一只不到50克的仿生蝴蝶机器人，换上不同形状的翅膀飞了95次。研究团队随后把真实飞行数据交给深度强化学习算法，在可调的翅膀形态中寻找更合适的设计。论文报告称，升力性能参数提升339%，推力性能参数提升46%；另一篇研究报道则称，AI选出的翅膀经过实物飞行测试后，预测误差低于7%。16

这些数字值得关注，但不能简单理解为机器人能多载同等比例的重量，或爬升得更快。研究报告的是性能参数变化；现有资料不足以将它们直接换算成载重、飞行速度或爬升角度的提升。16

先让机器人在真实飞行中“试翅膀”

这款机器人名为USTButterfly-II，重48.3克，翼展57.5厘米，最大弦长37厘米。它的标称拍动频率为5赫兹，扑动幅度为84度。驱动系统由一台电机和减速箱带动双曲柄双摇杆机构，使两侧翅膀同步拍动。6

翅脉使用碳纤维和玻璃纤维，翼膜则是厚0.03毫米的氯化聚乙烯（CPE）薄膜。6 通过更换翅膀几何形状，研究团队得以在实体机器人上比较不同设计，而不只依赖模拟结果。16

从凤蝶形态中提取设计参数

蝴蝶翅膀形态复杂，研究团队用三个参数描述翅膀几何：前翅后缘收敛比、前翅特征长度，以及后翅特征长度。研究报道提到，团队分析了172只凤蝶标本的图像；其中36只的形态参数范围与实验设计重合，包括7种Parides属蝴蝶。6

团队制作了19对不同形态的翅膀，每对飞行5次，总计95次飞行测试。6 这些实验数据用于研究翅膀形态与机器人飞行表现之间的关系。论文摘要介绍，研究者先用神经网络代理模型表示翅膀几何与飞行表现之间的关系，再用深度强化学习引导设计搜索。1

现有资料没有提供足够细节，无法核实代理模型的训练集划分、独立测试准确率、强化学习的具体实现或消融实验结果。资料也不足以确认某一个翅膀参数与升力、推力或爬升表现之间的具体因果关系，因此不宜仅凭总体提升数字推断哪种形状变化带来了哪项效果。

339%和46%具体说明了什么？

论文摘要报告，优化后升力性能参数提升339%，推力性能参数提升46%。1 另一篇报道指出，AI选出的翅膀经过实体飞行测试，预测误差低于7%。6 两项信息结合来看，AI提出的设计不只是在模型中评估，也被制作出来并在机器人上测试。16

不过，现有资料没有充分说明这些性能参数的单位、基准值和测量定义。因此，不能把“升力性能参数提升339%”直接说成升力或载重能力增加339%，也不能据此认定爬升角度或飞行速度提高了相同比例。资料同样没有给出足以量化优化前后爬升或速度变化的数据。16

研究的价值与边界

这项工作的重点，是建立一个从实验到验证的设计流程：先让可调翅膀的扑翼机器人实际飞行，收集数据并建立形态与表现之间的模型；再由强化学习提出候选设计，最后把选出的翅膀装到实体机器人上测试。16 这种做法让研究者可以借助真实飞行数据探索复杂形态，而不是把模拟当作唯一依据。

但目前结果仍局限于这款机器人及其测试条件。现有来源没有显示，翅膀参数之间的相互作用是否被充分厘清、结果能否适用于不同尺寸或拍动方式的机器人，也没有证明优化后的设计能承载更多载荷。爬升、速度和载重是不同的设计目标；升力与推力性能参数的报告值，并不能证明同一款翅膀能同时改善所有目标。

因此，较稳妥的结论是：研究展示了生物形态启发、数据建模、强化学习搜索与实体飞行验证相结合的一种方法。它提供了有前景的设计路径，但并不意味着强化学习已经能为所有扑翼机器人找到最佳翅膀。

一只不到50克的仿生蝴蝶机器人，换上不同形状的翅膀飞了95次。研究团队随后把真实飞行数据交给深度强化学习算法，在可调的翅膀形态中寻找更合适的设计。论文报告称，升力性能参数提升339%，推力性能参数提升46%；另一篇研究报道则称，AI选出的翅膀经过实物飞行测试后，预测误差低于7%。16

这些数字值得关注，但不能简单理解为机器人能多载同等比例的重量，或爬升得更快。研究报告的是性能参数变化；现有资料不足以将它们直接换算成载重、飞行速度或爬升角度的提升。16

先让机器人在真实飞行中“试翅膀”

这款机器人名为USTButterfly-II，重48.3克，翼展57.5厘米，最大弦长37厘米。它的标称拍动频率为5赫兹，扑动幅度为84度。驱动系统由一台电机和减速箱带动双曲柄双摇杆机构，使两侧翅膀同步拍动。6

翅脉使用碳纤维和玻璃纤维，翼膜则是厚0.03毫米的氯化聚乙烯（CPE）薄膜。6 通过更换翅膀几何形状，研究团队得以在实体机器人上比较不同设计，而不只依赖模拟结果。16

从凤蝶形态中提取设计参数

蝴蝶翅膀形态复杂，研究团队用三个参数描述翅膀几何：前翅后缘收敛比、前翅特征长度，以及后翅特征长度。研究报道提到，团队分析了172只凤蝶标本的图像；其中36只的形态参数范围与实验设计重合，包括7种Parides属蝴蝶。6

团队制作了19对不同形态的翅膀，每对飞行5次，总计95次飞行测试。6 这些实验数据用于研究翅膀形态与机器人飞行表现之间的关系。论文摘要介绍，研究者先用神经网络代理模型表示翅膀几何与飞行表现之间的关系，再用深度强化学习引导设计搜索。1

现有资料没有提供足够细节，无法核实代理模型的训练集划分、独立测试准确率、强化学习的具体实现或消融实验结果。资料也不足以确认某一个翅膀参数与升力、推力或爬升表现之间的具体因果关系，因此不宜仅凭总体提升数字推断哪种形状变化带来了哪项效果。

339%和46%具体说明了什么？

论文摘要报告，优化后升力性能参数提升339%，推力性能参数提升46%。1 另一篇报道指出，AI选出的翅膀经过实体飞行测试，预测误差低于7%。6 两项信息结合来看，AI提出的设计不只是在模型中评估，也被制作出来并在机器人上测试。16

不过，现有资料没有充分说明这些性能参数的单位、基准值和测量定义。因此，不能把“升力性能参数提升339%”直接说成升力或载重能力增加339%，也不能据此认定爬升角度或飞行速度提高了相同比例。资料同样没有给出足以量化优化前后爬升或速度变化的数据。16

研究的价值与边界

这项工作的重点，是建立一个从实验到验证的设计流程：先让可调翅膀的扑翼机器人实际飞行，收集数据并建立形态与表现之间的模型；再由强化学习提出候选设计，最后把选出的翅膀装到实体机器人上测试。16 这种做法让研究者可以借助真实飞行数据探索复杂形态，而不是把模拟当作唯一依据。

但目前结果仍局限于这款机器人及其测试条件。现有来源没有显示，翅膀参数之间的相互作用是否被充分厘清、结果能否适用于不同尺寸或拍动方式的机器人，也没有证明优化后的设计能承载更多载荷。爬升、速度和载重是不同的设计目标；升力与推力性能参数的报告值，并不能证明同一款翅膀能同时改善所有目标。

因此，较稳妥的结论是：研究展示了生物形态启发、数据建模、强化学习搜索与实体飞行验证相结合的一种方法。它提供了有前景的设计路径，但并不意味着强化学习已经能为所有扑翼机器人找到最佳翅膀。