跳转到内容
主站 新闻 控制台

构建可靠执行的 AI:来自工业机器人的启示

· Latent Space
播客深度访谈

当你想到机器人与人工智能时,脑海中首先浮现的大概是全尺寸人形机器人(full humanoid robots),比如 Figure 的 AI 驱动机器 以及 1X 的 NEO 家用机器人。它们很可能是未来,但在 2026 年,更重要的或许是工业机器人——而这些机器人通常并非人形。

Standard Bots 自称是“美国最大的 AI 原生工业机器人制造商”。该公司近期以 10 亿美元的估值完成了 2 亿美元融资,本轮 C 轮融资由 General Catalyst 以及专注于机器人领域的基金 RoboStrategy 领投。其客户包括美国国家航空航天局(NASA)、亚马逊(Amazon)和洛克希德·马丁(Lockheed Martin)。

我们与联合创始人兼首席执行官 Evan Beard 以及 AI 负责人 Leif Jentoft 进行了交流,以深入了解 Standard Bots 的 AI 技术栈及其模型的运行机制。

首先介绍一下背景,Standard Bots 的工业机械臂专为机床上下料(machine tending)、焊接和装配等任务而设计。以下是 Jentoft 的简短演示:

预训练模型与特定任务适配

据 Beard 介绍,Standard Bots 拥有一个通用的基础模型(shared base model),客户可以通过示教演示和微调(fine-tuning)对其进行适配。Jentoft 补充道,Standard Bots 运行着一系列模型,其中包括一个用于机床上下料的零样本感知系统(zero-shot perception system)。

Beard 表示,其最大模型的参数量在数十亿级别(low billions of parameters)——按照前沿实验室的标准来看,规模并不算大。

“我们坚信,数据质量远比原始数据量更为重要,”Jentoft 表示,“我们专注于从针对性数据中挖掘最大价值,而不是盲目追求尽可能大的数据集。”(这契合了 Jev 创作者 Diogo Almeida 所说的“最苦涩的教训”(the bitterest lesson),他最近告诉我们,合适的任务和合适的数据可能比算力更关键。)

“我们的市场切入能力使我们能够独家获取最高价值的数据,”他补充道,“现场干预(in-situ interventions)只需几十个样本就能解决一个极端案例(edge case)。”