Lab World迈向物理 AI

01 · The Next Frontier

AI 的下一个边界，是物理世界

过去几年，AI 从回答问题走到理解复杂任务，从生成内容走到调用工具，从辅助编程走到持续完成软件工程。它正在从一个回答问题的模型，变成能够自主执行任务的 Agent。

在数字世界里，这套能力已经有清晰的基础设施：Agent 读取文件、运行代码、调用 API、观察结果、发现错误，再修改自己的行动。

物理世界不一样。一台机器人不是软件里的一个函数，它有真实的质量、关节、传感器和运动约束；一次实验也不只是一段代码，它涉及仪器、样本、物理过程、时间顺序，以及无法忽略的安全条件。

Physical AI 需要的不只是更聪明的模型，而是一个连接模型与物理世界的完整系统：让 AI 知道世界是什么样的、能做什么、行动会造成什么影响，以及如何判断行动是否成功。

在软件里，错误通常意味着一次失败的调用；在物理世界里，错误可能意味着真实的碰撞、设备损坏或不可逆的实验损失。

02 · What Is Physical AI

能交互、能获得反馈、能据此改进：所以 Physical AI 必然是 Agentic 的，也必然走向 RSI。

03 · Introducing Lab World

1. Lab World
2. =01 · Build · SimulateWorld Building构建可计算、可仿真的物理世界把真实实验室变成可计算、可仿真的世界：外观、几何、物理行为和设备语义，一层层建起来，并且可以检查、版本化和复用。详细 ↓
3. +02 · Act · ObserveAgentic 大脑理解目标、操控设备、核对结果理解目标，规划步骤，调用工具与设备，核对每一个结果；被拒绝就修订计划，拿不准就请人介入。详细 ↓
4. +03 · Learn → BuildRSI 进化从真实反馈中递归自我改进从每一次真实反馈中训练新策略、写下新技能，评估过线、人批准后接回流程。下一轮，站在这一轮的结果上。详细 ↓

三者缺一不可：没有 World Building，Agent 无处预演；没有 Agentic 大脑，世界只是一个模型；没有 RSI 进化，每一次失败都白白浪费。

04 · World Building

1. 01

   外观

   照片、视频、CAD 或一段描述；从素材库检索并组合已有模型，补建缺失的设备。

2. 02

   几何

   尺寸、坐标与布局。看不到的尺寸记为假设，再用规格资料、人工确认或测量修正。

3. 03

   物理

   质量、碰撞、关节、限位与接触。让试管能被夹起，让离心机盖能被锁住。

4. 04

   设备语义

   每台设备能做什么、此刻怎样、什么条件下不能做。Agent 读的就是这一层。

建好的世界，先让仿真承担试错成本

物理世界里的试错有代价：一次抓取失败可能损坏样本，一次错误操作可能让实验重来。在仿真里，同一个任务可以反复执行，物体位置可以随机化，不同策略可以在相同条件下比较，系统地寻找失败边界。同一任务还可以在不同物理后端上验证，看清某一种仿真的特殊假设是否在影响结果。

仿真的目标不是证明机器人永远不会失败，而是在真实部署之前，更早发现能够被发现的问题。

• 已交付场景工厂：Agent 检索素材、调用 Blender 组装场景
• 已交付场景与素材的不可变版本、验证报告与 Newton 预览
• 已交付Newton 与 Synthetic 仿真会话、机械臂路径预览
• 规划中从照片与视频重建场景，补全任务所需的物理属性
• 规划中Sim2Sim：在多个物理后端上验证同一策略

05 · Agentic 大脑

06 · RSI 进化

1. 01

   读证据

   实验记录、记分板、失败的录制与真实轨迹。

2. 02

   提假设

   提出一个可证伪的假设，只改一处。

   人人批准训练计划
3. 03

   做评估

   候选版本在独立评估集上逐题运行、打分。

4. 04

   判胜负

   满足接受规则才算更好，否则回滚。

   人人批准提升
5. 05

   写回去

   新版本成为参照，下一轮站在它上面。

↺ 回到 01，开始下一轮

现实，是最终的事实

现实不会永远按仿真的假设运行：物体偏移、夹爪误差、传感器噪声、设备延迟、真实的摩擦。平台保存真实轨迹、相机观察、关节状态、设备事件和失败时刻，分析预测与结果的差异。物理模型不准，先校准物理模型；模型合理而策略不稳，就在修正后的环境里训练新策略。这就是 Real2Sim。

自我改进不是让 AI 无限制地修改自己，而是让每次改进都能被提出、检验、接受或否决。

• 已交付每次运行的录制、调用记录与拒绝原因
• 已交付训练、评估、接受、拒绝与回滚的工程链路
• 已交付Agent Harness 版本化与私有评分的实验室任务
• 规划中学习式接触抓取策略达到正式提升标准
• 规划中Real2Sim：用真实运行校准仿真，生成新的测试与训练任务

07 · Start With One Workcell

任务把试管架上的两支样本转运到离心机，按配平要求放入指定位置，在满足设备安全条件后启动离心，并把操作过程和结果完整记录下来。

传统自动化要求工程师分别配置机器人、离心机、控制程序、状态监控和实验记录，再解决它们之间的协调。在 Lab World 里，使用者首先表达任务目标，而不是逐一编写底层操作。

1. 01

   理解World Building

   实验室有什么设备、各有什么能力、样本在哪里、机械臂能否到达目标位置、离心机此刻是否允许操作。

2. 02

   拆解Agentic 大脑

   把任务拆成可检查的步骤，每一步写明目标状态和执行条件。

3. 03

   预演World Building

   真正动作之前，相关行为先在仿真里预演和验证。

4. 04

   执行Agentic 大脑

   每一步读取实际结果，再决定继续、等待、修订计划，还是请人介入。

5. 05

   应对异常Agentic 大脑

   离心机盖没能关上，就不假设命令已经成功；机械臂还停在危险区域，就先找出阻塞原因，满足约束后再试。

6. 06

   留下证据RSI 进化

   从任务目标、场景版本、操作计划到每一个动作的结果，全部保留下来。

7. 07

   下一次更好RSI 进化

   失败变成新的测试和训练任务；评估过线、人批准后，更好的版本接回流程。

我们从这样一个有限、可验证的任务开始，逐步构建可复用的物理智能。

08 · What Exists Today

# 提交操作计划：离心两支样本并开始培养
$ lw plan create plan.yaml
# 计划里有高风险动作（设定培养箱温度），整份计划进入待审批
$ lw do /World/Lab/RobotA pickPlace from=rack.A1 to=centrifuge.slot1 --plan $PLAN --step 1
inv-3913e6d8… rejected pickPlace plan_not_approved: This plan revision requires approval
# 在 Web 的待审批页批准之后
$ lw do /World/Lab/RobotA pickPlace from=rack.A1 to=centrifuge.slot1 --plan $PLAN --step 1
inv-a3964e8e… succeeded pickPlace
$ lw do /World/Lab/RobotA pickPlace from=rack.A2 to=centrifuge.slot3 --plan $PLAN --step 2
inv-0d66b960… succeeded pickPlace
$ lw do /World/Lab/Centrifuge closeLid --plan $PLAN --step 3
inv-51197df8… rejected closeLid precondition_failed: Action conditions are not satisfied
Move the arm out of the centrifuge zone first
$ lw do /World/Lab/Incubator setSetpoint temperatureC=37 --plan $PLAN --step 5
inv-1fbeaa1a… succeeded setSetpoint
# 机械臂还在离心机区域，互锁拦下了关盖（随后的启动也因盖子开着被拒）。插入第 7 步「回到原位」，提交修订 2，再次获批
$ lw plan revise $PLAN plan.yaml
$ lw do /World/Lab/RobotA home --plan $PLAN --step 7
inv-5ecfbff1… succeeded home
$ lw do /World/Lab/Centrifuge closeLid --plan $PLAN --step 3
inv-36eba3f9… succeeded closeLid
$ lw do /World/Lab/Centrifuge start rpm=3000 durationSeconds=30 --plan $PLAN --step 4 --no-wait
inv-91c378a3… accepted start

今天的状态

09 · Our First Market

1. 01

   明确的任务目标

   样本要转运，试剂要分配，设备要按规定运行，结果要被记录。

2. 02

   长期的集成痛点

   大量专业设备，长期面对多厂商集成、流程编排和数据割裂。

3. 03

   可验证的成功条件

   实验操作有明确的成功条件、过程约束与记录要求，天然适合评估 Agent 与物理策略。

4. 04

   高价值的技术需求

   实验场景同时连接科研、工业和高价值的技术需求。

1. 

   起点

   试管转运与离心协同

   一台机械臂、少量设备、一类确定任务构成的 Workcell。

2. 

   扩展

   移液与样本处理

   更多设备、更长的流程，复用已经验证的适配、任务与技能。

3. 

   深入

   细胞培养流程

   跨越数天的长程流程：培养、取样、检测与异常恢复。

10 · Built on the Ecosystem

• 当更强的生成模型出现，Lab World 用它们创建更好的场景。
• 当更先进的物理引擎出现，Lab World 用它们做更有效的验证。
• 当新的机器人策略出现，Lab World 在相同任务条件下比较，它们是否真正改善了结果。

底层模型可以持续变化；围绕真实任务积累的流程、约束、执行证据和技能资产，会持续保留。

11 · The Compounding Advantage

博客

2026 年 10 月 28 日Physical AI：让 AI 在实验室里做事看设备清单、看三维大屏，与让 AI 操作实验室有什么区别？用一次处理样品的例子，讲清 Physical AI、信息管理系统、数字孪生与具身智能的关系。2026 年 10 月 21 日介绍 Lab World：Agent 的物理工作环境从细胞观察与成像出发，Lab World 正在建设面向 Agent 的物理工作环境：以共同状态支撑行动，在虚拟世界练习，用真实结果验收，让经过验证的新版本继续参与改进。

The Long-Term Vision

1. 01一台机器人
2. 02一个 Workcell
3. 03一座自动化实验室
4. 04连接不同设备、技能与物理环境的平台

未来，科学研究不必让每个新实验都从头编写自动化流程；机器人开发不必让每次失败都只留在一份调试记录里；物理设备也不必永远只执行孤立、固定的指令。真实世界中的每一次行动，都可能成为下一次行动的依据。通向这个未来的，不是一次模型升级，而是一系列真实、可验证的工程进步。

Lab World · 迈向物理 AI

1. World Building

   让 Agent 构建和理解物理世界，在动手之前先预演。

2. Agentic 大脑

   让 Agent 理解目标、操控真实设备，并核对每一个结果。

3. RSI 进化

   让每一次真实反馈，都推动下一轮可检验的改进。