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, 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 — 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.

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.