工業機器人如何打造可靠 AI：Standard Bots 的實踐與啟示

當我們想到機器人與 AI 時，腦海中可能首先浮現的是像 Figure 的 AI 機器人或 1X 的 NEO 家用機器人這類人形機器人。儘管這些可能是未來的趨勢，但在 2026 年，工業機器人（通常不是人形）的重要性可能更高。

Standard Bots 自稱是「美國最大的 AI 原生工業機器人製造商」，近期在由 General Catalyst 和專注於機器人領域的 RoboStrategy 基金領投的 C 輪融資中，募得 2 億美元，估值達到 10 億美元。其客戶包括 NASA、Amazon 和 Lockheed Martin。

我們採訪了 Standard Bots 的共同創辦人兼執行長 Evan Beard，以及 AI 主管 Leif Jentoft，以深入了解該公司的 AI 技術堆疊及其模型運作方式。Standard Bots 的工業機器手臂專為機台操作、焊接和組裝等任務而設計，Jentoft 也展示了快速示範。

Beard 表示，Standard Bots 擁有一個共享的基礎模型，客戶可以透過示範和微調來進行調整。Jentoft 補充說，Standard Bots 運行多種模型，包括用於機台操作的零樣本感知系統。Beard 提到，他們最大的模型參數數量約在數十億級，以尖端實驗室的標準來看並不算龐大。

Jentoft 說：「我們相信資料品質遠比原始資料量更重要，我們專注於從目標資料中獲取最大效益，而不是追求最大的資料集。」這與 Jev 創辦人 Diogo Almeida 最近告訴我們的「最慘痛教訓」不謀而合，他認為正確的任務和資料可能比運算能力更重要。他補充道：「我們的市場通路讓我們能獨家取得最高價值的資料。現場介入可以透過數十個範例來修復邊緣案例。」

Beard 指出，Standard Bots 專注於短期任務，以滿足生產對週期時間和可靠性的要求。對於工作流程中不需要學習行為的部分，公司會使用傳統程式設計。Beard 表示，模型訓練在雲端進行，但推論則在本地運行。

我問 Jentoft，在典型的機器人例行任務中，學習模型扮演什麼角色，以及工作流程的哪些部分使用傳統程式設計？他以其用於高混合製造的機台操作解決方案為例，解釋道：「我們建立了一個零樣本系統，讓使用者可以告訴機器人要在特定任務中尋找哪些零件。模型負責感知，定位和識別零件，而傳統程式設計則處理運動和周圍的單元邏輯。」

Jentoft 說：「我們這項任務的核心模型是在超過十億張影像上訓練的，這讓機器人能夠區分照明條件、材料類型以及物體與其背景。」

今年四月，我們在播客節目中邀請了 Applied Intuition 討論「實體 AI」及其與螢幕上 AI 的不同之處。其中一個學習是，實體 AI 不僅受限於模型智慧，更困難的部分是在安全、延遲、功耗、成本和可靠性等限制下，將模型部署到真實硬體上。但對 Standard Bots 而言，這也可能成為優勢，因為它掌控從軟體到硬體的「完整堆疊」。

Jentoft 指出，他們控制著機器手臂、末端執行器、控制系統和 AI。他說：「這讓我們能夠共同優化模型和控制策略。儘管其他地方有所聲稱，但目前沒有任何模型是真正與硬體無關的，共同優化低階控制和高階功能對於性能和迭代速度來說都是一大優勢。」Skild 這家旨在建立「通用機器人智慧」的公司，可能會對硬體無關的說法提出異議，因為其目標是實現跨硬體的泛化能力。

Beard 提到推論是在本地完成的，這對其核心客戶，也就是工廠來說尤其重要。他說：「對於工廠，這是我們目前主要業務，也是我們看到巨大機會的領域，你需要在現場進行推論。」

在機台操作中，模型識別零件，而傳統程式設計處理運動。Jentoft 也描述了模型如何生成動作，並將其輸入到機器人的控制系統中。他解釋道：「腕部攝影機和其他感測器透過內部千兆乙太網路將原始像素和訊號傳輸到系統中，內部路由確保沒有纜線纏繞。邊緣的 GPU 處理這些資料以生成動作塊，這些動作塊隨後串流到低階控制系統。」

他重申，推論是刻意在現場運行的。「機器人技術的雲端運算在操作上極其困難，大多數工廠和倉庫都沒有可靠的網路，對於移動機器人來說更是如此。正常運行時間對客戶接受度至關重要，因此我們將迴路保持在本地。」

Standard Bots 盡可能使用模擬，但 Beard 表示，一些生產任務，包括涉及液體、吸力或切割柔性材料的任務，很難在目前的模擬器中重現。真實世界的示範也是學習過程的一部分。

那麼，機器人任務失敗時如何處理，這些學習是否會回饋到模型中？Jentoft 回答道：「我們從部署中捕捉失敗訊號和人為修正，如何使用這些資料取決於客戶。」他指出，許多國防客戶「在氣隙環境中部署，沒有任何資料回傳。」但對於非氣隙客戶，「機隊學習為其應用帶來足夠的好處，因此我們通常不會遇到客戶拒絕提供資料以換取性能提升的情況。」

Standard Bots 已擴展其平台，供外部開發者使用。透過 StandardOS，它提供了一套 API 和 SDK。Beard 表示，開發者可以使用 Standard Bots 的 API 來建構機器人應用程式，並使用其技術堆疊中所需的任何部分，包括引入自己的模型。他以 NVIDIA Cosmos，用於實體 AI 的開放式全模態世界模型家族，第三版於五月下旬發布，為例。

目前，這需要開發者自行編寫整合程式碼。但 Standard Bots 計劃讓資料收集、模型訓練和將模型部署到其機器人上變得更加容易。

Standard Bots 可能不是最引人注目的機器人公司，但它已經被 NASA、Amazon、Lockheed Martin 等公司部署用於工業自動化。對於 AI 工程師來說，最有用的教訓或許是 Standard Bots 如何將 AI 適應於特定工作。

它讓模型的角色保持專注，並利用實際部署中的修正來解決邊緣案例。當然，這種方法也可以應用於軟體代理。正如 Jentoft 所說，這也是 Jev 最近的教訓，關鍵在於「從目標資料中獲取最大效益，而不是追求最大的資料集」。