最近，一只机器鸭火爆全网。一只不到30厘米高、不到800克重的小型双足机器人Microduck。上线6小时订单额突破100万美元，24小时超过260万美元，随后预订量突破1万台，新订单的交付周期一度拉长至4-6个月。
它会走路、坐下、蹲起，也会从跌倒中重新站起来，甚至尝试轮滑。相关视频在社交媒体上不断传播，很多人第一次看到它时，注意力都集中在“小”和“可爱”上；但很快，人们发现Microduck真正吸引人的地方在于“训练机器人”被做成了一种产品体验。
用户拿到的不是一组固定动作，而是一台可以持续学习的机器——可以在仿真环境里训练新的行为，再把策略部署到真实机器人上。
Microduck由法国机器人公司Pollen Robotics推出，官网将其定位为一个开放的机器人学习平台，软件栈覆盖机器人控制、仿真、强化学习和Sim2Real部署。
项目与Hugging Face深度合作，参与团队成员中就包括首席科学官Thomas Wolf。这种开放背景，也让Microduck迅速超越了单一硬件产品的范围，而是物理AI开放生态的一次重要实践。
这一步开放大棋下的早有预兆。
之前，Thomas Wolf就在LinkedIn上公开站台与光轮智能合作开源的全球首个十万小时人类行为开源数据集EgoSuite-Open100K，而光轮智能这家公司，早前就凭借“机器人持续学习基础设施”与Hugging Face、NVIDIA共列全球物理AI五大基础设施，更是国际开源仿真引擎Newton技术指导委员会的唯一中国企业。
这一层联系，也让Microduck背后的仿真与持续学习能力变得耐人寻味。
Sim2Real被个体用户感知
Microduck背后的核心能力，是一条清晰的Sim2Real路径。根据Pollen Robotics官网介绍，用户可以先在仿真环境中训练策略，将策略部署到真实机器人，再根据真实表现完善仿真，最后在开源社区发布新的行为。
这四个步骤分别是“Train in simulation、Deploy on the robot、Refine the simulation、Publish the policy”。它们把仿真、真机部署和社区连接起来，使机器人能力的开发从一次性交付变成持续学习的循环往复。
从目前公开的代码和说明来看，Microduck的训练栈主要基于MuJoCo，结合MuJoCo Warp和PPO进行强化学习，并支持将策略导出为ONNX后部署到真实机器人。训练过程中还会考虑执行器物理、齿轮间隙、摩擦、电池电压和控制延迟等因素，尽可能缩小虚拟环境与真实机器人之间的差距。
MuJoCo是机器人强化学习领域广泛使用的物理仿真环境，积累了大量模型、任务和开发经验。对下一代仿真引擎来说，真正有价值的方向并非割裂既有工具链重新起步，而是在承接成熟生态的基础上，进一步提升仿真的规模、性能和开放程度。
Newton正沿着这条路径推进。
作为面向机器人和物理AI的开放物理仿真引擎，Newton兼容MuJoCo模型和相关工作流，让开发者能够沿用已有的机器人资产与训练方法，同时将仿真扩展到更大规模的并行训练和评测。
MuJoCo提供了成熟的机器人仿真基础，Newton则尝试把这套基础带入更开放、更适合物理AI发展的架构中。
而Thomas Wolf此前公开站台的光轮智能，就是Newton技术委员会中的唯一中国企业。
仿真包容试错
帮助机器人持续学习
Microduck依靠仿真能力，让用户可以在仿真环境中训练新的策略，将策略部署到真实机器人上，再根据真机表现调整仿真，最后把新的行为发布出来。
这便是它最吸引人的地方——不在于“小鸭子”出厂时已经会哪些动作，而让用户通过仿真不断提高它的能力上限。
这让机器人能力的增长变成了一个可参与、持续学习的过程。一个新的动作，可以从仿真中的一次训练开始，经过真实机器人的验证，再进入下一轮调整。
机器人无法在现实世界里不断试错。真实环境中的每一次失败，都可能带来硬件损耗、安全风险和较高的时间成本；许多边界情况也难以稳定复现。
这正是仿真的最大价值。
仿真提供了一个包容的试错环境，让策略可以在不同地面、摩擦、负载、动作难度和外部干扰下反复训练，并将失败转化为可记录、可重放、可比较的数据。光轮智能实践证明，机器人开发周期从传统的3~6个月，缩短到两到三周，综合训练成本降低十倍以上。
对Microduck而言，随着行为不断增加，机器人拥有了更长的产品生命周期，用户也从单纯的使用者变成了训练和创造的一部分。
但是对更复杂、更严肃的工业场景而言，还需要围绕仿真搭建一套完整的基础设施。
从现象级产品到工业级闭环
Microduck让用户看到了一种更具参与感的机器人产品：每一次训练都可能带来能力提升，每一次分享又会成为下一轮探索的起点，这使机器人的可玩性和生命周期都得到延伸。
但如果把这种方式推向工业任务和更大规模的应用，问题就会进一步具体化：策略在哪些条件下会失效？仿真与真机之间究竟存在多大偏差？失败数据又怎样转化为下一轮训练和评测的输入？
此前提到的光轮智能，正在把这些环节组织成一套可复用的基础设施。
全栈自研SimFoundry通过“求解—测量—生成”构建物理真实的仿真环境，让机器人拥有一个规模化的试错空间，反复训练、无线试错；RoboFinals负责对机器人进行规模化、可复现、可比较的仿真评测，帮助研发团队在不同条件下发现问题、定位问题。
进入真实部署后，RoboStack结合仿真能力大规模并行部署，并持续记录异常、失败和人工接管等信息，再将这些反馈带回数据采集和训练评测环节。
这样一来，仿真就了贯穿机器人开发的全过程。
真实任务负责提出问题，仿真负责扩大覆盖，评测负责暴露差异，真机负责验证结果，部署反馈则推动下一轮迭代。
这也是光轮智能所强调的Real2Sim2Real持续学习闭环。它并非简单地把现实复制到虚拟世界，再把模型搬回来，而是让数据、物理仿真、规模化评测和机器人部署形成持续循环。
Microduck展示了持续学习如何提升一台机器人的产品可玩性，光轮智能则在更大范围内解决这种能力如何被验证、复现和规模化部署的问题。只有当每一次失败都能被记录，每一次真机表现都能反过来改善仿真，机器人的持续学习才能拥有规模化的工程机制。
仿真做实、生态做大
正在成为优秀企业的共同选择
从MuJoCo到Newton，从Hugging Face、Pollen Robotics再到光轮智能，越来越多优秀公司正在同时推进两件事：把仿真做实，把生态做大。
仿真做实，意味着更物理真实的描述执行器、接触、摩擦、延迟和环境变化，让机器人在虚拟世界中学到的能力更迁移到真实场景。
生态做大，则意味着开放代码、数据、模型、评测工具和接口，让更多开发者能够参与训练、验证和改进，构建机器人持续学习的繁荣生态。
两者缺一不可。只有仿真能力，没有开放生态，技术很难形成规模化应用；只有开放生态，没有物理真实且规模化的仿真，社区贡献也难以稳定转化为可部署的机器人能力。
Microduck的走红，说明用户已经开始期待机器人具备“可训练、可更新、可分享”的产品属性。Newton等开放物理仿真项目，则在推动行业建立更通用的基础设施。
光轮智能更是二者兼备的典范，是进一步把仿真连接到评测、部署和真实反馈，让机器人持续学习、能力迭代，并最终走向真实业务场景。
从这个角度看，Microduck爆火背后的关键，并不只是一个小巧有趣的机器人，而是一个更清晰的行业信号：仿真与持续学习能力，正在成为决定产品能否持续成长、能否稳定交付、能否实现商业化的核心能力。
