بر اساس گزارش The New Stack، گوگل محیطی شبیه‌سازی‌شده ساخته است که agentهای هوش مصنوعی می‌توانند در آن تمرین کنند. همان گزارش اشاره می‌کند که فیزیک شبیه‌سازی هنوز به‌اندازه کافی دقیق نیست. این جزئیات بیش از آنچه در نگاه اول به نظر می‌رسد اهمیت دارد: agentی که در دنیایی مصنوعی آموزش می‌بیند یا ارزیابی می‌شود، همه تقریب‌هایی را که آن دنیا اعمال می‌کند به ارث می‌برد، و مدل فیزیکی‌ای که از واقعیت فاصله بگیرد، یک اجرای آموزشی را به تمرینی برای وظیفه‌ای نادرست تبدیل می‌کند.
کار اخیر NVIDIA از جهتی دیگر به همین مشکل اشاره می‌کند. این شرکت ابزارهای Isaac را همراه با یک pipeline مبتنی بر agent برای آموزش حرکت ربات در شبیه‌سازی منتشر کرد که بر همان پیش‌فرض استوار است: اینکه تماس، اصطکاک و دینامیک به‌قدری نزدیک به دنیای فیزیکی رفتار کنند که رفتار آموخته‌شده قابل انتقال باشد. هیچ‌یک از این دو تلاش در اصل مسئله رندرینگ نیست. شکاف در وفاداری دینامیک و طرف‌های مقابلِ agent نهفته است و در پایین‌دست به‌صورت مسئله اعتبار ارزیابی ظاهر می‌شود — بنچمارکی که شایستگی را در دنیایی که وجود ندارد تأیید می‌کند.
برای تیم‌هایی که سیستم‌های agent می‌سازند، پیامد عملی این است که نتایج شبیه‌سازی باید همراه با پیش‌فرض‌هایشان بیان شوند. آنچه از پوشش ارائه‌شده روشن نیست این است که شکاف وفاداری چگونه اندازه‌گیری می‌شود، چه محیط‌ها یا وظایفی درگیر بوده‌اند، و آیا هیچ‌یک از این دو تلاش نتایج انتقال به تنظیمات فیزیکی یا تولیدی را گزارش کرده‌اند یا نه. تا زمانی که این موارد منتشر نشوند، عملکرد شبیه‌سازی‌شده باید به‌عنوان سیگنالی درونی و نه ادعایی بیرونی خوانده شود.