机器人上岗前，先在显卡里活一生

一台机器人学会叠一件衣服，需要在真实世界里试错多少次？答案可能是几万次——每次都可能撞坏一台价值数十万的硬件。于是行业达成了一个共识：先让机器人在显卡里"活"上千万次，再放进现实。

最近，机器人播客Robot Talk第164期请到了Vsim Technology联合创始人兼CEOMichelle Lu，聊的正是这个话题：怎么用仿真和AI教会机器人新技能。她的履历本身就值得细看——加入创业前，她是NVIDIA仿真技术总监，和后来的联合创始人一起做出了世界上第一个端到端GPU加速强化学习框架Isaac Gym。

从大厂高管到创业公司CEO，她赌的赛道只有一条：让机器人学得更快。而这条赛道，正在变成具身智能竞争的隐形咽喉。

🎮 做出Isaac Gym的人，为什么选择出走

金句先行：在NVIDIA卖铲子是份好工作，但有人偏想自己下场挖矿。

先厘清Isaac Gym到底解决了什么问题。传统机器人强化学习的训练流程是CPU密集型的：物理仿真一步步算，策略一步步更新，训练一个抓取任务动辄数天甚至数周。Isaac Gym的核心突破是把物理仿真和神经网络训练全部搬到GPU上，端到端跑通，省掉了CPU与GPU之间反复搬运数据的时间。结果是数千个机器人环境可以在单张显卡上并行运行，训练速度相对传统CPU管线有了数量级的提升。

这件事的行业意义在于：它把"训练一个机器人技能"的成本曲线，从科研机构才玩得起的奢侈品，拉到了创业公司可以负担的区间。之后NVIDIA的机器人仿真生态——包括Isaac Sim、Isaac Lab——基本都沿着这条GPU并行的路线演进。

Michelle Lu在这个体系里的位置，用今天的话说，是"核心基础设施的核心作者"之一。而她选择在此时创办Vsim Technology，方向依然锁定仿真与AI结合的机器人技能学习。

这背后有个很现实的产业信号：仿真从"大厂自留地"变成了"独立生意"。当人形机器人和具身智能公司大量涌现，每一家的共性需求都是"更便宜、更快地让机器人学会任务"——这恰恰是一个可以被独立产品化的环节。大厂做平台求全，创业公司做纵深求快，这是典型的产业分工逻辑。

据多位接近具身智能公司的从业者反馈，目前几乎所有做技能学习的人形机器团队，训练管线里仿真环节的权重都在明显上升——这不是某家公司的选择，而是整条赛道共同用脚投票的结果。

🔋 Sim-to-Real：具身智能最拥挤也最硬的一段路

金句先行：仿真里一亿次的成功，抵不过真机上一次的滑落。

Sim-to-Real（仿真到现实的迁移）是整个方法论的命门。仿真器再快，如果策略只在虚拟世界里有效，一切归零。现实世界有三样东西永远难以完全复刻：摩擦的不确定性、接触动力学的细微差异、传感器的噪声与延迟。

业界的应对办法主要靠域随机化：在仿真里故意把摩擦系数、物体质量、光照条件随机化，逼策略学出"抗压"的鲁棒性。这招有效，但本质是在用算力买泛化——随机维度越多，需要的并行环境规模越大，对GPU仿真引擎的压力也越大。这正是Isaac Gym这类框架的价值所在：并行规模上不去，域随机化就是一句空话。

把这条链路拆开看，每个环节都是独立的功夫：

从这个表能看出一个关键判断：仿真引擎不是"更好的物理沙盒"，而是整个数据闭环的起点。谁控制了训练侧的入口，谁就在具身智能的技术栈里占了一个上游位置——类似于大模型时代CUDA或训练框架的位置。

圈内流传的一句半玩笑话很能说明现状："仿真做得好不好，决定你的机器人是产品，还是发布会道具。"话糙，但指的是同一个事实——真机演示可以剪辑，训练管线藏不住。

📈 仿真创业的商业模式：卖工具还是卖技能

金句先行：卖仿真器是卖锄头，卖训练好的技能才是卖粮食。

仿真赛道的商业化，目前行业里大致有三条路径，各有各的账：

从Michelle Lu的定位看，Vsim Technology做的是"加速机器人学习"这件事本身——既指向引擎层的加速，也指向学习效率本身的提升。这个卡位很聪明：单纯卖仿真license，天花板受限于机器人公司数量；而绑定"技能学习效果"，客户付费意愿直接挂钩真机表现，商业故事顺得多。

这背后还有一个更深的产业逻辑。具身智能当下最热的叙事是"大模型驱动的通用机器人"，但通用能力落地前，市场必须先在垂直任务上赚到钱——工厂上下料、分拣、装配。这些任务的共同点是接触密集、场景结构化，恰好是仿真+RL最成熟的适用区。也就是说，仿真创业的现金流，大概率先来自工业场景，而不是人形机器人的星辰大海。

从产业链视角看，仿真环节的位置大致如下：

注意C节点的位置：它同时供给整机厂和模型公司，是这条链上少有的"双向卖水人"。这也是为什么仿真出身的团队创业，天然带着基础设施的想象空间。

⚠️ 冷思考：仿真不是银弹，坑都埋在细节里

金句先行：仿真行业的对手从来不是同行，是现实世界的物理规律。

给这个赛道泼几盆必要的冷水。

第一，仿真的护城河没有想象中深。GPU加速RL的核心思想是公开的，大厂（包括NVIDIA自己的后续生态）和开源社区都在快速追赶。Isaac Gym证明了路线，但路线本身不构成壁垒；真正的壁垒在长期积累的任务库、仿真保真度的调校经验，以及和头部客户真机数据之间形成的闭环。这些都需要时间，急不来。

第二，客户结构的风险。具身智能公司本身多数还在烧钱阶段，仿真服务商的收入跟着客户的融资节奏走。行业泡沫起伏时，"卖水人"看着稳健，实际上水位决定了所有人的生死。

第三，技术路线的变数。世界模型、视频生成式仿真等新方法正在冲击传统物理仿真的边界——用生成模型直接"脑补"训练环境，一旦成熟，现有仿真引擎的部分价值会被重新定价。这是一个所有仿真创业公司都必须回答的问题：你的引擎，五年后还是训练闭环里不可替代的一环吗？

不过反过来看，这些不确定性恰恰说明这个环节重要到了值得争夺。仿真做的是"用算力换试错成本"的生意，只要机器人学习还在继续，对更高效训练基础设施的需求就只会增长不会消失。Michelle Lu从NVIDIA这套体系里走出来，选择在这个时间点创业，赌的正是这个确定性的需求，而不是某个具体的技术路线。

写在最后

回到开头的问题：机器人怎么学会叠一件衣服？答案是先在显卡里失败一千万次，把学费从真机账单转移成电费。

Michelle Lu和Vsim Technology的故事之所以值得盯，不在于又多了一家AI创业公司，而在于它标记了一个产业阶段的切换：具身智能的竞争，正在从"本体造得好不好"，下沉到"训练基础设施谁来做"。当GPU加速仿真从NVIDIA的自留地变成独立赛道，意味着这条产业链的分工正在走向成熟。

接下来的看点有两个：一是仿真创业公司能否用垂直任务的真机效果证明自己，跑通"卖技能"的商业闭环；二是大厂生态与独立玩家之间，会在训练基础设施层面形成怎样的竞合。机器人集体"在显卡里上学"的时代才刚开始，而开办学校的人，才刚刚交出第一份答卷。