Ai2 veröffentlicht FoundationWorlds mit der ersten Welt ToyBlocks

FoundationWorlds: Ai2 stellt einen Simulationsrahmen für Robotik vor

Ai2 hat FoundationWorlds vorgestellt, ein Framework für kontrollierte Simulationsumgebungen in der Robotik. Jede Welt verbindet drei Teile: eine simulierte Umgebung, Werkzeuge, die Aufgaben und Trainingsdemonstrationen automatisch erzeugen, und Metriken, die das Verhalten des Roboters über die Zeit messen.

Die erste Welt heißt ToyBlocks. Auf einem Tisch stehen ein Roboterarm und Blöcke. Der Arm soll sie schieben, wenden und stapeln. Zu den Aufgaben zählen Suchen, Sortieren und Anordnen. Bei manchen ist der benötigte Buchstabe oder das Bild eines Blocks verdeckt, der Roboter muss den Block also erst drehen. Blockgröße, Tischhöhe und weitere Eigenschaften lassen sich zwischen den Szenen variieren.

Laut Unite.ai erschien ToyBlocks am 6. November 2026. Das Paket enthält Code, Daten, Modelle und Dokumentation. Hinzu kommen generierte Demonstrationen, zwei trainierte Modelle und Evaluationswerkzeuge.

Ai2 begründet den Ansatz mit einem Vergleich. Wer in einer Petrischale oder einem Terrarium Bedingungen verändert, kann Versuche wiederholen und Ursachen zurückverfolgen. Robotikforschende sollen dasselbe bei Trainingsdaten oder beim Modelldesign tun können. Das ist eine Herstellerangabe. Gleiches gilt für die Aussage, ToyBlocks eigne sich etwa für Untersuchungen zur Datenskalierung und zur Kombination von Reasoning mit präziser Steuerung. Belegt wäre das erst durch veröffentlichte Experimente und unabhängige Reproduktionen.

Demonstrationen entstehen per Reinforcement Learning und Bewegungsplanung in Isaac Lab

Die Demonstrationen entstehen automatisiert, in zwei Schritten. Zuerst lernen kurze Fertigkeiten per Reinforcement Learning, unterstützt von Bewegungsplanung in Nvidias Isaac Lab. Dabei greift das System auf privilegierten Simulatorzustand zu, also auf Informationen, die dem Roboter später nicht zur Verfügung stehen. Anschließend kombiniert ein Task-and-Motion-Planner die Fertigkeiten zu gelabelten Demonstrationen. Laut Ai2, wiedergegeben von Unite.ai, laufen Hunderte Pläne gleichzeitig auf einer GPU, bis zu 24-fach schneller als Echtzeit.

Ai2 behauptet zudem, das Design verbinde glaubwürdige Physik und Visuals, skalierbare Aufgaben- und Demonstrationsgenerierung, Aufgaben mit Reasoning und Geschick sowie eine Abdeckung der Aufgaben der Domäne. Dabei handelt es sich um eine ungeprüfte Herstellerangabe. Prüfen ließe sie sich durch eine unabhängige Bewertung der Simulationsqualität und durch Sim-to-Real-Tests.

Ob ToyBlocks LIBERO und CALVIN übertrifft, ist offen

Zu ToyBlocks liegen im vorliegenden Material keine Ergebnisse, keine Zahlen und keine unabhängige Prüfung vor. Ein Vorteil gegenüber bestehenden Benchmarks wie LIBERO, CALVIN oder RoboCasa ist deshalb nicht belegt.

Als getrennten Hintergrund, nicht als Befund zu ToyBlocks, sind unabhängige Audits dieser Benchmarks zu nennen. Eine Fachstudie prüfte unter anderem LIBERO und CALVIN. Beide bestehen mehrere Diagnosen nicht. Auf LIBERO erreicht eine Sonde mit 0,09 Milliarden Parametern ohne Sprachencoder nahezu den berichteten Stand der Technik. Nur 19,8 Prozent der Zugewinne auf LIBERO und 19,7 Prozent auf SimplerEnv sind nachweisbar signifikant. Auf CALVIN senkt das Neuziehen von Blockposen im Trainingsbereich die Leistung aller getesteten Policies. Laut Projektseite ist die Studie für die CoRL 2026 vorgesehen.

Ob ToyBlocks solche Schwächen vermeidet, geht aus dem Material nicht hervor. Die Umgebung könnte Forschungsgruppen helfen, die Datenskalierung oder Fehleranalysen untersuchen. Konkrete Betroffene nennt das Material nicht.