机器人RL想规模化，Moonlake把筹码压在仿真上

AGI House 转发了 Moonlake 的一条研究预览。Moonlake 的说法很直接：机器人强化学习（RL）已经进入规模化阶段，仿真决定它能不能继续放大。

这条内容给的信息不多，一段视频，一句研究目标：为机器人学习找到更好的仿真缩放范式。没有任务清单，没有成功率，也没有真机迁移数据。先把边界说清楚，能判断的只有方向。

机器人学习里，RL 需要海量试错。真机采样慢、贵，还会磨损硬件。仿真能并行、能重置、能批量加扰动，适合把交互量堆上去。问题也在这里：仿真里的物理参数、传感器噪声、接触模型和真实世界有差距，策略在仿真里学会，搬到真机上未必成立。Moonlake 把 scaling paradigm 放在仿真上，等于把难点从单点算法往系统工程推。

一个容易被忽略的点：大家讨论机器人进展时，注意力常在人形机器人硬件、基础模型和演示视频上。仿真管线不够上镜，却决定训练成本、迭代速度和评测可信度。如果仿真成为主战场，瓶颈会落到资产制作、物理参数校准、域随机化和基准设计上。

这段预览目前只能算信号。研究是否成立，要看后续有没有公开任务集、仿真到真机的迁移结果，以及 scaling 曲线是否真的随仿真规模变好。视频先放着，等细节。