当你想到机器人技术和人工智能时，你首先想到的可能是全人形机器人，比如 Figure 的AI 驱动机器和 1X 的NEO 家用机器人。这些很可能就是未来，但在 2026 年，可以说更重要的是工业机器人——它们通常不是人形机器人。
Standard Bots 自称是“美国最大的 AI 原生工业机器人制造商”。它最近在由 General Catalyst 和专注于机器人技术的基金 RoboStrategy 领投的 C 轮融资中，以 10 亿美元估值筹集了 2 亿美元。其客户包括 NASA、亚马逊和洛克希德·马丁。
我们采访了联合创始人兼 CEO Evan Beard，以及
，AI 负责人，以了解更多关于 Standard Bots 的 AI 技术栈及其模型如何运作。
Leif Jentoft 先介绍一下背景，Standard Bots 的工业机械臂专为机器看护、焊接和装配等任务而设计。以下是 Jentoft 的快速演示：
预训练模型与任务特定适配
据 Beard 介绍，Standard Bots 拥有一个共享基础模型，客户通过演示和微调对其进行适配。Jentoft 补充说，Standard Bots 运行一系列模型，包括用于机器看护的零样本感知系统。
Beard 表示，其最大的模型参数量在数十亿的低位——所以按前沿实验室的标准来看并不算大。
“我们相信数据质量远比原始数据量重要，”Jentoft 说，“我们专注于从有针对性的数据中获取最大价值，而不是追求尽可能大的数据集。”（这与 Jev 创造者 Diogo Almeida 的“最苦涩的教训”相符，他最近告诉我们，正确的任务和正确的数据可能比算力更重要。）
“我们的市场准入让我们能够独特地获取最高价值的数据，”他补充道。“现场干预可以用几十个样本修复一个边缘案例。”
Beard 指出，Standard Bots 专注于短时程任务，以满足生产对周期时间和可靠性的要求。对于工作流程中不需要学习行为的部分，公司使用传统编程。
Beard 表示，模型训练在云端进行，但推理在本地运行。
模型具体做什么？
我问 Jentoft，在典型的机器人例程中，学习模型做什么，工作流程的哪些部分使用传统编程？
他举了其面向高混合制造的机器看护解决方案为例。
“我们构建了一个零样本系统，让用户告诉机器人在给定任务中要寻找哪些零件。模型处理感知——定位和识别零件——而传统编程处理运动及其周围的单元逻辑。”
以下是机器看护的演示：
“我们用于此任务的主干网络在超过十亿张图像上训练，这使机器人能够区分光照条件、材料类型，以及物体与其背景，”Jentoft 说。
完整的 AI 技术栈
早在四月份，我们曾邀请 Applied Intuition 做客播客，探讨“物理 AI”及其与屏幕 AI 的区别。其中一个收获是，物理 AI 不仅仅受限于模型的智能：难点在于将模型部署到真实硬件上，同时要满足安全性、延迟、功耗、成本和可靠性等约束条件。
但对于 Standard Bots 来说，这也可以成为一种优势，因为它掌控了从软件到硬件的“全栈”。Jentoft 指出，它控制着机械臂、末端执行器、控制系统和 AI。
“这让我们能够协同优化模型和控制策略，”他说。“尽管其他地方有不同说法，但当今没有哪个模型真正做到了硬件无关，而协同优化底层控制与高层功能，对性能和迭代速度来说都是一大优势。”
Skild 是一家致力于构建“通用机器人智能”的公司，它可能会对硬件无关的说法提出异议——其目标是实现跨硬件泛化。
本地推理：传感器、边缘 GPU 与“动作块”
Beard 曾提到推理是在本地完成的，这对它的核心客户——工厂——尤为重要。
“对于工厂，也就是我们目前大部分业务所在——而且我们确实在那里看到了大量机会——这是你需要在本地进行推理的场景，”他说。
在机器看护中，模型负责识别零件，而传统编程负责运动控制。Jentoft 还描述了模型如何生成动作并输入机器人的控制系统。
“腕部摄像头和其他传感器通过内部千兆以太网将原始像素和信号输入系统，内部路由，因此没有线缆缠绕，”他解释道。“边缘 GPU 处理这些数据以生成动作块，然后流式传输到低级控制层。”
他重申，推理是有意放在本地运行的。
“用于机器人的云计算在运营上极其困难——大多数工厂和仓库没有可靠的互联网，对于移动机器人来说更是如此。正常运行时间对客户接受度至关重要，所以我们让循环保持在本地。”
生产故障与集群学习
Standard Bots 在可能的情况下会使用仿真，但 Beard 表示，一些生产任务——包括涉及液体、吸力或切割柔性材料的任务——很难在当前仿真器中复现。
真实世界的演示是学习过程的另一部分。下面是一个使用手持触摸设备教机器人操作的演示：
那么，它如何处理机器人任务中的故障，这类学习成果会回流到模型中吗？
“我们会从部署中捕获故障信号和人工纠正，而如何使用这些数据取决于客户，”Jentoft 回答道。
他指出，许多国防客户“部署在气隙环境中，没有任何数据回传。”但对于非气隙环境的客户，“集群学习为他们自己的应用带来了足够的好处，因此我们通常不会遇到反对以数据贡献换取性能提升的情况。”
StandardOS：AI 机器人开发平台
Standard Bots 已经扩展了其平台，使外部开发者也能使用。通过 StandardOS，它提供了一套 API 和 SDK。
根据 Beard 的说法，开发者可以使用 Standard Bots 的 API，利用其技术栈中他们所需的任何部分来构建机器人应用，包括引入他们自己的模型。他以 NVIDIA Cosmos 为例（版本 3 已于五月下旬发布），这是一个面向物理 AI 的开放全模态世界模型系列。
如今，这需要开发者编写自己的集成代码。但 Standard Bots 计划让收集数据、训练模型并将其部署到其机器人上变得更加容易。
专注于有针对性的数据
Standard Bots 并不是市面上最性感的机器人公司，但它已经被部署用于 NASA、亚马逊、洛克希德·马丁等机构的工业自动化。
对于 AI 工程师来说，或许最有用的经验是 Standard Bots 如何让 AI 适应特定工作。它保持模型角色的聚焦，并利用来自真实部署的修正来修复边缘情况。当然，你可以将同样的方法应用于软件代理。
正如 Jentoft 所说——这也是 Jev 最近的一个教训——关键在于“从有针对性的数据中获取最大价值，而不是追求尽可能大的数据集”。