麻省理工學院計算機科學與人工智能實驗室（CSAIL）聯合豐田研究院，共同開發了一款名為“可引導場景生成”的生成式人工智能工具。該工具通過構建虛擬訓練環境，為機器人學習能力的提升開辟了新路徑，能夠模擬廚房、客廳、餐廳等生活場景，幫助工程師測試機器人應對實際任務的能力。

這款工具的核心優勢在于其“可引導”特性。研究團隊基于超過4400萬個3D房間數據對系統進行訓練，并引入“蒙特卡洛樹搜索”（MCTS）策略。該策略通過序列決策過程，使AI模型能夠動態選擇場景生成選項，例如優化場景的真實性或增加物體復雜度。MIT博士生、CSAIL研究員尼古拉斯·帕夫指出，這一技術首次將MCTS應用于場景生成領域，通過逐步構建部分場景，最終生成比傳統擴散模型更復雜的訓練環境。

行業專家認為，該技術有效解決了機器人學習中的關鍵瓶頸——高質量訓練數據的缺乏。亞馬遜機器人應用科學家杰里米·比納吉亞評價稱，這一方法不僅保證了物理可行性，還能生成更具挑戰性的場景，為機器人適應復雜環境提供了可能。研究團隊進一步強調，其引導方法能夠生成多樣化、符合任務需求的真實場景，從而提升機器人訓練的針對性。

目前，該系統仍處于概念驗證階段，但研究團隊已規劃長遠目標。他們計劃擴展更多對象和環境類型，最終實現通過生成式AI創建全新資產，而非依賴預設庫。通過增強虛擬訓練場的多樣性和真實感，團隊希望構建一個用戶社區，生成大規模數據集，為機器人學習更廣泛的技能提供支持。

劃重點：