做机器人训练仿真时，域随机化不等于把所有参数都随机一遍。真正有用的做法，是先把可能影响任务成功的物理、视觉、传感器、控制与任务变量列清楚，再把它们变成可回放、可比较的实验条件。

浏览器能否训练机器人，关键不在于把算法“搬到网页里”，而在于把场景、数据、训练、评估和结果管理放进一条可追溯的云端工作流。本文拆解浏览器接入具身智能训练的完整链路，并说明真机前哪些工程工作仍然不可省略。

平台选型的本质不是选择一个“万能仿真器”，而是选择当前阶段最短的反馈回路。感知与数字孪生优先看 Isaac Sim，控制算法优先从 MuJoCo 建立可复现基线，ROS 2 联调优先看 Gazebo，批量操作训练可评估 SAPIEN/ManiSkill，而数据与真实机器人闭环可用 LeRobot 统一管理。把工具边界想清楚，后续的迁移和组合才会变成主动设计，而不是被环境配置牵着走。

平台选型的本质不是选择一个“万能仿真器”，而是选择当前阶段最短的反馈回路。感知与数字孪生优先看 Isaac Sim，控制算法优先从 MuJoCo 建立可复现基线，ROS 2 联调优先看 Gazebo，批量操作训练可评估 SAPIEN/ManiSkill，而数据与真实机器人闭环可用 LeRobot 统一管理。把工具边界想清楚，后续的迁移和组合才会变成主动设计，而不是被环境配置牵着走。

一次工程实践记录：如何把一段普通手机拍摄的视频，在 30-60 分钟内自动转换为可用于机器人仿真训练的数字孪生场景。方案整合 SfM 运动恢复结构、3D 高斯溅射（3DGS）神经渲染与语义分割物体提取，渲染质量达 PSNR 28-35 dB，物体网格精度厘米级，输出标准 USD 格式兼容 Isaac Sim。文中同时讨论关键帧质量筛选、多视角一致性验证、分阶段落盘的异常恢复设计，以及方案的三项已知

具身智能的训练流程长期被两道门槛卡住：一是本地环境配置，二是代码能力要求。本文分析这两道门槛的具体构成，说明它们为什么与算法能力无关却淘汰了大量参与者，并讨论"零安装、零代码"这一形态在技术上如何成立、边界在哪里。文中以浏览器端的机器人训练流程为例，说明场景生成、数据采集、模型训练、部署验证四个环节各自能被抽象到什么程度，以及哪些环节至今无法被抽象掉。