机器人学会学习：Tutor Intelligence的7500万美元押注与物理AI背后的数据墙

Tutor Intelligence于11月2日表示，公司完成7500万美元B轮融资，由Andreessen Horowitz领投，用于扩大其工业机器人背后的训练数据管线。这家位于马萨诸塞州沃特敦的公司2021年从MIT CSAIL分拆出来。它提出的模式是让人始终留在流程中。它把这些远程操作员称作「导师」，由他们监督一批联网机器人做真实的工作。由此产生的数据用来训练模型，让机器随着时间推移变得更能干。

思路很简单。体力劳动产生数据，数据改进机器人。

据The Robot Report报道，Tutor称其投入工作的机器人数量是一年前的两倍，进入的设施数量接近一年前的四倍。公司预计到2027年底签约机器人超过1000台，全部在美国制造和部署，不过导师可能身在海外。过去12个月收到Tutor机器人的机构中，近三分之一是老客户加装更多设备。客户按小时或按拣选次数付费，而不是购买硬件。因此部署和维护由公司承担，机器人在客户账上体现为一项人力成本。

数据是瓶颈，钱也清楚这一点

这笔融资落在机器人新闻密集的一周里。共同的主线是数据和部署的经济账，而不是又一段演示视频。据The Robot Report报道，Agility Robotics在11月2日通过了股东投票。Churchill Capital Corp XI特别会议上投出的票中，超过84%支持这项SPAC合并。交易预计11月4日完成，股票预计11月5日起在纳斯达克以AGLT代码交易。预计在扣除费用前为Agility带来约4.65亿美元的总资本，低于6月宣布合并时预期的6.2亿美元以上。最初的交易对Agility的投前股权估值为25亿美元。

Agility的商业落地规模才是值得关注的数字。Digit机器人正在9个客户环境中运行。它与GXO Logistics的合作在10月扩展到另外两处设施，分别位于北卡罗来纳州斯泰茨维尔和田纳西州黎巴嫩，预计2027年初开始使用Digit 4部署。Agility称已获得超过3亿美元的Digit 5多年期承诺订单。这个数字是多年期价值，取决于合同里程碑，并非当前收入。

两家公司卖的是同一个道理：机器人是容易的部分，运营数据才是资产。

开放权重模型的成本论证

Gartner在11月3日给出了更明确的数字。在题为《开放权重模型将运行90%的企业智能体工作流步骤》的文件中，高级总监Mark Petty和集团副总裁Raymond Paquet写道，智能体工作流步骤中十有九步是常规操作。他们写道，开放权重模型处理这些步骤的效果相当，价格是最便宜闭源模型的四分之一。如果每一步都调用前沿模型，成本可低至二十分之一。他们也承认开放模型可能更啰嗦、重试更频繁，因此每个任务的实际节省更接近五到六倍。分析师的规划假设是：到2030年，90%的企业运营智能体工作流步骤将在开放权重模型上执行。

这个论证对机器人有意义，因为负责推理的模型和负责重复工作的模型之间正在出现同样的分化。Gartner的分析师把节省看作附赠，把控制权看作重点。每一个发给前沿API的常规步骤，都会把你的一部分工作流历史移出你的边界。

前沿模型也没停下

据Tom's Hardware报道，谷歌上周发布的Gemini 4 Carbon以59分登顶Artificial Analysis的Intelligence Index V5。这比Claude Opus 5.5高一分，比OpenAI的GPT-6 Astra高两分。它还在该公司的AA-Omniscience v1.1幻觉与召回测试中排名第一。在-100到+100的量表上，最高分也只有54，这提醒人们模型距离稳定的事实召回还有多远。Intelligence Index上每个任务的成本为7.76美元，比Gemini 3.8 Flash略便宜，远低于Claude Opus 5.5或Sonnet 5.5。谷歌通过Fairwind计划让网络防御人员优先使用。

对机器人开发者来说，相关的细节是价格，不是排行榜。领先一分的模型有意思。每个任务便宜好几美元的模型，会改变你能负担在循环里跑什么。

安全随训练栈一起到来

AI辅助的漏洞研究也在压缩从发现缺陷到必须修补之间的时间。据The Robot Report在11月1日的报道，VicOne借助AI辅助研究在不到两天内发现了28个零日问题。这项工作覆盖支撑物理AI生态的软件和工具，包括由谷歌、NVIDIA和Meta开发或维护的项目。公司称初步验证将28个全部归为零日漏洞。在厂商和漏洞主管机构审查后，数量可能变化，部分发现尚未获得CVE编号。

四分之三的发现涉及开发、训练、仿真或验证工具。这正是任何把模型送进工厂的人都该担心的部分。被做手脚的预训练模型在常规测试中可能表现正常，部署后却会对某个特定物体、场景或指令给出错误响应。被做手脚的仿真环境则能让机器人通过本应失败的测试。这两种情形都不需要攻击者碰到机器人。

研究也在啃同一个问题

在研究一侧，最新的工作针对的是波动性问题，而不是模型架构。QUAL于10月30日提交到arXiv，并被NeurIPS 2026时序系统基础模型研讨会接收。它把一组时间序列基础模型当作概率参照，在合并之前对齐各个成员的分位数，无需标签，也无需重新训练。在GIFT-Eval上，作者报告分位对齐使成员的平均MASE和CRPS分别降低7.4%和9.8%。当能力无法事先验证的弱预测模型进入池中时，该框架仍保持稳定。最后这一点最实用：在真实场景里，你往往事后才知道哪个模型好。

另外，Yuda Song和九位合著者10月29日提交的一篇67页arXiv论文提出了更宽泛的主张。他们认为，预训练、中期训练、监督微调和强化学习都可以表达为对模型生成目标分布的最大似然拟合。这把分阶段的模型生命周期压缩成一个训练器，混合静态数据和强化学习生成的数据。其主张是更好的精度与算力权衡，以及更广的任务覆盖。如果成立，它对成本曲线的影响会大于对头条基准的影响。

这些都没有填上Tutor正在卖的那个缺口。与训练语言模型所用的文本和图像相比，机器人仍然只能从一份单薄的记录中学习。离车间最近的公司，正在花钱手工建造这份记录，一次拣选一次拣选地积累。