的三条战略建议

建议一：放弃“通用仿真器”幻想，转向“任务定制化仿真”。

不存在一个“放之四海而皆准”的物理仿真器。对于运动控制类任务，Mujoco/Isaac Sim已经足够；对于操作类任务，需要Real2Sim2Real的持续校准-12；对于涉及软体、流体、颗粒介质的任务，需要专门的物理模型。建议产业界根据目标任务的物理常识空间维度选择仿真策略，而非盲目追求“最高保真度”的仿真器。

建议二：将“物理常识”作为具身智能模型的核心评估维度。

当前具身智能模型的评估主要关注“任务成功率”——这是一个结果导向的指标。建议增加 “物理常识理解度” 作为核心评估维度——测试模型在面对“意料之外”的物理情境时的适应能力（如突然增加的摩擦力、变化的重心、未知的物体材质）-。只有通过“物理常识”测试的模型，才具备真实世界部署的可靠性。

建议三：接受“零样本迁移的边界”，拥抱“少样本自适应”。

零样本Sim2Real迁移在运动控制等“低物理常识空间维度”任务上已经取得了令人瞩目的成功-40。但对于高维度操作任务，应放弃“零样本”的执念，转向“少样本自适应”——即在仿真中训练一个“基础策略”，然后在真实机器人上使用少量（如10-50次）真实交互数据进行微调-。研究表明，少量的真实数据微调可以不成比例地缩小Sim2Real鸿沟。

参考文献说明

1. Sim2Real迁移综述与框架：

• Zhao Y, et al. Reinforcement learning in robotic systems: A review on sim-to-real transfer. Robotics and Autonomous Systems, Vol.198, 2026.--1
  
• Wong LHK, et al. A Survey of Robotic Navigation and Manipulation with Physics Simulators in the Era of Embodied AI. arXiv:2505.01458v2, 2026.-4
  
• Zhang Y, Tian J, Xiong Q. A review of embodied intelligence systems: a three-layer framework integrating multimodal perception, world modeling, and structured strategies. Frontiers, 2025.-
  
• 3D Generation for Embodied AI and Robotic Simulation: A Survey. arXiv, 2026.-
  

2. 域随机化与零样本迁移：

• Figure AI. Natural Humanoid Walk Using Reinforcement Learning. Figure AI Blog, 2025.-40
  
• Tai C, et al. RealMirror: A Comprehensive, Open-Source Vision-Language-Action Platform for Embodied AI. arXiv:2509.14687v1, 2025.-10
  
• DemoStart: Demonstration-Led Auto-Curriculum Applied to Sim-to-Real with Multi-Fingered Robots. ICRA, 2025.-
  
• DexScale: Automating Data Scaling for Sim2Real Generalizable Robot Control. 2025.-
  

3. Real2Sim2Real与仿真器：

• Fan H, et al. TwinAligner: Visual-Dynamic Alignment Empowers Physics-aware Real2Sim2Real for Robotic Manipulation. arXiv:2512.19390, 2025.-12
  
• Zhao H, et al. High-Fidelity Simulated Data Generation for Real-World Zero-Shot Robotic Manipulation Learning with Gaussian Splatting. arXiv, 2025.-
  
• Robo-GS: A Physics Consistent Spatial-Temporal Model for Robotic Arm with Hybrid Representation. ICRA, 2025.-
  

4. 物理常识与Sim2Real鸿沟：

• Generalist AI. The Dark Matter of Robotics: Physical Commonsense. Generalist AI Blog, 2026.-
  
• Embodied AI with Foundation Models for Mobile Service Robots: A Systematic Review. MDPI, 2026.-
  
• Why the Sim2Real Gap Is Still Open in 2026. Objectways, 2026.-
  

5. 世界模型与生成式仿真：

• Li F-F, et al. World Labs: Real2Sim2Real for Physical AI. 2026.-
  
• Training World-Action Models (WAMs). arXiv, 2026.-
  
• RynnWorld-Teleop: An Action-Conditioned World Model for Digital Teleoperation. arXiv, 2026.--
  

专知智库内部互链

本文与以下专知智库系列文章密切关联：

• 第10期：《系统自指YX={YX}——从群体到个体的范式革命》（zzzk.org.cn/decoding-anomalies/010）
  
• 月球知识产权登记专栏：具身智能技术在月球基地的部署与知识产权保护（zzzk.org.cn/moon-ip）
  

术语索引：本文中“容度原理”、“P4-P7层级”、“物理常识自指性”等关键概念，详见专知智库官网术语词典（zzzk.org.cn/glossary）。

结语

具身智能的Sim2Real迁移，本质上是 “将物理常识从仿真环境的显式编码，迁移到真实世界的隐式涌现” 的跨层级挑战。过去五年的技术进展——域随机化、高保真仿真器、Real2Sim2Real闭环、世界模型——都在试图“缩小”这一鸿沟，但鸿沟始终存在。

专知智库（成都专知利乎数字科技有限公司）与余行智库（成都余行专利代理事务所）基于容度原理的分析表明：Sim2Real鸿沟的终极根源在于物理常识本身的自指性——物理常识不是可以被“完整编码”然后“传递”的静态知识，而是在每一次物理交互中被重新“确认”的动态过程-。

这意味着：Sim2Real迁移不存在“终极解决方案” ——只有一个持续的、迭代的“逼近过程”。Real2Sim2Real不是一种“技术选项”，而是面对物理常识自指性的唯一理性路径-。

当具身智能产业认识到“仿真永远无法替代真实物理交互”，转而拥抱“仿真加速学习+真实数据持续校准”的混合范式时，Sim2Real鸿沟将从“不可逾越的天堑”变为“可以持续缩小的差距”。

专知智库“前沿领域综述”系列第6期
发布日期：2026年8月
在线阅读及PDF下载：zzzk.org.cn/reviews/006
版权声明：专知智库（成都专知利乎数字科技有限公司）保留所有权利。学术引用请标注出处。实务转化请咨询余行智库（成都余行专利代理事务所）。

关于“月球知识产权登记”的特别说明

专知智库联合余行智库，已于2026年全球率先推出 “月球知识产权登记” 服务。具身智能技术在月球基地的部署（如月球表面的自主导航、资源开采、基地建设机器人）将面临极端环境下的Sim2Real挑战，相关专利布局与知识产权保护是下一阶段的重要探索方向。了解更多：zzzk.org.cn/moon-ip