Michelle Lu, cofundadora y CEO de Vsim Technology, participó en la creación de Isaac Gym, descrito como el primer framework de aprendizaje por refuerzo de extremo a extremo acelerado por GPU del mundo, cuando era directora de Tecnología de Simulación en NVIDIA. El 2 de octubre de 2026 apareció en una entrevista con la presentadora Claire para hablar sobre la simulación aplicada al aprendizaje robótico: cómo pueden usarse la simulación y la inteligencia artificial para enseñar nuevas habilidades a los robots.
De NVIDIA a Vsim
Lu pasó parte de su carrera en NVIDIA como directora de Tecnología de Simulación. Allí, junto con su cofundador, desarrolló Isaac Gym, un framework de aprendizaje por refuerzo de extremo a extremo que se ejecuta en GPU. Este framework marcó la pauta de cómo se realiza hoy en robótica el aprendizaje por refuerzo basado en simulación y acelerado por GPU.
En 2022, Lu y su cofundador dejaron NVIDIA para fundar Vsim. La empresa es ahora el vehículo de su trabajo para enseñar a los robots mediante simulación. Lu es su CEO.
La entrevista se articuló en torno a ese cambio: pasar de crear un framework de entrenamiento ampliamente utilizado dentro de una gran empresa de chips a dirigir una startup centrada en el mismo problema de fondo.
Los problemas a los que apunta Vsim
Lu y su cofundador crearon Vsim para abordar lo que la entrevista describe como las limitaciones que lastran la IA robótica basada en simulación. Se mencionan tres: eficiencia, escalabilidad y la brecha entre simulación y realidad (sim-to-real).
La eficiencia tiene que ver con la capacidad de cómputo y el tiempo que requiere entrenar una política de control para un robot en simulación. La escalabilidad se refiere a si ese entrenamiento puede crecer hacia más tareas y robots más complejos. La brecha sim-to-real es la diferencia entre cómo se comporta un robot en un entorno simulado y cómo lo hace cuando la habilidad aprendida se traslada al hardware físico.
El aprendizaje por refuerzo es el método central de este trabajo. Un robot, o su versión simulada, prueba acciones y recibe recompensas según los resultados; tras muchos intentos repetidos, aprende una habilidad. Ejecutar esos intentos en simulación evita el desgaste, el costo y el riesgo de hacerlo con máquinas físicas. Por eso la simulación ocupa el centro del enfoque que describe Lu.
De qué trata la entrevista
La conversación se centra en el uso de la simulación y la inteligencia artificial para enseñar nuevas habilidades a los robots. El material disponible sobre el episodio no ofrece una descripción detallada de la tecnología, los productos, los clientes, la financiación ni los plazos de Vsim, y aquí no se informa de ninguno de ellos.
El episodio es el número 164 de una serie semanal que explora la robótica, la inteligencia artificial y las máquinas autónomas. Episodios posteriores de la serie han contado con invitados que trabajan en robots para la construcción, en la evolución de cuerpos y cerebros robóticos y en robots usados en instalaciones científicas, lo que sitúa la conversación con Vsim dentro de una amplia variedad de temas de investigación e industria.
Por qué importa y qué sigue sin demostrarse
La trayectoria de Lu da peso a la entrevista en un punto concreto. A Isaac Gym se le atribuye haber marcado la pauta del aprendizaje por refuerzo acelerado por GPU en robótica, de modo que quien ayudó a definir ese método construye ahora una empresa en torno a sus debilidades pendientes. Cuando los creadores de un framework lo dejan para abordar sus límites, es una señal útil de dónde creen que se concentra el trabajo sin resolver. En este caso, la lista es corta: eficiencia, escalabilidad y brecha sim-to-real.
La lista también llama la atención por lo que omite. La velocidad de entrenamiento fue la gran mejora de la simulación acelerada por GPU, y sin embargo la eficiencia sigue citándose como limitación. Eso sugiere que la primera generación de herramientas no resolvió el problema, aunque cambiara la forma habitual de trabajar. La brecha sim-to-real es el problema más persistente para cualquier equipo que entrena en simulación y despliega en hardware, porque una política que funciona bien en un entorno virtual puede fallar en un robot físico.
Lo que sigue sin demostrarse es si Vsim ha resuelto alguno de los tres problemas. La información disponible expone la motivación de la empresa, no sus resultados. No hay benchmarks publicados, ni despliegues con nombre, ni comparaciones con otras plataformas de simulación. Sin ello, las afirmaciones de la compañía no pueden contrastarse con los enfoques existentes, y el lector debe considerar a Vsim como una startup con un equipo fundador creíble y un objetivo claramente definido, no como una solución demostrada.
La prueba práctica serán las evidencias. Serían medidas útiles el tiempo de entrenamiento para una tarea determinada, la variedad de robots y habilidades que pueden entrenarse a escala y la frecuencia con la que una política entrenada en simulación funciona en hardware real sin un reajuste exhaustivo. Hasta que Vsim o sus clientes presenten cifras de este tipo, la entrevista se entiende mejor como una declaración de intenciones de alguien con experiencia directa en cómo surgieron las herramientas actuales.