搭一个机器人训练场，过去像制作一套复杂游戏：既要摆好场景，也要写准物理规律，还得确认任务真的能完成。Gym-Anything for Robotics 想把这项费专家、费时间的工作交给数字智能体——能观察、规划并调用软件工具的 AI。它把仿真创建改写成编码任务，让智能体组装场景、配置机器人与物理效果，再设计训练任务。
最关键的一步不是“让 AI 写代码”，而是让多组智能体互相挑错。一个创建智能体要拿出渲染图、物理测量和辅助演示等证据；四个审计智能体检查真实性、可解性、运行速度和作弊漏洞，其中一个专门尝试破坏仿真。任务本身还要经过六个独立审计智能体，核对是否可完成、奖励是否正确。比如清理场景时，奖励会按放对位置的物体逐步计算，而不只看最后是否全部收拾完。
这套流程产出了 RoboWorld：25 个仿真，以及 25 个测试和 175 个训练用强化学习环境，覆盖制造、建筑、餐饮、实验室和物流等场景。强化学习环境就是让 AI 通过反复尝试和奖励学习动作的虚拟任务。作者报告称，当前前沿模型在完整基准上全部未能完成测试任务；较容易的子集上，最佳模型达到 32%。这说明数字智能体已经能帮忙扩建训练场，但训练场里的机器人智能仍远未过关；至于这些仿真能否可靠迁移到真实机器人，论文所列结果尚未给出答案。