你有沒有在你先在模擬器裡訓練機器人，再想把成果搬到真實世界，發現只看表面常常不夠？
你可以把它想成先在安全的虛擬環境學會，等能做出來了再接到真機。
真機測試昂貴又有風險，先在模擬世界練習，通常更快也更安全。
你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。
容易混淆
直接在現實訓練 直接在現實訓練像直接開真飛機學飛行，雖然最真實，但成本高、風險大、效率低。 模擬至實轉移則是在安全、快速、可控的模擬環境中先學好基礎，再用一些方法彌補模擬與現實的差距，讓模型能順利轉移到現實世界。
最關鍵的區別：先看它是在比意思、比結構，還是在做任務輸出。
記住這句就好
先在模擬練，再把能力搬到現實，就是 sim-to-real。
實際案例
機械手臂在模擬裡學抓球，到了真機後再微調抓取角度和力道。 自駕模型先跑大量模擬交通情境，再面對真實道路的感測噪音。
算法與應用
常見方法包括 domain randomization、系統辨識、少量真機微調。 重點是縮小模擬與現實的差距，不然模型會只會背虛擬環境。
情境判斷
Q1（直覺題）： 如果模擬表現很好，真機通常也會一樣好嗎？
→ 不一定。模擬和現實差距常常很大，還是要看轉移效果。
Q2（判斷題）： 如果真機成本很高，先做模擬訓練有價值嗎？
→ 非常有價值。這正是它最常被採用的原因。
常見問題
領域隨機化 (Domain Randomization) 的具體做法有哪些？
領域隨機化涉及在模擬環境中隨機改變各種參數，例如光照強度和方向、物體的紋理和顏色、物理引擎的參數（例如摩擦力、重力）、相機角度和位置、以及環境中的雜訊。目標是讓模型在訓練過程中接觸到各種不同的情況，從而提高其在真實世界中的泛化能力。關鍵是隨機化的範圍要足夠廣泛，但又要保持模擬環境的合理性。
模擬至實轉移中，如何評估模型的性能？
評估模擬至實轉移模型的性能需要在真實世界中進行測試。可以使用各種指標來評估模型的性能，例如準確度、精度、召回率、F1 分數等。此外，還需要考慮模型的魯棒性、穩定性和效率。重要的是要選擇與應用場景相關的評估指標，並進行充分的實驗，以確保模型能夠在真實世界中表現良好。也可以使用模擬環境進行初步評估，但最終需要在真實環境中驗證。
模擬至實轉移的未來發展趨勢是什麼？
模擬至實轉移的未來發展趨勢包括：更逼真的模擬環境、更有效的轉移技術、更自動化的轉移過程、以及更廣泛的應用領域。例如，可以使用 GAN 生成更逼真的模擬環境，使用元學習方法訓練模型，使其能夠快速適應新的環境，並使用 AutoML 技術自動化轉移過程。此外，模擬至實轉移將在更多領域得到應用，例如醫療、教育、金融等。