主要内容
虚拟仿真数据正推动企业环境中的物理AI发展，其中艾伦人工智能研究所（Ai2）的MolmoBot项目成为典型代表。该模型通过合成数据训练，大幅降低了物理AI开发成本，突破了传统依赖人工演示数据的局限。
传统物理AI系统（如DROID和Google DeepMind的RT-1）需依赖昂贵且耗时的人工远程操作轨迹：DROID包含7.6万条轨迹（约350小时人力），RT-1则需13万次实验（17个月人工收集）。这种方式导致研究预算高企，技术能力集中于少数资源充裕的实验室。
Ai2提出全新解决方案：MolmoBot模型套件完全基于合成数据训练。通过名为MolmoSpaces的系统，团队利用MuJoCo物理引擎结合领域随机化（动态调整对象、视角、光照和动力学参数），生成180万条专家操作轨迹，避免了人工远程操作的需求。
数据生成效率方面，100个Nvidia A100 GPU每小时可产生约1024集数据，相当于每小时获得130小时机器人实际操作经验，数据吞吐量提升近四倍。
在性能测试中，MolmoBot在桌面抓取任务中成功率达79.2%，远超传统真实数据训练模型（39.2%）。其提供轻量化SPOC模型和PaliGemma backbone架构，支持边缘计算和移动操作（如接近、抓取、拉门），为全球研究社区提供可复用工具，推动物理AI通用化发展。