Gym-Anything：用编码智能体造机器人仿真环境

机器人仿真的痛点不在于算法，而在于环境太少、太窄。UC Berkeley 等机构提出的 Gym-Anything for Robotics 试图把「造仿真」本身交给编码智能体，让仿真创建变成可规模化的代码任务。

为什么机器人仿真扩不起来

具身智能模型的训练依赖大规模、多样化的仿真环境。但现实中可用的仿真只覆盖了极窄的一类任务和物理现象，距离真实世界的丰富程度相去甚远。

核心瓶颈并不隐蔽：做一个高质量仿真需要专家投入大量手工工作，成本随任务数量线性上升，无法规模化。换句话说，仿真的供给侧被人的产能锁死了。

Gym-Anything 的判断是，如果仿真创建能被表述为编码智能体任务，那么编码智能体能力的提升就会直接转化为更丰富、更忠实于物理现实的仿真。这是一个把「仿真产能」挂靠在 AI 编程能力进步曲线上的思路。

具身智能（Embodied AI）指在物理或仿真环境中通过感知—决策—行动闭环来学习智能的范式，与只处理文本或图像的模型不同，它的训练信号来自与环境的交互结果。强化学习（RL）训练尤其依赖大量可重置、可并行的环境实例，因为策略需要数百万次试错才能收敛。仿真器提供了低成本、可复现、可加速的交互场所，但每个仿真环境本身仍需人工搭建场景、编写物理参数与任务奖励，这构成了供给侧瓶颈。仿真环境与真实世界之间的差距被称为「仿真—现实鸿沟」（sim-to-real gap），环境越单一，策略迁移到真实机器人时的性能衰减越大，因此环境多样性本身就是模型泛化能力的决定因素之一。

从 GDP 数据反推该造哪些仿真

一个容易被忽略的设计问题是：应该优先仿真哪些任务？Gym-Anything 的做法是按美国 GDP 数据来选择，让仿真覆盖具有经济价值的物理劳动，而不是凭直觉挑几个炫技场景。

这带来两个好处。其一是任务分布有现实依据，避免了基准测试常见的偏斜；其二是为「仿真是否值得做」提供了可讨论的外部标准。

框架还明确定义了什么算一个好的仿真、什么算一个好的任务，并据此设计了对抗式的创建—审计循环：智能体创建仿真与任务，审计环节对照定义逐项检查。这种自我对抗的结构，是为了在缺少人工审核的情况下仍能维持质量下限。

RoboWorld：25 个仿真、200 个 RL 环境

沿这条流水线，团队构建了 RoboWorld，包含 25 个仿真，合计 25 个测试用和 175 个训练用强化学习环境，难度分布在多个层级上。

基准测试的结果相当直白：即便当前最强的前沿模型，也在 RoboWorld 的每个测试任务上失败，平均奖励只有 0.06。这个数字说明的不是模型「还不够好」，而是现有模型在长程、物理约束明确的机器人任务上存在结构性短板。

强化学习环境通常由三部分组成：状态空间（仿真器内部所有可观测量的集合）、动作空间（机器人可执行的控制指令）以及奖励函数（对每步行为的标量反馈）。一个「测试用 RL 环境」指仅用于评估策略表现、不参与训练的环境；「训练用环境」则供智能体反复采样以更新策略。平均奖励 0.06 意味着在归一化到 [0,1] 的评分下，模型几乎无法完成任务，这在长程任务中尤为常见——长程任务要求连续多步正确决策，任何一步失误都会导致整条轨迹失败，因此对模型的规划与物理常识要求远高于单步操作任务。

四条提升路径

RoboWorld 不只是评测集，论文还给出了几种让前沿模型变强的具体方法。

重复尝试中的上下文学习，让模型在同任务多次试错中积累信号。特权教师方案读取仿真器内部状态，在上下文中把知识教给学生模型。自我辅助学习则利用模型自身的特权经验来反哺自身。代码策略方法生成跨场景的演示数据，用来训练视觉—语言—动作模型（VLA），例如 π₀.₅。

每条路径都带来显著提升。值得玩味的是「特权教师」这一设计：仿真器的完整状态在真实机器人上通常拿不到，但在训练阶段它是免费的高质量监督信号，这恰好是仿真相对现实的核心优势之一。

视觉—语言—动作模型（VLA）是一类把视觉观测和自然语言指令映射为机器人动作序列的模型，π₀.₅ 是其中代表性的开源工作。VLA 的训练需要大量「观测—指令—动作」三元组演示数据，而真实机器人采集演示成本极高，仿真恰好能批量生成这类数据。代码策略（code policy）指用可执行代码而非神经网络权重来表示策略，其优势在于同一段代码可以在不同场景参数下重放，从而低成本地产生跨场景的演示变体。特权教师（privileged teacher）则属于知识蒸馏的一种变体：教师在训练时访问学生部署时不可见的额外信息（如仿真器的精确物体位姿、速度），把决策知识压缩进只能看到原始观测的学生模型中。

这件事真正的意义

把仿真创建交给编码智能体，本质上是给机器人研究找了一条随 AI 编程能力自动扩容的数据管道。编码智能体变强，仿真就更丰富、更真实，训练数据的天花板随之抬高。

风险同样存在。审计循环的对抗日趋复杂时，质量能否守住，取决于定义的严密程度；而按经济价值挑选任务，也可能让基准偏离某些学术上有意义但商业价值不高的方向。

团队已开源流水线、RL 环境和基准，代码与数据见 gym-anything.github.io/robotics。对做具身智能和 VLA 训练的团队来说，这是一套可以直接上手的环境供给方案。