# World Labs перетворює один запис робота на тисячі симуляцій > World Labs, стартап Фей-Фей Лі зі спеціалізацією на просторовому інтелекті, генерує тисячі симуляцій одного завдання робота для тренування моделей керування. - Опубліковано: 15 серпня 2026 р. (2026-08-15T07:59:56.500864+00:00) - Розділ: AI-дослідження - На основі публікації: [The Decoder](https://the-decoder.com/world-labs-turns-one-real-world-robot-task-into-thousands-of-simulated-variations-for-training/) - Видання: AiiN (https://aiin.news) - URL: https://aiin.news/article?slug=world-labs-%D0%BF%D0%B5%D1%80%D0%B5%D1%82%D0%B2%D0%BE%D1%80%D1%8E%D1%94-%D0%BE%D0%B4%D0%B8%D0%BD-%D0%B7%D0%B0%D0%BF%D0%B8%D1%81-%D1%80%D0%BE%D0%B1%D0%BE%D1%82%D0%B0-%D0%BD%D0%B0-%D1%82%D0%B8%D1%81%D1%8F%D1%87%D1%96-%D1%81%D0%B8%D0%BC%D1%83%D0%BB%D1%8F%D1%86%D1%96%D0%B9 --- World Labs, стартап Фей-Фей Лі зі спеціалізацією на просторовому інтелекті, розробила спосіб перетворювати один реальний запис виконання роботом завдання на тисячі симульованих варіацій для тренування моделей керування. [За даними The Decoder](https://the-decoder.com/world-labs-turns-one-real-world-robot-task-into-thousands-of-simulated-variations-for-training/), ідея проста: замість того, щоб знову й знову записувати робота, який виконує ту саму дію в реальному світі, компанія генерує з одного демонстраційного епізоду цілий масив синтетичних сценаріїв — з іншим освітленням, розташуванням предметів і текстурами поверхонь. Для робототехніки це болюча й дорога проблема вже не перший рік. Щоб модель керування навчилася надійно виконувати навіть просту дію — скажімо, взяти чашку зі столу, — потрібні сотні чи тисячі демонстрацій у різних умовах. А фізичний запис кожної такої демонстрації руками робота коштує часу, обладнання й людської праці. World Labs заснувала 2024 року Фей-Фей Лі — професорка Stanford, співавторка датасету ImageNet і одна з найвпливовіших дослідниць комп'ютерного зору у світі. Компанія залучила понад 230 мільйонів доларів на посівному раунді з оцінкою понад мільярд доларів, а у листопаді 2025 року випустила Marble — платформу, що генерує персистентні тривимірні світи з тексту чи зображень. Симуляція для тренування роботів виглядає логічним продовженням цієї технології: та сама генерація тривимірного простору, застосована не до ігор чи візуалізацій, а до цілком інженерної проблеми браку даних. ## Що саме зробила World Labs? Компанія показала техніку, яка бере один реальний епізод — робот виконує конкретне фізичне завдання — і розмножує його в тисячі симульованих варіацій того самого завдання. За даними The Decoder, мета — дати командам робототехніки набагато більше тренувальних даних, ніж вони можуть фізично зібрати реальними роботами, не витрачаючи тижні на повторні зйомки того самого руху. ## Чому одного демо мало для тренування робота? Модель керування, натренована на єдиному записі, схильна запам'ятовувати конкретну сцену, а не саму дію. Досить пересунути чашку на кілька сантиметрів, змінити колір скатертини чи кут освітлення — і робот, натренований на вузькому наборі даних, часто просто не впізнає завдання. У робототехніці цей ефект називають розривом sim-to-real: модель, що чудово працює в умовах одного запису, ламається, щойно обставини трохи змінюються. Це той самий клас проблем, що й [чому ШІ-моделі досі плутаються в простих зображеннях](https://aiin.news/article?slug=чому-ші-моделі-досі-плутаються-в-простих-зображеннях) — вузький тренувальний досвід дає крихку модель. Тисячі варіацій одного завдання — спосіб змусити модель вивчити саму дію, а не декорації навколо неї. ## Кому це знадобиться найперше? Найбільше від такого підходу виграють команди, що тренують robot foundation models — узагальнені моделі керування маніпуляторами й гуманоїдними роботами, яким потрібні мільйони епізодів різноманітних дій. Для стартапів і лабораторій, які не можуть дозволити собі парк роботів для цілодобового збору даних, генерація синтетичних варіацій із небагатьох реальних демонстрацій — суттєво дешевший шлях набрати обсяг, потрібний для тренування. - Компанії, що будують узагальнені моделі керування роботами (robot foundation models) - Дослідницькі лабораторії з обмеженим парком фізичних роботів - Розробники, яким потрібно швидко перевірити стійкість policy до варіацій сцени Ймовірно, саме тому цей напрямок цікавить не лише World Labs: подібні ідеї «real-to-sim» останніми роками просувають й інші лабораторії, що працюють над world models для робототехніки. ## Висновок AiiN На наш погляд, важливіше за саму техніку — те, куди рухається компанія, яка досі асоціювалася переважно з генерацією тривимірних світів для контенту й ігор через платформу Marble. Тепер World Labs монетизує ту саму здатність будувати переконливі синтетичні простори там, де брак даних — не творча, а суто інженерна проблема. Якщо генерація тисяч симуляцій з одного демо справді на порядки знижує вартість тренувальних даних для робототехніки, це змінює економіку не лише самої World Labs, а й усього ринку robot foundation models, де дані досі лишаються головним вузьким місцем — гострішим навіть за брак обчислювальних потужностей. ## Що таке World Labs? World Labs — стартап зі спеціалізацією на просторовому інтелекті (spatial intelligence), заснований 2024 року Фей-Фей Лі. Компанія будує технології генерації тривимірних світів і моделі, що розуміють фізичний простір так, як його сприймають люди й роботи, а не лише плоскі двовимірні зображення. ## Чим це відрізняється від звичайної симуляції для роботів? Класична симуляція для робототехніки — це вручну змодельовані 3D-сцени в рушіях на кшталт NVIDIA Isaac чи MuJoCo, які інженери будують окремо від реальних даних. Підхід World Labs, за даними The Decoder, іде в інший бік: він бере реальний запис і генерує варіації довкола нього, тож синтетичні сцени лишаються прив'язаними до фізичної реальності, а не вигаданими з нуля. --- Теги: AI, робототехніка, WorldLabs, симуляція, spatialintelligence, FeiFeiLi Джерело: AiiN — https://aiin.news/article?slug=world-labs-%D0%BF%D0%B5%D1%80%D0%B5%D1%82%D0%B2%D0%BE%D1%80%D1%8E%D1%94-%D0%BE%D0%B4%D0%B8%D0%BD-%D0%B7%D0%B0%D0%BF%D0%B8%D1%81-%D1%80%D0%BE%D0%B1%D0%BE%D1%82%D0%B0-%D0%BD%D0%B0-%D1%82%D0%B8%D1%81%D1%8F%D1%87%D1%96-%D1%81%D0%B8%D0%BC%D1%83%D0%BB%D1%8F%D1%86%D1%96%D0%B9. Цитуючи, посилайтесь на канонічний URL.