NVIDIA یک بلاگ فنی منتشر کرده است که استفاده از agentهای هوش مصنوعی را برای آموزش راه‌رفتن به ربات Microduck در شبیه‌سازی شرح می‌دهد. این کار در کنار گسترش ابزارهای Isaac شرکت NVIDIA برای آموزش، شبیه‌سازی و استقرار ربات قرار می‌گیرد و locomotion مبتنی بر شبیه‌سازی را به‌عنوان مسیری عملی برای سخت‌افزار کم‌هزینه معرفی می‌کند. خود Microduck یک چهارپای کم‌هزینه است؛ گزارش‌ها از فروش ۲۰٬۰۰۰ واحد پس از یک دموی مدیرعامل خبر می‌دهند، هرچند پوشش خبری بازه زمانی اندازه‌گیری یا مبنای این رقم را مشخص نمی‌کند.
برای مهندسان agent، جزئیاتی که اهمیت دارد این است که قابلیت اطمینان کجا تعیین می‌شود. یک agent locomotion که در شبیه‌سازی آموزش دیده است، رفتار خود را از harness پیرامونش به ارث می‌برد: رابط‌های observation و action، منطق reset و termination، برنامه domain randomisation، و عبارات reward که gait را شکل می‌دهند. این‌ها تصمیم‌های طراحی هستند که پیش از هر استقرار فیزیکی گرفته می‌شوند و تعیین می‌کنند که آیا یک policy منتقل می‌شود یا زیر نویز تماس و محدودیت‌های actuator فرو می‌ریزد. مورد Microduck نمونه مفیدی است، زیرا این پلتفرم به‌قدری ارزان است که هزینه تکرار عمدتاً توسط مهندسی تعیین می‌شود، نه سخت‌افزار.
اکوسیستم گسترده‌تر در همان جهت حرکت می‌کند. Generative Bionics از راه‌اندازی یک Physical AI Data Factory در ایتالیا برای داده‌های آموزش ربات خبر داده است که نشان می‌دهد زیرساخت تولید و ارزیابی داده در حال تبدیل‌شدن به محصولات مستقل است. آنچه از پوشش ارائه‌شده روشن نیست، معماری مشخص agent مورد استفاده NVIDIA، فرمول‌بندی reward و هرگونه نتیجه کمی انتقال است؛ این جزئیات برای ارزیابی این رویکرد در برابر گزینه‌های جایگزین لازم است.