北京科技大學與合作研究團隊以一架可更換翼型的仿生蝴蝶機器人，實際測試翅膀形狀如何影響飛行，再運用深度強化學習搜尋可能更好的設計。研究論文報告，升力性能參數提高 339%、推力性能參數提高 46%；另有報導指出，AI 選出的翼型製作後重新試飛，預測誤差不到 7%。16

這些結果展示了 AI 設計與實體飛行驗證的結合，但不表示機器人的載重能力、爬升速度或飛行速度也增加相同比例。現有資料沒有提供足夠細節，讓人把這些性能參數直接換算成上述飛行能力。16

先讓機器蝴蝶真正飛起來

研究使用的 USTButterfly-II 重 48.3 克，翼展 57.5 公分，最大弦長 37 公分；標稱拍動頻率為 5 Hz，拍動幅度為 84 度。它以單一馬達搭配減速箱，透過雙曲柄、雙搖桿機構帶動兩側翅膀同步拍動。6

翅脈由碳纖維與玻璃纖維製成，翼膜則是厚 0.03 毫米的氯化聚乙烯（CPE）。可調整的翼型，加上實際飛行測量，讓研究團隊能在機器人上比較不同設計，而不只依賴模擬結果。61

參考真蝴蝶形態，測試 19 對翅膀

研究團隊以三項參數描述翅膀形狀：前翅後緣的收斂比、前翅特徵長度，以及後翅特徵長度。相關報導指出，團隊也分析了 172 隻鳳蝶標本的影像；其中 36 隻的形態參數範圍與實驗設計重疊，包括 7 種 Parides 屬蝴蝶。6

團隊為機器人測試 19 對不同翅膀，每對飛行 5 次，共進行 95 次飛行測試。6這些實測資料提供了探索翼型與機器人飛行表現關係的基礎。論文摘要指出，研究使用神經網路代理模型描述翅膀形態與飛行表現之間的關係，再以深度強化學習引導設計搜尋。1

不過，現有來源摘要未提供足夠資訊，確認代理模型的訓練資料切分方式、留出資料的準確度、強化學習的具體實作或消融實驗結果；也無法據此斷定某一項翼型參數如何單獨影響升力、推力或爬升表現。不能只看最醒目的提升數字，就推論特定形狀變化帶來了哪種效果。

339% 的升力提升，應該怎麼解讀？

論文摘要報告升力性能參數提高 339%、推力性能參數提高 46%。1另有報導稱，AI 選出的翅膀製作後經實體飛行測試，預測誤差不到 7%。6這些資訊顯示，研究不只讓模型在代理資料中挑選設計，也將選出的翼型做出來並放回機器人上測試。16

但來源將這些數字描述為性能參數的變化，並未提供足夠的單位、基準值或測量定義。因此，339% 不能直接等同於氣動升力增加 339%，也不能直接解讀為爬升角度、速度或載重能力提高相同比例。現有資料同樣不足以量化最佳化前後的爬升或飛行速度差異。16

有用的設計流程，不是萬用答案

這項工作的價值，在於建立一個可實際操作的設計循環：先測量撲翼機器人的飛行表現，再建立翼型與表現之間的模型，讓強化學習提出候選設計，最後把選出的翅膀裝回實體機器人驗證。16這讓研究人員能用真實飛行資料探索複雜翼型，而非把模擬當成唯一依據。

目前證據仍限於這架機器人及其測試條件。來源沒有說明三項形態參數之間的交互作用是否已完整掌握、結果能否套用到其他尺寸或拍動方式，也沒有證明最佳化後的設計能搬運更重的載荷。爬升、速度與載重是不同的設計目標；升力與推力性能參數的報告數字，不能單獨證明同一種翼型能同時改善所有表現。

北京科技大學與合作研究團隊以一架可更換翼型的仿生蝴蝶機器人，實際測試翅膀形狀如何影響飛行，再運用深度強化學習搜尋可能更好的設計。研究論文報告，升力性能參數提高 339%、推力性能參數提高 46%；另有報導指出，AI 選出的翼型製作後重新試飛，預測誤差不到 7%。16

這些結果展示了 AI 設計與實體飛行驗證的結合，但不表示機器人的載重能力、爬升速度或飛行速度也增加相同比例。現有資料沒有提供足夠細節，讓人把這些性能參數直接換算成上述飛行能力。16

先讓機器蝴蝶真正飛起來

研究使用的 USTButterfly-II 重 48.3 克，翼展 57.5 公分，最大弦長 37 公分；標稱拍動頻率為 5 Hz，拍動幅度為 84 度。它以單一馬達搭配減速箱，透過雙曲柄、雙搖桿機構帶動兩側翅膀同步拍動。6

翅脈由碳纖維與玻璃纖維製成，翼膜則是厚 0.03 毫米的氯化聚乙烯（CPE）。可調整的翼型，加上實際飛行測量，讓研究團隊能在機器人上比較不同設計，而不只依賴模擬結果。61

參考真蝴蝶形態，測試 19 對翅膀

研究團隊以三項參數描述翅膀形狀：前翅後緣的收斂比、前翅特徵長度，以及後翅特徵長度。相關報導指出，團隊也分析了 172 隻鳳蝶標本的影像；其中 36 隻的形態參數範圍與實驗設計重疊，包括 7 種 Parides 屬蝴蝶。6

團隊為機器人測試 19 對不同翅膀，每對飛行 5 次，共進行 95 次飛行測試。6這些實測資料提供了探索翼型與機器人飛行表現關係的基礎。論文摘要指出，研究使用神經網路代理模型描述翅膀形態與飛行表現之間的關係，再以深度強化學習引導設計搜尋。1

不過，現有來源摘要未提供足夠資訊，確認代理模型的訓練資料切分方式、留出資料的準確度、強化學習的具體實作或消融實驗結果；也無法據此斷定某一項翼型參數如何單獨影響升力、推力或爬升表現。不能只看最醒目的提升數字，就推論特定形狀變化帶來了哪種效果。

339% 的升力提升，應該怎麼解讀？

論文摘要報告升力性能參數提高 339%、推力性能參數提高 46%。1另有報導稱，AI 選出的翅膀製作後經實體飛行測試，預測誤差不到 7%。6這些資訊顯示，研究不只讓模型在代理資料中挑選設計，也將選出的翼型做出來並放回機器人上測試。16

但來源將這些數字描述為性能參數的變化，並未提供足夠的單位、基準值或測量定義。因此，339% 不能直接等同於氣動升力增加 339%，也不能直接解讀為爬升角度、速度或載重能力提高相同比例。現有資料同樣不足以量化最佳化前後的爬升或飛行速度差異。16

有用的設計流程，不是萬用答案

這項工作的價值，在於建立一個可實際操作的設計循環：先測量撲翼機器人的飛行表現，再建立翼型與表現之間的模型，讓強化學習提出候選設計，最後把選出的翅膀裝回實體機器人驗證。16這讓研究人員能用真實飛行資料探索複雜翼型，而非把模擬當成唯一依據。

目前證據仍限於這架機器人及其測試條件。來源沒有說明三項形態參數之間的交互作用是否已完整掌握、結果能否套用到其他尺寸或拍動方式，也沒有證明最佳化後的設計能搬運更重的載荷。爬升、速度與載重是不同的設計目標；升力與推力性能參數的報告數字，不能單獨證明同一種翼型能同時改善所有表現。