发生了什么
- 艾伦人工智能研究所（Ai2）于2026年11月6日在Hugging Face博客上介绍了一个用于创建受控环境、以研究机器人学习的框架，他们称之为FoundationWorlds。
- 第一个是ToyBlocks，这是一个开放的模拟环境，围绕一条机械臂和桌面上的积木构建。环境被刻意设计得很简单，但机器人在推、翻、堆叠积木时，仍必须推理积木之间如何相互作用。
- 每个FoundationWorld都把一个模拟世界与自动生成任务和示范的工具结合在一起，另有用于衡量机器人行为随时间变化的指标。
- 作者希望把这一方法扩展到越来越复杂的环境。
为什么重要
- 机器人叠衣服或分拣零件的演示往往范围很窄，说明不了机器学到了什么，也说明不了它为什么失败。
- 科学家通常从小型的、受控的环境入手，比如培养皿。机器人学缺少这样一个环境，让研究人员能够改变训练数据、重复测试并追溯错误的原因。
- 这样的环境可以提出具体的问题：随着数据增加，模型如何改进，或者怎样才能最好地把高层推理与精细的物理控制结合起来。
关键数字
四项要求。 Ai2设计ToyBlocks，是为了同时满足：逼真的物理与外观；大规模自动生成任务和示范；兼具推理与控制的挑战；以及对结果的衡量。据作者称，如果领域更宽，就不可能全部满足。
背景
ToyBlocks自己生成示范，也就是机器人在模拟中完成任务的记录，无需由人远程操控的、缓慢的遥操作。研究人员可以改变这些数据，比如增加更多推或翻的示范，并在训练中未使用的任务上评估性能。
积木的各个面上印有图片和字母，因此有搜索、排序和排列的任务。有时机器人必须转动积木，才能看到隐藏的那一面。技能通过英伟达的开放框架Isaac Lab中的强化学习和运动规划生成，策略则学会推、翻等无需抓取的能力。任务与运动规划器把这些技能串联起来，并产出数据。
所有这些都发生在模拟中。作者说，模拟的机械臂和积木的表现与实物非常相似，但这种对应关系是该团队的说法。
在相关话题上，Mamífero 还发布过：韩国启用拥有12台人形机器人的数据工厂；Mundo把房间照片变成可探索的世界；Rivian收购Third Dimension，以重现真实驾驶场景；英伟达开放四款 Cosmos 3 模型，用于模拟驾驶和机器人。
接下来
- Ai2计划推出更多FoundationWorld，环境更为复杂。
- 这项工作建立在其此前的开放机器人学习项目之上：MolmoAct 2、MolmoBot和MolmoSpaces。
- 在如此狭窄的世界中学到的东西，能否迁移到真实机器人上，还有待观察。
一句话总结
要弄清机器人为什么失败，就得能够重复实验。ToyBlocks提供的只是一条机械臂和一些积木，看似朴素，好处是一切都可以改变、可以衡量。
来源
- Allen Institute for AI，“ToyBlocks: A controlled world for robot learning and evaluation”，Hugging Face博客，2026年11月6日，链接。
- 封面图片：Bobjgalindo，CC BY 4.0，来自 Wikimedia Commons
编辑：Rodrigo Cornejo。我们如何挑选和核实：谁在写这些笔记。
