机器人还没上岗，先在AI里活了一辈子

机器人行业正在悄悄发生一件大事：AI不只帮机器人干活，开始直接参与“造”机器人——造它的技能、它的训练管线，甚至造下一代AI本身。Michelle Lu从NVIDIA出来创业做Vsim Technology，用仿真和AI教机器人学新技能；MIT的工程师则让一层比头发丝还薄的肌肉细胞，推着一台口香糖大小的机器人在水里穿迷宫。三条线索指向同一个判断：机器人竞赛的胜负手，正在从硬件本体，转向“研发管线本身”。

但先泼半盆冷水：更快未必更好。谁定义进步，谁守住安全边界，这个问题不该只由跑得最快的那几家来回答。

📈 一、AI造AI的叙事，最先落地在机器人身上

最贵的不是机器人，是让机器人学会干活的那条管线。

“当AI开始制造AI”，听起来像科幻片的开场白，但把它翻译成工程语言，其实就是一句话：研发成果反过来加快研发。巨头们争的，就是这个递归闭环。

而在具身智能这里，这条逻辑比大语言模型更具体、更可摸。大模型的递归是“用AI生成数据训练更好的AI”；机器人的递归是“用AI生成环境、生成任务、生成奖励函数，训练出更强的操作策略，再把策略回灌到研发流程里”。前者看不见摸不着，后者是一台台真机在跑。

Michelle Lu创办的Vsim Technology做的就是这件事：用仿真和人工智能教机器人新技能。她此前在NVIDIA担任仿真技术总监，和共同创始人一起做出了全球首个端到端GPU加速的强化学习框架Isaac Gym。换句话说，这位创业者本人，就是“AI加速机器人研发”这条路线的原作者之一。

注意这个图的关键：它是一个环，不是一条线。数据回流到仿真环境，环境喂出更好的模型，模型又去改造环境生成的方式——AI在参与制造下一代AI，机器人领域是这条递归逻辑最清晰的试验场。

一位具身智能方向的从业者私下跟我讲过一句话，大意是：现在拼的不是谁的机械臂自由度多，而是谁家机器人“一辈子的经历”更多。真机一天练八小时会磨损，仿真里的机器人一天可以“活”无数辈子。

这就是本轮机器人热的底层变化：算力取代工时，仿真取代试错。

🖥️ 二、从Isaac Gym到Vsim，仿真成了机器人的驾校

机器人行业最稀缺的资源，从来不是电机，是好教练。

把Michelle Lu的职业轨迹摊开看，几乎就是机器人仿真这条技术路线的一部简史：

• NVIDIA时期：担任仿真技术总监，深耕GPU仿真技术栈；
• 技术突破：与共同创始人打造全球首个端到端GPU加速强化学习框架Isaac Gym，把强化学习的整条计算链路搬进GPU；
• 创业：联合创立Vsim Technology并出任CEO，继续用仿真加AI教机器人新技能。

为什么“端到端GPU加速”这么重要？在此之前，强化学习训练机器人的经典姿势是：CPU跑仿真环境、GPU跑神经网络，两边来回倒腾数据，瓶颈卡在搬运上。端到端的意义在于砍掉搬运，让环境、物理、策略全部留在GPU里，训练吞吐量直接换了一个量级。这对机器人意味着什么？意味着以前要等几周才能收敛的策略，可能一个通宵就出来了。

据多位接近国内头部机器人公司的人士透露，目前几乎所有认真做人形机器人的团队，仿真训练管线都已是标配，区别只在于自研还是外采、深度够不够。

这套逻辑可以类比驾校：仿真环境是教材，GPU算力是学费，AI是陪练教练，真机部署是路考。Vsim Technology这类公司的商业模式，本质上就是给全行业开驾校。

当然，驾校再好也有“路考挂科”的问题，业内叫sim-to-real gap，仿真和现实的物理落差。这也是为什么这条路线的天花板，取决于仿真引擎对接触、摩擦、软体这些“脏物理”的还原能力。谁把落差压得更小，谁就能把更多技能从仿真直接搬到真机。

产业判断：仿真训练管线是当下确定性最高、离商业化最近的具身智能基础设施。它不性感，但它是自来水管——人人都要用，龙头公司才有定价权。

🧪 三、MIT的“口香糖机器人”：肌肉细胞当引擎

不是所有机器人都需要电机。

当巨头们在算力军备竞赛里卷得飞起时，MIT的工程师们发表了一项看起来“反向操作”的工作。9月28日，团队在期刊《Advanced Functional Materials》上发表论文，展示了一款由肌肉细胞驱动的薄膜游泳机器人。

它的构造朴素到令人发笑：机器人的“骨架”是一片口香糖长短大小的凝胶薄膜，薄膜的两半构成机器人的“鳍”；每片鳍上覆盖着一层活体肌肉细胞，这层细胞的厚度比一根头发丝还薄。这些细胞经过基因工程改造，能对光产生响应——光照一下，细胞抽搐，机器人就划一下水。就靠这么点动力，它能游过水下的迷宫。

游泳是很费肌肉的事。但MIT证明了：只要结构设计得当，一层肌肉细胞就够用。

这项工作的产业价值，我认为不在“造出一个游泳机器人”，而在两个更普遍的启示。

第一，设计换性能。驱动层薄到近乎没有，靠骨架的双鳍构型把效率榨出来。这个思路放到人形机器人上同样成立——当行业在为降本卷到骨头缝里时，用结构设计去换执行器性能，比硬堆电机更聪明。

第二，“先进”不止一条路径。巨头卷算力，学术圈卷材料和生命。生物混合驱动在微尺度、体内医疗、环境监测这类场景里，有电机永远给不了的柔顺性和能量效率。光控肌肉细胞这条路线当然还很早期——活细胞的寿命、功率、批量制备都是坎——但它提醒我们：机器人的驱动模块，未必只有稀土电机一个答案。

而更微妙的一点是：这台机器人本身也是“仿真加设计”哲学的产物。它的成功，恰恰建立在先想清楚物理、再动手制造的基础上——和仿真训练是同一套世界观的两个分支。

⚠️ 四、更快未必更好：谁定义进步，谁守边界

企业害怕落后的理由，不能替代我们对这场加速是否值得的独立判断。

把前三节的线索收拢，会看到一个共同结构：AI参与制造AI，研发成果反过来加快研发。仿真加速训练是它，递归自我改进也是它。效率提升是真实的，但有一个问题被节奏带得没人细看：进步的定义权在谁手里？

如果评价一个训练管线好坏的标准，是由这条管线自己产出的指标来定的，那就存在自我强化的风险——模型优化的是它自己擅长优化的东西，而不是真实世界需要的东西。机器人领域对此反而更清醒：仿真分数再漂亮，真机上抓不住杯子就是零。物理世界是最诚实的裁判，这是具身智能相对纯数字AI的一层天然保险。

但保险不等于免检。需要客观看待的边界至少有两层：

其一，仿真里练出来的技能，进现实必须经过系统化验证，尤其是和人共处的场景。管线的加速再快，部署端的验证节奏不该被压缩。

其二，像MIT这类生物混合工作涉及基因工程改造的活体细胞，属于需要规范约束的研究方向。这不必渲染，但也不能假装它不存在——技术越“轻”，越容易在监管视野外扩散。

巨头的叙事永远是“必须更快，否则出局”。这个焦虑对股东是真的，对不参与竞赛的大多数人，则未必成立。 Faster is not automatically better——这句话在AI制造AI的时代，值得贴在每一间实验室门口。

产业判断：递归自我改进目前仍处于叙事前沿，商业闭环尚远；仿真驱动的机器人训练管线则是眼下就能赚钱的生意。分清这两件事，是这一轮热闹里最值钱的判断力。

小结

从Isaac Gym把整条强化学习链路搬进GPU，到Vsim Technology把仿真训练做成生意，再到MIT用一层肌肉细胞撑起一台会游泳的机器人——机器人行业的竞争重心，已经从“造出一个身体”转移到“造出一条让身体学会本事的生产线”。AI参与制造AI，在这里不是口号，而是每天在跑的训练任务。接下来两年值得盯三个指标：sim-to-real落差能压多小、仿真管线的商业化渗透率、以及进步定义权和安全边界由谁来执笔。跑得快很重要，但跑对了才重要。