Michelle Lu, cofondatrice e CEO di Vsim Technology, ha contribuito a creare Isaac Gym, descritto come il primo framework di reinforcement learning end-to-end accelerato su GPU al mondo, quando era Director of Simulation Technology in NVIDIA. Il 2 ottobre 2026 è stata ospite di un'intervista con la conduttrice Claire per parlare di simulazione per l'apprendimento dei robot: come simulazione e intelligenza artificiale possono servire a insegnare nuove abilità alle macchine.
Da NVIDIA a Vsim
Lu ha trascorso parte della sua carriera in NVIDIA come Director of Simulation Technology. Lì, insieme al cofondatore, ha sviluppato Isaac Gym, un framework di reinforcement learning end-to-end che gira su GPU. Il framework ha fissato il modello di riferimento per il modo in cui oggi si applica in robotica il reinforcement learning basato su simulazione e accelerato da GPU.
Nel 2022 Lu e il cofondatore hanno lasciato NVIDIA per fondare Vsim. Oggi l'azienda è lo strumento attraverso cui porta avanti il suo lavoro sull'addestramento dei robot tramite simulazione. Ne è la CEO.
L'intervista ruota attorno a questo passaggio: dalla creazione di un framework di addestramento molto diffuso all'interno di un grande produttore di chip alla guida di una startup che affronta lo stesso problema di fondo.
I problemi che Vsim vuole risolvere
Lu e il cofondatore hanno avviato Vsim per affrontare quelli che l'intervista descrive come i limiti che affliggono l'IA robotica basata su simulazione. Ne vengono citati tre: efficienza, scalabilità e il divario tra simulazione e mondo reale (sim-to-real gap).
L'efficienza riguarda la quantità di calcolo e di tempo necessari per addestrare in simulazione una policy robotica. La scalabilità riguarda la possibilità di estendere l'addestramento a più compiti e a robot più complessi. Il sim-to-real gap è la differenza tra il comportamento di un robot in un ambiente simulato e quello che mostra quando l'abilità appresa viene trasferita sull'hardware fisico.
Il reinforcement learning è il metodo al centro di questo lavoro. Un robot, o la sua versione simulata, prova delle azioni e viene premiato in base ai risultati; dopo molti tentativi ripetuti impara un'abilità. Eseguire questi tentativi in simulazione evita usura, costi e rischi legati alle macchine fisiche. È questo il motivo per cui la simulazione è il cuore dell'approccio descritto da Lu.
Di cosa parla l'intervista
La conversazione è incentrata sull'uso di simulazione e intelligenza artificiale per insegnare ai robot nuove abilità. Il materiale disponibile sulla puntata non fornisce un resoconto dettagliato di tecnologia, prodotti, clienti, finanziamenti o tempistiche di Vsim, e nulla di tutto ciò viene riportato qui.
La puntata è la numero 164 di una serie settimanale dedicata a robotica, intelligenza artificiale e macchine autonome. Nelle puntate successive sono intervenuti ospiti che lavorano su robot per l'edilizia, sull'evoluzione di corpi e cervelli robotici e su robot impiegati in strutture scientifiche: la conversazione con Vsim si inserisce così in un ampio ventaglio di temi di ricerca e industria.
Perché è importante e cosa resta da dimostrare
Il percorso di Lu dà peso all'intervista su un punto preciso. A Isaac Gym viene attribuito il merito di aver stabilito il modello per il reinforcement learning accelerato da GPU in robotica, quindi chi ha contribuito a definire questo metodo sta ora costruendo un'azienda attorno ai suoi punti deboli residui. Quando i creatori di un framework se ne vanno per affrontarne i limiti, è un segnale utile su dove ritengano si trovi il lavoro ancora irrisolto. In questo caso l'elenco dichiarato è breve: efficienza, scalabilità e sim-to-real gap.
L'elenco colpisce anche per ciò che omette. La velocità di addestramento è stata il vantaggio principale della simulazione accelerata da GPU, eppure l'efficienza viene ancora indicata come un limite. Ciò suggerisce che la prima generazione di strumenti non abbia chiuso la questione, pur avendo cambiato il modo standard di lavorare. Il sim-to-real gap è il problema più persistente per qualsiasi team che si addestra in simulazione e poi passa all'hardware, perché una policy che funziona bene in un ambiente virtuale può fallire su un robot fisico.
Resta da dimostrare se Vsim abbia risolto uno qualsiasi dei tre problemi. Il resoconto disponibile espone le motivazioni dell'azienda, non i suoi risultati. Non ci sono benchmark pubblicati, implementazioni citate né confronti con altre piattaforme di simulazione. Senza questi elementi, le affermazioni dell'azienda non possono essere confrontate con gli approcci esistenti, e il lettore dovrebbe considerare Vsim una startup con un team fondatore credibile e un obiettivo dichiarato con chiarezza, non una soluzione già dimostrata.
La vera prova saranno i dati. Misure utili sarebbero il tempo di addestramento per un dato compito, la varietà di robot e abilità addestrabili su larga scala e la frequenza con cui una policy addestrata in simulazione funziona su hardware reale senza un ampio lavoro di messa a punto. Finché Vsim o i suoi clienti non renderanno pubblici numeri di questo tipo, l'intervista va letta come una dichiarazione d'intenti di chi conosce da vicino la nascita degli strumenti attuali.