跳到正文
世界时间EU--:--UK--:--USA--:--CN--:--PLDEFRIT中文EN

关于人工智能与技术的门户事件 · 分析 · 访谈 · 技术背景

搜索
直播
›

人形机器人建厂潮撞上数据瓶颈

9月30日,Innodata开设动作捕捉实验室,为人形机器人生产训练数据。同一天,Inbolt完成1100万欧元融资,用于机器人视觉;MindOn发布一款模型,称可将推理延迟从82ms降到32ms。

科技分析王雅琴发布: 2026年9月30日6 分钟阅读资料来源 8
人形机器人建厂潮撞上数据瓶颈

9月30日,新泽西数据工程公司Innodata开设了一间面向机器人的3D动作捕捉研发实验室。该设施将直接记录人体与机械体的运动,也会独立验证机器人内部生成的性能数据。The Robot Report在9月30日率先报道了此事。

这是一栋不大的楼,却挂着一个很大的说法。物理AI的瓶颈不在电机,不在手,也不在执行器。瓶颈在数据。

“物理AI的增长速度快于AI的任何其他细分领域,但每一支机器人团队都会撞上同一堵墙:真实世界的交互数据不够,而现有的数据生产起来又贵又慢,”Innodata首席执行官Rahul Singhal在The Robot Report报道的一份声明中说。公司称,该设施覆盖从数据采集到模型评估的全过程,将采集人形机器人、遥操作硬件、可穿戴系统、传感器装置以及Universal Manipulator Interface夹爪的动作数据。Innodata成立于1988年。它的论点是:大语言模型吃的是开放互联网,而机器人在物理世界没有对应的语料库。公司机器人与物理AI副总裁Franklin Tanner对The Robot Report说,物理AI“必须一次一次交互地挣来自己的token”。Tanner还反驳了基于推理的动作捕捉方案。他说,“直接3D动作捕捉无可替代”。靠2D像素工作的计算机视觉模型难免出错。他说,实验室的传感器就是为记录每个关节最细微的动作而设计的。

这个论点并不新鲜。不过,它现在开始拿到钱了。

同样在9月30日,总部位于巴黎的Inbolt表示已融资1100万欧元,用于拓展国际市场,并进入数据中心和电子制造领域,Tech.eu报道。新投资方Shift4Good领投,Bridges Climate Transition Partners以及现有投资方BNP Paribas Developpement和Ora Global参投。公司累计融资额达到3000万欧元。Inbolt由Rudy Cohen、Albane Dersy和Louis Dumas于2019年创立,销售一套与硬件无关的AI软件层,并搭配3D视觉。当零件来料位置不正或工装磨损时,系统让机器人实时调整控制回路。据Tech.eu,这套系统运行在三大洲100多家工厂的200多台机器人上。客户包括Bosch、Beko、Flex、Ford、Stellantis和Toyota。公司的卖点是:工厂可以升级现有产线,而不必更换产线。

还有速度。MindOn在9月30日发布技术文章,介绍Mind-1模型,称它能把机器人执行任务的节拍带到人类水平。公司报告称推理延迟从82ms降到32ms。它推算,当末端执行器速度为每秒3米时,10ms的延迟大约对应3cm的位移,足以让精确抓取或插入失败。MindOn还点出一个不那么显眼的问题:大量机器人操作数据来自遥操作,而遥操作比人的自然动作慢。模型在学习任务的同时,也学会了示范动作的节奏。

三条消息,一天之内,同一个前提。能力演示不再是难的那部分。

Fig Inc.同样在9月30日发布的一份技术报告,把这个图景往有用的方向搅复杂了。研究者Yangyue Wang、Harshvardhan Sikka、Pranav Guruprasad和Sudipta Chowdhury评估了包括Astra和Opus 5.5在内的前沿模型,覆盖网页自动化以及四个物理领域:Bench2Drive、VLABench、IndEgo和Assembly101。他们发现,基准平均分会掩盖巨大的任务级差异。在他们测试的每一对模型里,较弱的模型至少有一项任务是较强的模型没做出来的。一次模型更新可能让平均分几乎不动,却把许多单项任务的结果翻了个面。他们公开了一个叫RIDGE的数据集,里面有逐项结果和模型轨迹。

把这份报告和工厂那边的数字放在一起看,图景又变了。

这一切的背景,是一个已经高度自动化、但大多不是人形的制造业基础。据近期行业报道汇总,目前全球工厂里有超过3000万台机器人,其中人形机器人只有数千台。同一批报道提到,中国的优必选在9月开设了一家工厂,宣称产能为每十分钟一台人形机器人。报道还提到,Hyundai一直在扩大Atlas的生产和部署,同时在其佐治亚州工厂开设培训中心。TechRadar在9月30日报道,日本希望到2040年拥有1000万台AI机器人。据Korea JoongAng Daily,韩国的SFA与Rainbow Robotics签署谅解备忘录,推动到2030年实现无人化工厂。

这轮建设里并非每台机器人都是人形。Mark Cuban认为人形机器人十年内会失败,他近日重申了这一立场。IEEE Spectrum刊登了机器人专家对Tesla的Optimus的评估。Tesla自己的供应链在别处也承压。9月30日,Electrek报道,Tesla计划中的得克萨斯太阳能工厂被卷入中国设备商Linton Crystal Technologies与浙江晶盛机电之间的美国专利诉讼。诉讼涉及Tesla太阳能计划中长晶环节所需的直拉法单晶炉。Tesla并非该案当事方。

这条消息在这里有意义,是出于一个结构性原因。人形机器人的供应链和太阳能供应链并不是同一条。但失效模式是一样的:一个专用部件,来自少数几家供应商,卡在一条很长的生产计划的最前端。

话题由此回到数据。Innodata的Tanner给The Robot Report举了一个具体例子,说明为什么上下文难以编码。一台被要求拿起杯子的机器人,可以抓杯柄,也可以抓杯身。两者在机械上都成立,但如果杯子里是热水,其中一种会烫到手。这类区别在现有数据集里很少出现。Inbolt的客户在真实生产中面对的是相关问题。一个位置不正的零件可以让机器人停住,也可以产出次品,而代价体现为停机,不是一次失败的演示。MindOn的延迟算术是同一件事的第三面:在速度之下,微小的感知和控制误差不再微小。

钱也在跟着动。Inbolt的1100万欧元放在涌向人形硬件的资本旁边并不算多,但它瞄准的是存量设备,不是新造的人形机器人。Innodata卖的是测量和评估,不是机器人。The Robot Report的母公司Arrowfly在9月30日上线了一个AI for Engineers平台,面向的正是这群一线从业者。它提到,其组合内已有超过3万名工程专业人士在关注AI话题,有210万经过核实的行业读者,并计划于2027年9月20日至22日在内华达州Henderson举办一场会议。这是一门媒体生意,不是机器人生意,但它能相当合理地反映注意力和预算流向哪里。

有一个前提值得直说。目前宣布的人形机器人工厂产能,大部分是产能,不是产量。名字、日期和台数目标传播得比实际出货快。工厂开业到满负荷运转之间的差距,通常以季度计,有时以年计。目前没有任何人形机器人产线有经过核实的产量数据,也不应从公布的产能里推断出产量。

过去三天发布的八个信源指向同一件事:市场正从不同方向汇聚到同一个诊断上。Innodata想卖训练数据。Inbolt想卖感知层,让现有机械臂应付各种变化。MindOn想卖速度。Fig的研究者想卖一个更诚实的基准。没有一家在卖机器人。

评论 0

资料来源

8
  1. 01Innodata opens motion-capture lab to help humanoids move more like peopleEN
  2. 02Inbolt raises €11M to bring real-time vision and intelligence to industrial robotsEN
  3. 03Mind-1: Cutting robot inference latency from 82ms to 32msEN
  4. 04How Do Astra and Opus 5.5 Perform on Robotics and Web TasksEN
  5. 05The Robot Report parent Arrowfly launches AI for Engineers platform, events for engineers navigating AIEN
  6. 06Tesla's solar factory dragged into patent war between Chinese suppliersEN
  7. 07Tesla Robotaxi fleets are the new crypto treasury for zombie companiesEN
  8. 08What 30k robot dogs taught me about degrees of freedom, shipping a real productEN

本文所有数字与引语均来自下列来源,未添加来源之外的内容。

本内容由编辑部在人工智能辅助下制作完成。

王雅琴

王雅琴

人工智能、模型与技术

王雅琴负责FLASH24的人工智能、模型与技术报道,覆盖科技、人工智能与模型、媒体与互联网领域。她习惯直接查阅技术文档、模型卡与官方博客,而非依赖新闻稿,对未经核实的参数和跑分数据一概不放行。每篇报道前,她会逐项核对基准测试结果,对照论文原文与开源代码,确认版本号、数据集和评测条件是否一致。她常联系开发者与研究人员求证细节,也盯着各大厂商的发布会和论文截稿日期,横向比较同类模型的实际表现。私下她自建服务、折腾家庭网络,这让她对部署成本和真实算力需求有直观判断。她的原则是:没有可复现来源的数字,不写进稿子。

编辑部 →

评论

0
  1. 还没有评论——来说两句吧。

写评论

评论公开展示。我们不发布辱骂、垃圾信息和广告内容。