1 背景与动机
安全可信是具身智能落地的生命线。然而，在真实物理世界中开展攻防演练，往往面临成本高昂与风险不可控的双重挑战，构建高效、可靠的虚拟演练场因此成为行业发展的必经之路。
当前的具身智能虚拟环境却深陷两难困境：
- 传统仿真环境：受限于资产匮乏、可操作对象有限，高度依赖人工建模，难以复现千变万化的真实场景；
- 生成式世界模型（如 Genie 3）：虽展现出惊人的想象力，但其并非对现实的精准孪生，无法支撑特定场景（如自家客厅、特定工厂车间）的攻防演练。
为突破这一瓶颈，上海人工智能实验室正式开源 SafeVerse ——全球首个面向安全可信具身智能研究的实战平台。
SafeVerse 开辟了一条“重建 + 编辑”的全新技术路径：它不追求生成无穷的想象世界，而是专注于将任意指定的真实物理世界，进行快速、低成本的“数字孪生”。
通过 SafeVerse，一段普通视频即可在分钟级内转化为可交互、符合物理规律的 3D 演练场，并支持在线攻防对抗与智能体进化。这是业界首个真正打通“真实场景数字化 → 自动化攻防演练 → 智能体在线进化”全闭环的开源平台，为具身智能的安全落地提供了坚实底座。
2 SafeVerse 的三大核心突破
不同于生成式模型不仅无法精准复刻真实场景，且难以进行细粒度的物体操作，SafeVerse 实现了三大核心突破：
🎮 真实世界的“Ctrl+C, Ctrl+V”
仿真环境精准复刻真实世界的结构与语义。这不仅是视觉上的逼真，更是物理交互层面的对齐。⚡️ 分钟级构建，万物皆可动
只需一段视频，即可在分钟级时间内构建出指定的真实场景。且场景内具备部件级的可操作性（门可开、灯可关、椅子可移），绝非静态背景板。🛡️ “评测-攻防-进化”一体化
支持遵循攻防指令动态变换场景（如突然移动障碍物、改变光照），支持在线 RL 训练，让智能体在对抗中通过“吃一堑长一智”实现安全与能力的协同进化。
3 快速构建操作级孪生场景
让虚拟演练产生价值的第一步，是能够将人们关心的真实场景——例如一段室内环境的录像——快速、精准地转化为智能体可以进入并交互的数字孪生世界。
传统方案受限于繁琐的人工建模与贫瘠的交互逻辑，构建慢、失真高、互动浅，让安全测试沦为“纸上谈兵”。而 SafeVerse 彻底打破了这一僵局，用“视频输入 + 分钟级输出”的高效模式，让真实场景的数字化复刻变得简单直接。
**让 AI 真正“看懂”视频：**团队摒弃了在三维层面进行复杂优化的传统路径，转而利用多模态大模型的强大认知能力，作为“视觉理解中枢”。它能智能解析视频中的物体，实现稳定、连贯且语义精准的识别与追踪，确保从真实世界到数字世界的“信息转换”既准确又高效，奠定了高一致性重建的基石。
**让虚拟世界“活”起来：**基于拥有丰富物理规则的 Minecraft 平台，团队通过独创的技术管线，将视频中识别出的物体，自动生成或匹配为视觉逼真、细节丰富的三维模型，并赋予它们符合真实物理规则的交互属性（如可开关的灯具、可移动的椅子）。这不是一个静态的模型展厅，而是一个等待智能体进入、探索、交互的动态操作沙盒。
这一创新流程使得 SafeVerse 能够将指定真实场景的数字化构建时间缩短至分钟级，同时保留场景的视觉语义一致性，并原生具备深度、灵活的可操作性能。这为后续的攻防演练与智能体进化，提供了一个与真实世界高度对齐的可靠起点。
4 遵循攻防指令的场景编辑
要让虚拟演练真正作用于现实安全，仅复原静态场景远远不够。关键在于能否根据攻防测试的具体需求，对数字孪生环境进行灵活、精准且高效的编辑与调整。
传统方案往往陷入两难：基于真实扫描的环境虽视觉逼真，但几何与语义一经生成便难以改动；而可高度编辑的程序化生成环境，又常丢失真实场景独有的结构细节与语义逻辑，导致测试与实战脱节。
SafeVerse 首次实现“真实性”与“可编辑性”的统一，让攻防指令能直接驱动场景的瞬息万变，为安全验证提供了前所未有的动态试验场。
**让编辑指令“直达”场景：**在已构建的孪生场景基础上，用户可依据攻防想定，直接对场景物体进行多维度修改。无论是调整物体交互属性、改变其视觉外观，还是重新布局空间关系，都无需复杂的手工建模或代码重写，真正实现了“所想即所得”的场景编辑。
**让攻击向量“精准”注入：**围绕具身智能的核心能力维度——导航、规划、交互，系统化定义与之匹配的攻击编辑手段。例如，可一键“攻击”物体的交互方式（如将可开门变为锁死）、悄然“篡改”场景语义（如更换物品外观以误导识别）、或突然“打乱”场景布局（如重置物品位置以干扰路径规划）。每一种编辑，都是对智能体在真实复杂环境中应变能力的一次针对性压力测试。
这一能力使得 SafeVerse 不仅能快速复现真实场景，更能让其根据攻防演训的深度需求“活”起来，动态生成各种边界案例与对抗性环境。这为智能体在高度拟真且充满变数的场景中完成进化，提供了至关重要、灵活可控的演兵场。
5 针对漏洞的在线进化
现有具身智能体的传统训练方法，大多依赖于固定的数据集与静态场景，缺乏在持续对抗压力下的实时适应与进化能力。智能体一旦遭遇训练阶段未覆盖的新型攻击或环境突变，往往表现出灾难性的性能衰减，使其在真实安防场景中难以应对瞬息万变的实战挑战。
SafeVerse 通过构建“重建‑攻击‑抗攻击”的闭环协同进化体系，彻底改变了这一局面，让智能体在高度拟真的孪生场景中实现持续、自主的强化与升级。
**从静态训练到动态对抗：**团队摒弃传统离线训练中“闭门造车”的固化模式，将高保真重建环境无缝接入在线对抗训练框架。在这一体系中，智能体不再面对一成不变的场景与任务，而是持续接受由攻击策略模块动态生成的、不断演变的威胁挑战——例如实时改变场景布局、增设障碍物、模拟设备故障等。这种“永远在变化”的训练环境，迫使智能体必须学会实时感知、决策与适应，从而逐步掌握应对未知威胁的泛化能力。
**让智能体在压力中自我迭代：**基于在线训练框架，智能体在遭遇攻击失败后，可立即在孪生场景中进行针对性再训练与行为调整，实现“遭遇问题‑分析漏洞‑在线修补”的快速迭代循环。例如，当攻击手段将咖啡厅中的椅子堵住必经通道时，智能体首次可能被阻挡而无法抵达目标；但通过在线训练，模型将自主学会识别障碍、规划绕行或主动移开椅子，进而重建通往目标的路径。这一过程不仅提升了智能体在特定场景下的应对能力，更促使其形成应对类障碍的通用策略。
SafeVerse 通过“场景重建‑实时攻击‑在线进化”的闭环，不仅解决了智能体在未知威胁面前脆弱失效的难题，更构建起一个可持续、自适应、不断进化的数字孪生训练生态。这为智能体从“模仿者”向“应对者”的蜕变提供了关键技术路径。
