機器之心編輯部

人形機器人行業正出現一種吊詭現象：機器人還沒學會走得更遠，設計卻先學會了向仿真器低頭。

為了讓仿真系統跑得更順，為了讓強化學習更順滑，有些原本更有機械優勢的結構正在被主動刪掉。并聯關節、線性驅動、遠程傳動、肌腱式手部結構，本該是工程師用來榨出性能的武器，現在卻因為「仿真麻煩」被排除在外。

問題開始變得尖銳：我們到底是在造更好的機器人，還是在造一個更聽仿真器話的機器人

近日，有著 40 多年機器人從業經驗的工程專家、RoboStrategy 機器人投資研究總監 Scott Walter 發出疑問，「為什么人形機器人設計變得 S.T.U.P.P.I.D.？」

這里的 S.T.U.P.P.I.D. 全稱為被仿真器掐住脖子的低效產品集成設計（Simulation Throttled Underperforming Product Integration Design）

他接著詳細解釋了為什么自己會有這樣的感觸（以第一人稱）：

工程師向來喜歡 DFx 原則，比如 DFM 是面向制造的設計，DFA 是面向裝配的設計，DFQ 是面向質量的設計。每一種原則都在問同一個問題：為了服務下游約束，設計應該如何調整

去年年初，NVIDIA 的 Jim Fan 博士提出過 DFS，也就是面向仿真的設計。他的觀點很直接：如果你的人形機器人技術棧無法被仿真，強化學習基本就可以告別了。

用 Jim Fan 自己的話說：「…… 穩健的硬件和電機設計，應該把仿真視為一等公民……」「…… 過去，仿真經常是事后才考慮的東西。現在，它必須成為硬件設計流程的一部分。如果你的機器人仿真效果不好，強化學習基本就沒戲了。硬件與仿真協同設計，是一個非常有意思的新興方向，也只有在今天的算力條件下才真正變得有意義。」

這個判斷有道理。仿真確實很難，Sim2real gap 也真實存在。領先團隊要想大規模訓練人形機器人的策略，核心手段之一就是把物理仿真跑到比真實時間快幾個數量級，再在數百萬個環境中進行域隨機化。

問題出在另一個地方。DFS 作為訓練原則可以成立；一旦變成設計原則，就危險了。而且，這種情況正在越來越多地出現。

并聯關節機構原本在機械上更有優勢：結構緊湊，可以分擔扭矩，性能也更好。現在，它們正在被設計出局，只因為仿真起來太麻煩。旋轉執行器開始比線性驅動更受歡迎，原因未必是性能更優，只是建模更省事。遠程驅動越來越不受待見。串聯運動鏈正在勝出，靠的并非機械價值，而是更容易被仿真器處理。這已經偏離了真正的設計。

這就是 S.T.U.P.P.I.D.

我自己做機器人和仿真工程已經超過 40 年。早年，我曾經天真地在一場主要工業機器人 OEM 廠商的聚會上建議他們：要不把機器人設計得簡單一點，讓仿真更容易？他們給我上了職業生涯中最好的一課：笑了。而且他們笑得對。問題出在我們仿真團隊的能力上。后來，我們的仿真器也確實因此變得更好。

仿真應該服務設計。它的作用是幫助工程師探索完整的設計空間，幫助團隊在制造之前完成驗證，更快找到更好的結果。關系一旦顛倒，你限制的就不只是設計自由度，連設計本身都會被拉低。

更深層的問題，仍然是能力問題。完整仿真人形機器人技術棧，確實非常難。你需要正確建模執行器動力學、運動學、系統中的反射慣量，還要把系統辨識做準確。這并非數學問題。方法我們都知道。

真正麻煩的是算力賬：要把這些東西算對，計算成本極高。所以很多團隊開始走捷徑。

慣量靠估算，重心數據靠修，反射慣量不知道怎么建模，就猜一個。域隨機化被當成膠帶，用來勉強固定一個搖搖晃晃的系統。然后，最荒唐的一步來了：他們不去修仿真，反過來去改機器人，讓真實機器人去適配這些捷徑。

工程師們太害怕 sim2real gap，于是開始讓現實向仿真低頭，而非讓仿真追上現實。例子已經擺在眼前：一些智能電機控制器正在主動限制電機輸出，讓響應更線性，以便匹配仿真。

Unitree 新的 H2，把 G1 上經典的 RSU 并聯踝關節改成了串聯結構，用來適配強化學習；而他們并不是第一個這么做的團隊。手部設計團隊也在放棄肌腱結構，因為直接驅動更容易仿真。這就是本末倒置。

工程師一直都在和不完美模型打交道，這很正常。我們知道模型在極限條件下會失效，所以設計時會盡量避開這些區域。但接受仿真能力的邊界和把設計主導權交給仿真器，是兩回事。

KISS 原則，也就是 Keep It Simple, Stupid，確實是工程智慧。設計足夠優雅、足夠簡單，因此剛好也容易仿真，這當然很好。那是一種自然出現的額外收益。可如果你刪掉機械優勢，只因為仿真團隊處理不了復雜性，那你遵循的就不是 KISS，而是 S.T.U.P.P.I.D.

仿真是工具，產品另有其物。仿真應該服務設計，而不該反過來主宰設計。

我們不會為了讓結構分析軟件高興，去設計一座橋。我們使用軟件，是為了驗證這座橋不會塌。

人形機器人也是同樣的邏輯。

仿真的存在價值是服務設計：探索空間，壓力測試假設，更快抵達更好的硬件。仿真一旦變成產品本身，你就已經離開了工程，開始做另一種東西。

最好的人形機器人設計，應該從機器人真正需要什么出發，而不是從仿真器能處理什么出發

Scott 對人形機器人行業的判斷引起了圈內人士的共鳴，機器人 + AI 研究科學家、Agility Robotics AI 創新負責人 Chris Paxton 認為他點出了一個趨勢：現在有些人設計人形機器人時，會優先考慮讓 Isaac Lab（英偉達開源的統一的模塊化機器人學習框架）更容易仿真和控制，而不是去改進仿真器本身，或者解決其他底層問題。

有意思的是，這個問題其實已經存在一段時間了。Chris Paxton 自己之前接觸過某款人形機器人，因為腿部結構里有很大的閉環機構，在仿真里就經常遇到類似麻煩。可以看出，仿真技術遲早會成為機器人能力上限的一部分。。

機器人手臂 / 靈巧操作創業者 Matt Freed 也表示自己認同 Scott 的判斷。今天相當一部分機器人手部方案，其實是在為錯誤的需求做優化。這些設計未必能順利遷移到真實世界部署中。更大的問題在于，如果做硬件的團隊和訓練模型的團隊彼此分離，關于「什么才是真實有效需求」的反饋閉環就會變得非常慢。

這兩類團隊必須緊密耦合在一起。對于那些不自己做手、不自己訓練模型、不自己部署、也不在真實場景中持續迭代的公司，我并不看好。因為只有把硬件、模型、部署和迭代放在同一個閉環里，團隊才可能真正理解：要讓機器人在真實世界里變得有用，究竟需要滿足哪些要求。

這場爭論的核心，并不在于仿真重不重要。恰恰相反，越是想把人形機器人推向真實世界，越離不開高質量仿真、強化學習和大規模策略訓練。

真正需要警惕的是，仿真從工程工具變成了設計邊界。

當一個行業為了讓仿真更順手，開始主動放棄更有潛力的機械結構；當硬件團隊和模型團隊彼此割裂，只能圍繞各自最容易處理的問題做優化；當真實世界里的復雜性被反過來壓扁成仿真器喜歡的樣子，人形機器人就很容易走向一種表面高效、實際受限的路線。

參考鏈接：https://x.com/GoingBallistic5/status/2068878665232891907