想象一个微型机器人正在血管般狭窄、弯曲的通道里找路。每走一步，它都可能撞上障碍。若只能让一个机器人一次次试错，训练自然很慢；更麻烦的是，失败太多、成功太少，它甚至不知道自己是否正在接近正确答案。
Lidong Yang 团队提出的办法很直接：让超过一万个虚拟分身同时练习，再给它们更细致的反馈。作者报告称，这套框架能在10分钟以内训练出有效的导航策略，而现有深度强化学习方法通常需要数小时至数天。这项工作的价值不只在于刷新计时数字。训练越快，研究者就越能迅速调整参数、检验设计，缩短微型机器人策略的迭代周期。
需要先说明，以下效果均来自论文作者及其公开材料，目前没有独立团队复现或外部评论交叉验证。
一万多个分身同时练习
微型机器人通常指能在狭窄空间或液体中运动的小型机器人。尺寸越小，感知、驱动和精确控制往往越困难。论文关注的是它们如何学会自主导航。
团队采用深度强化学习——让机器人反复尝试动作，根据结果获得奖励或惩罚，再由神经网络逐渐学出行动策略。它有点像练习走迷宫：尝试得足够多，才可能总结出什么时候该转弯、什么时候该避让。
问题也在这里。试错需要时间。团队因此构建了一个完全向量化的模拟器。所谓向量化仿真，就是把许多独立环境打包并行运行，相当于让大批虚拟分身同时练习，而不是排队逐个训练。
这个模拟器包含超过10,000个人工血管环境。机器人运动、基于射线投射的视觉特征提取，以及动作是否可行的检查，都能在数千个环境中并行计算。作者称，系统每秒可处理约190,000次状态转移，也就是机器人采取动作后，模拟环境更新到下一状态的过程。
不只告诉它“成了”或“没成”
跑得快还不够。如果机器人只有抵达终点时才能拿到奖励，它可能在漫长的失败过程中几乎得不到有效提示。团队为此提出 task-shaping-regularization 奖励框架，可译作“任务塑形—正则化”奖励。
它属于结构化奖励：不只看最终成功与否，还把任务中的中间进展纳入反馈。直观地说，这像教人走迷宫时，不只是最后宣布通关或失败，还会沿途提示方向是否更合理、动作是否更稳定。
作者称，这套奖励设计既加快了收敛——也就是让策略更快稳定下来，也改善了最终表现。在作者评估的全部场景中，机器人的动作变化至少减少33.7%，与障碍物的间距至少增加2.1%。前者意味着控制动作更平稳，后者说明机器人在测试中留出了更大的避障空间。
不过，摘要没有说明这两个百分比具体相对哪一种基线，也没有给出统计方法和误差范围。因此，它们适合被看作作者测试范围内的结果，不能直接外推到所有微型机器人和环境。
真正缩短的是设计循环
这项工作的关键组合，是“同时获得更多经验”和“让每次经验提供更清楚的反馈”。前者提高试错吞吐量，后者减少无效摸索。作者最终将训练时间压到10分钟以内，并报告训练所得策略可以在不同微型机器人类型和导航场景间进行 zero-shot deployment——即不再针对新对象额外训练，直接部署已有策略。
这让“分钟级”的意义落在一个现实问题上：研究者修改机器人或任务设置后，不必再等待数小时乃至数天，理论上可以更快进入下一轮验证。论文相关代码已经在 GitHub 公开，代码归档与大规模血管训练数据另存于 Zenodo，为后续检查和复现提供了入口。
局限与未知
- 摘要没有披露10分钟训练所用的具体硬件、算法基线、重复实验次数和计时口径，不能据此认为普通设备也能达到相同速度。
- 每秒约190,000次状态转移可能依赖并行硬件、环境复杂度和实现优化；现有材料不足以拆分各因素的贡献。
- zero-shot deployment 不等于已经证明策略能在所有机器人或真实血管中可靠工作。摘要也未清楚区分模拟测试、实验室实体测试与临床部署，因此更稳妥的结论是：作者把导航策略的训练环节压到了分钟级，而不是把微型机器人从训练到现实应用的完整流程都缩短到了几分钟。