World Labs, gegründet von der KI-Forscherin Fei-Fei Li, positioniert sich mit seiner neuen Simulations-Engine im hart umkämpften Feld des Sim-to-Real-Transfers für Robotik. Der zentrale Ansatz: Statt aufwändig reale Trainingsdaten zu sammeln, wird aus einer einzigen real aufgezeichneten Aufgabe automatisch eine große Bandbreite simulierter Varianten erzeugt – etwa durch veränderte Objektpositionen, Lichtverhältnisse, Oberflächentexturen oder Umgebungsgeometrien. Dadurch soll der Controller nicht auf eine spezifische Konstellation overfitted werden, sondern robuster generalisieren. Als Praxistest liefen die so trainierten Modelle je eine Stunde lang vollständig autonom auf fünf verschiedenen Roboterplattformen – ohne menschliches Eingreifen. Das Ergebnis ist bemerkenswert, weil plattformübergreifende Generalisierung zu den schwierigsten Problemen der Robotik-Community gilt. Der Ansatz adressiert ein fundamentales Datenproblem: Reale Demonstrations-Daten sind teuer und zeitaufwändig zu erheben, während synthetische Variationen in Simulation nahezu kostenlos skalieren. Wie gut die Methode bei komplexeren, unstrukturierten Alltagsszenarien standhält – etwa in unaufgeräumten Haushalten oder dynamischen Industrieumgebungen –, bleibt laut Bericht offen.