人形机器人行业正出现一种吊诡现象：机器人还没学会走得更远，设计却先学会了向仿真器低头。
为了让仿真系统跑得更顺，为了让强化学习更顺滑，有些原本更有机械优势的结构正在被主动删掉。并联关节、线性驱动、远程传动、肌腱式手部结构，本该是工程师用来榨出性能的武器，现在却因为「仿真麻烦」被排除在外。
问题开始变得尖锐：我们到底是在造更好的机器人，还是在造一个更听仿真器话的机器人？
近日，有着 40 多年机器人从业经验的工程专家、RoboStrategy 机器人投资研究总监 Scott Walter 发出疑问，「为什么人形机器人设计变得 S.T.U.P.P.I.D.？」
这里的 S.T.U.P.P.I.D. 全称为被仿真器掐住脖子的低效产品集成设计（Simulation Throttled Underperforming Product Integration Design）。
他接着详细解释了为什么自己会有这样的感触（以第一人称）：
工程师向来喜欢 DFx 原则，比如 DFM 是面向制造的设计，DFA 是面向装配的设计，DFQ 是面向质量的设计。每一种原则都在问同一个问题：为了服务下游约束，设计应该如何调整？
去年年初，NVIDIA 的 Jim Fan 博士提出过 DFS，也就是面向仿真的设计。他的观点很直接：如果你的人形机器人技术栈无法被仿真，强化学习基本就可以告别了。
用 Jim Fan 自己的话说：「…… 稳健的硬件和电机设计，应该把仿真视为一等公民……」「…… 过去，仿真经常是事后才考虑的东西。现在，它必须成为硬件设计流程的一部分。如果你的机器人仿真效果不好，强化学习基本就没戏了。硬件与仿真协同设计，是一个非常有意思的新兴方向，也只有在今天的算力条件下才真正变得有意义。」
这个判断有道理。仿真确实很难，Sim2real gap 也真实存在。领先团队要想大规模训练人形机器人的策略，核心手段之一就是把物理仿真跑到比真实时间快几个数量级，再在数百万个环境中进行域随机化。
问题出在另一个地方。DFS 作为训练原则可以成立；一旦变成设计原则，就危险了。而且，这种情况正在越来越多地出现。
并联关节机构原本在机械上更有优势：结构紧凑，可以分担扭矩，性能也更好。现在，它们正在被设计出局，只因为仿真起来太麻烦。旋转执行器开始比线性驱动更受欢迎，原因未必是性能更优，只是建模更省事。远程驱动越来越不受待见。串联运动链正在胜出，靠的并非机械价值，而是更容易被仿真器处理。这已经偏离了真正的设计。
这就是 S.T.U.P.P.I.D.。
我自己做机器人和仿真工程已经超过 40 年。早年，我曾经天真地在一场主要工业机器人 OEM 厂商的聚会上建议他们：要不把机器人设计得简单一点，让仿真更容易？他们给我上了职业生涯中最好的一课：笑了。而且他们笑得对。问题出在我们仿真团队的能力上。后来，我们的仿真器也确实因此变得更好。
仿真应该服务设计。它的作用是帮助工程师探索完整的设计空间，帮助团队在制造之前完成验证，更快找到更好的结果。关系一旦颠倒，你限制的就不只是设计自由度，连设计本身都会被拉低。
更深层的问题，仍然是能力问题。完整仿真人形机器人技术栈，确实非常难。你需要正确建模执行器动力学、运动学、系统中的反射惯量，还要把系统辨识做准确。这并非数学问题。方法我们都知道。
真正麻烦的是算力账：要把这些东西算对，计算成本极高。所以很多团队开始走捷径。
惯量靠估算，重心数据靠修，反射惯量不知道怎么建模，就猜一个。域随机化被当成胶带，用来勉强固定一个摇摇晃晃的系统。然后，最荒唐的一步来了：他们不去修仿真，反过来去改机器人，让真实机器人去适配这些捷径。
工程师们太害怕 sim2real gap，于是开始让现实向仿真低头，而非让仿真追上现实。例子已经摆在眼前：一些智能电机控制器正在主动限制电机输出，让响应更线性，以便匹配仿真。
Unitree 新的 H2，把 G1 上经典的 RSU 并联踝关节改成了串联结构，用来适配强化学习；而他们并不是第一个这么做的团队。手部设计团队也在放弃肌腱结构，因为直接驱动更容易仿真。这就是本末倒置。
工程师一直都在和不完美模型打交道，这很正常。我们知道模型在极限条件下会失效，所以设计时会尽量避开这些区域。但接受仿真能力的边界和把设计主导权交给仿真器，是两回事。
KISS 原则，也就是 Keep It Simple, Stupid，确实是工程智慧。设计足够优雅、足够简单，因此刚好也容易仿真，这当然很好。那是一种自然出现的额外收益。可如果你删掉机械优势，只因为仿真团队处理不了复杂性，那你遵循的就不是 KISS，而是 S.T.U.P.P.I.D.。
仿真是工具，产品另有其物。仿真应该服务设计，而不该反过来主宰设计。
我们不会为了让结构分析软件高兴，去设计一座桥。我们使用软件，是为了验证这座桥不会塌。
人形机器人也是同样的逻辑。
仿真的存在价值是服务设计：探索空间，压力测试假设，更快抵达更好的硬件。仿真一旦变成产品本身，你就已经离开了工程，开始做另一种东西。
最好的人形机器人设计，应该从机器人真正需要什么出发，而不是从仿真器能处理什么出发。
Scott 对人形机器人行业的判断引起了圈内人士的共鸣，机器人 + AI 研究科学家、Agility Robotics AI 创新负责人 Chris Paxton 认为他点出了一个趋势：现在有些人设计人形机器人时，会优先考虑让 Isaac Lab（英伟达开源的统一的模块化机器人学习框架）更容易仿真和控制，而不是去改进仿真器本身，或者解决其他底层问题。
有意思的是，这个问题其实已经存在一段时间了。Chris Paxton 自己之前接触过某款人形机器人，因为腿部结构里有很大的闭环机构，在仿真里就经常遇到类似麻烦。可以看出，仿真技术迟早会成为机器人能力上限的一部分。。
机器人手臂 / 灵巧操作创业者 Matt Freed 也表示自己认同 Scott 的判断。今天相当一部分机器人手部方案，其实是在为错误的需求做优化。这些设计未必能顺利迁移到真实世界部署中。更大的问题在于，如果做硬件的团队和训练模型的团队彼此分离，关于「什么才是真实有效需求」的反馈闭环就会变得非常慢。
这两类团队必须紧密耦合在一起。对于那些不自己做手、不自己训练模型、不自己部署、也不在真实场景中持续迭代的公司，我并不看好。因为只有把硬件、模型、部署和迭代放在同一个闭环里，团队才可能真正理解：要让机器人在真实世界里变得有用，究竟需要满足哪些要求。
这场争论的核心，并不在于仿真重不重要。恰恰相反，越是想把人形机器人推向真实世界，越离不开高质量仿真、强化学习和大规模策略训练。
真正需要警惕的是，仿真从工程工具变成了设计边界。
当一个行业为了让仿真更顺手，开始主动放弃更有潜力的机械结构；当硬件团队和模型团队彼此割裂，只能围绕各自最容易处理的问题做优化；当真实世界里的复杂性被反过来压扁成仿真器喜欢的样子，人形机器人就很容易走向一种表面高效、实际受限的路线。
