罗盘 / 具身智能的仿真到现实鸿沟
暗星档案 · 未点亮的星具身智能的仿真到现实鸿沟
本条为初评草案（AI 辅助编目）：T 阶为三问初评（撬动面 × 停滞度 × 临界性），双评过 σ 门并红蓝复核后才升"已建档"。查不到的字段留空不编。点亮者会进入亮星候选流程，其贡献与星阶按 HCF 独立重评，不从暗星自动继承。
具身智能的仿真到现实鸿沟T5 量级 · 新星
机器人在虚拟世界里学得很好，一到真实世界就翻车
暗星编号DS-0765
轴A · 可及性与成员福祉
领域ai-computing
状态初评草案 · 待双评与红蓝复核
这是什么 · 为什么难
训练机器人策略需要海量数据，而真实世界数据采集昂贵且慢，因此普遍在仿真环境中训练后迁移到真实机器人，但仿真物理引擎与真实世界的动力学、传感器噪声、材料摩擦系数等存在系统性差异（reality gap），迁移后性能大幅下降。攻破意味着：机器人策略能在仿真中训练、在真实世界中零样本或极少样本微调后可靠工作，让通用机器人的训练成本降到可规模化部署的水平。
卡在哪 · 机制级卡点
现有方法（域随机化、数字孪生、世界基础模型）能部分缩小差距，但精细操作（如柔性物体、接触力控制）中的仿真误差依然显著；核心卡点是物理仿真引擎本身对复杂接触动力学、材料形变的建模精度有理论上限，纯数据驱动的世界模型又需要海量真实交互数据来校准，形成鸡生蛋悖论。
谁在攻
Physical Intelligence（π0通用机器人策略，flow matching方法）；DeepMind（机器人仿真与sim-to-real相关研究）
怎么参与
在开源仿真平台（如MuJoCo、Isaac Sim）上训练一个简单机械臂抓取策略，尝试迁移到真实机械臂并记录性能下降幅度