Ai2 开源 ToyBlocks，给机器人学习造了个培养皿

机器人叠衣服、分拣零件的视频，大伙应该没少刷。看着都挺丝滑，可有个问题几乎没人答得上：它到底学会了啥，翻车又是因为啥？

11 月 6 日，Ai2 发布并开源了 ToyBlocks，一个只有机械臂和桌面积木的仿真环境。Ai2 把这类受控的小世界统称为 FoundationWorlds，ToyBlocks 是打头的一个。我们 AI主线 的看法是：ToyBlocks 不是又一个刷分榜单，而是一套让机器人研究能做对照实验的开源实验台，价值在于能把失败拆开看原因，不在积木本身。

为啥偏偏选了一堆积木？

Ai2 打的比方是培养皿和玻璃箱：生物学家先在小环境里调条件、看反应，机器人研究也该能改训练数据、重复测试、追到失败的源头。

官方的理由是，开放场景要建模的物体和交互太多，逼真物理、批量生成任务、推理加灵巧、覆盖面广这四条没法同时满足。桌面加积木够窄，四条能一起做到。

别小看这些积木。每个面上有字母和图案，机器人得先把块翻过来，看到藏起来的那面，才知道该放哪。积木大小、桌面高度还会逐场景随机变化。

放进 Ai2 自己的路线里看更有意思。今年 2 月他们放出 MolmoSpaces，23 万多个室内场景、13 万多个物体模型；3 月的 MolmoBot 又拿出纯仿真训练、零样本上真机的结果。那两次是往大了卷，这次反过来往小处收。我的判断是补课：场景铺得再大，没有一个能控制变量的小实验室，也说不清到底是哪个因素在起作用。

演示数据不靠人遥控，怎么攒出来的？

遥控就是真人拿设备远程操作机器人，又贵又慢。ToyBlocks 换了个路子：在英伟达开源的 Isaac Lab 里，用强化学习加运动规划练出推、翻这类短任务技能，再由任务与运动规划器把技能串成完整任务，跑一遍就是一条演示。

能这么玩，是因为仿真器自己知道积木的精确位置和朝向，练技能时等于开卷；到训练模型的环节，再只给摄像头画面，逼它自己看。

官方说，单块 GPU 上能并行跑几百个计划，最高到实时速度的 24 倍。首批放出 85,336 条长程演示，折合约 1,600 小时的机器人执行记录，另附基于 Molmo 2 和 ManiFlow 的两个模型，训练与评测代码也一起给了。Ai2 还说几周后会出更大的第二批，加更多技能和完整的强化学习训练。

Ai2 自己晒的成绩单，反倒挺老实

先说坏消息。Ai2 拿 ManiFlow、π0.5 和 MolmoAct 2 测了新位置、新堆叠高度下的泛化，初步结果是都不太行，他们自己的说法是动作模型的泛化远没解决。大规模预训练不等于换个摆法就能用，这个判断我觉得挺扎实。

再看真机。单个技能的成功率，仿真 80.0%，真机 81.1%，几乎一致。但"高层模型加低层模型"的组合系统，仿真 55.5%，真机 50.0%，而且真机只跑了 30 场，Ai2 自己也说还需要更多试验才谈得上统计置信。（当个信号看就行，别当定论。）

还有一组让我多看了两眼。Ai2 用 Claude Opus 5.5 通过 MCP 控制机械臂，搜积木、拼单词，经典的积木堆叠规划任务 30 道全对，可一落到看图环节就露怯，不少失误出在认错相近字母和摆错方向上。规划没毛病，眼睛不太灵。

另一个小发现：让智能体自己做实验、自己写技能说明，成功率从默认说明的 24% 涨到 63%，比人类专家写的 36% 还高。

咱们该不该上手？

对写代码、做内容的朋友，这套东西暂时跟日常工具没交集，别指望下午就能拿来干活。它是给做机器人研究的人用的，代码、数据、模型都在 GitHub 和 Hugging Face 上。

对关心具身智能的人，倒有个顺手的用法：下回看到"机器人学会了某某"的演示，先问一句，改一个条件能不能重测，失败能不能追到原因。ToyBlocks 想把这种问法变成标配。

有一组数字我先挂个问号。Ai2 说，用预测最准的视频生成模型 Wan 2.2（50 亿参数）生成 100 条轨迹加进训练，未见区域的成功率从 19% 涨到 78%。这是 Ai2 自家测的，值不值得抄这份作业，得等别的团队复现。

我们 AI主线 接下来盯两件事：几周后的第二批数据和 RL 训练，以及有没有别的团队拿这套办法造自己的 FoundationWorld。只有 Ai2 一家在玩，它就还是间漂亮的实验室；有人跟进，才算真成了行业共用的培养皿。