NEURA Robotics 与奥地利 NXAI 合作开发类人机器人记忆系统

NEURA Robotics 与奥地利深科技公司 NXAI 正利用 NXAI 的 xLSTM 架构,为 NEURA 的 Neuron AI 基础模型构建工作记忆和情景记忆层,旨在弥合类人机器人演示与实际部署之间的可靠性差距。

martti
2分钟阅读Posted: 2026年10月21日
NEURA Robotics 与奥地利 NXAI 合作开发类人机器人记忆系统

大多数能够看、触摸和说话的机器人仍然无法记忆。一个在周一正确插上连接器的类人机器人,到了周二就无法回忆起自己已经掌握了这一技巧。 正是为了弥合感知与记忆之间的这一鸿沟,NEURA Robotics与NXAI于2026年10月20日在德国梅青根宣布建立合作伙伴关系,旨在为物理人工智能构建共享内存架构,将NEURA的机器人技术栈与NXAI的循环神经网络设计—— xLSTM。

该协议为NEURA的Neuron AI基础模型提供了两种新型记忆:一种是工作记忆,用于追踪任务的即时状态,例如零件是否已插入、门是否打开或按钮是否已被按下;另一种是情景记忆,使机器人能够借鉴其此前处理类似情况的经验。 这两种记忆均运行于Neuron AI内部——NEURA目前已采用这一多模态模型,将3D视觉、触觉和力-扭矩传感、音频、机器人状态以及语言融合为单一动作流,并在机器人本地而非云端进行处理。

NXAI是这一组合中较新的名称。该公司是一家总部位于奥地利林茨的深科技研究机构,其核心技术是xLSTM——这是长短期记忆网络(LSTM)的扩展版本,由其创始人 塞普·霍赫赖特(Sepp Hochreiter)于20世纪90年代共同发明,并于2024年重新推出,旨在与当前主导大型语言模型的Transformer架构竞争。 霍赫雷特同时担任林茨约翰内斯·开普勒大学机器学习研究所和ELLIS研究单元的负责人,他基于一项具体主张构建了NXAI的商业案例: xLSTM在处理长序列时,其状态维护和更新成本低于Transformer,这对需要追踪数分钟甚至数小时上下文(而非单次前向传播)的任何应用都至关重要。该公司的另一款产品——名为TiRex的时间序列预测模型——同样基于该架构构建。

物理人工智能中的“健忘症”问题

视觉-语言-动作

模型——作为向机器人教授新任务的主流方法——通常旨在将环境的“快照”映射为特定动作,而非在整个工作班次中持续追踪状态。 对于单步拣选或定点演示,这种设计选择尚可辩护,但一旦任务涉及序列和历史背景,这种设计就会失效:例如多阶段的装配工作、带有细微变化的重复性厂区导览,或是机器人需要知道一小时前检查过什么内容的维护巡检。 如果没有记忆功能,上述每种情况都会被视为全新情境,模型要么悄无声息地失败,要么需要人类重新建立上下文。

这正是NEURA创始人兼首席执行官大卫·雷格(David Reger)在宣布此次合作时提出的商业论点。“真正能帮助日常生活和工业的机器人必须具备记忆能力,”他表示,并将记忆定位为不仅是研究中的奇思妙想,更是区分“只会表演花招的机器人”与“能胜任工作的机器人”之间的关键缺失环节。 霍克雷特从架构角度出发,得出了相同的结论:他认为,正是记忆和积累的经验使系统能够可靠地解决多步骤任务,而xLSTM在长序列中保持状态的效率,正是使其能够在机器人上而非数据中心集群上实际运行的关键。

当机器人开始“记分”时,会发生什么变化

工作记忆与情景记忆的区别绝非表面文章;它划分了两个不同的商业问题。工作记忆关乎正确完成单个任务:知道紧固件已拧紧的机器人不会再次拧紧,知道门已打开的机器人不会去推门。 情景记忆则在于通过重复执行类似任务来提升速度和可靠性,它依托于机器人之前处理类似情况的存储记录,而非每次都从头开始推理。二者结合,使部署中的机器人更接近于一名轮班

记忆:对进程所处位置以及哪些操作已成功执行的感知。

两家公司均未公布该组合系统的基准测试数据,在NEURA或NXAI发布相关数据前,不应对此作出任何假设;目前已得到确认的仅是架构和设计意图,而非任务成功率的实测提升。这一注意事项至关重要,因为业内素有将功能完善的演示系统视为可部署能力的惯例,这一点已有充分记录。 演示与可部署系统之间的区别,正是“记忆”功能旨在弥合的鸿沟;评估此类主张的买家,在询问底层模型之前,应先索取任务层面的可靠性数据。

开放平台,数据原地保留

集成点是Neuraverse——NEURA用于在其机器人产品线中分发AI能力的生态系统。根据合作协议,NXAI基于xLSTM的模型将作为该平台上的第二种选择,与Neuron AI并列;希望使用该模型的企业可通过Neuraverse工具链对其进行微调, 在NEURA的实体训练环境(内部称为NEURA Gyms)中进行测试,并将其部署在NEURA五款机器人机型中最适合该任务的机型上,包括第三代和第四代4NE-1类人机器人、一款轮式机器人以及两款双臂机器人平台。 NEURA 设计了这一方案,确保采用该记忆系统的企业能够掌控自身的流程知识,自主选择是否共享其生成的数据和技能,而非默认将其交由平台管理。

这一数据控制条款既是技术层面的,也是商业层面的信号。 过去一年里,NEURA 致力于构建全栈战略而非单一产品战略,将自研硬件和基础模型与外部专家资源相结合:与高通(Qualcomm)合作开发用于设备端计算的芯片,与达索系统(Dassault Systèmes)合作构建虚拟孪生管道,如今又引入了 NXAI 的记忆层。将客户数据保留在客户内部

控制权是工业买家——尤其是汽车或精密制造领域的买家——愿意让第三方模型接触其生产数据的先决条件。

为何选择德国和奥地利,又为何选在这个时候

该公告中值得引用的主张也是最易于验证的一点:机器人在真实工厂或家庭中的实用性,取决于其记忆内容,而不仅仅是感知内容。 NEURA 已基于与舍弗勒(Schaeffler)和博世(Bosch)的数据合作,构建了其 Neuron AI 训练管道,这为其提供了获取真实工业部署数据的途径,而不仅仅是模拟数据;在该管道之上叠加记忆架构,意味着 NEURA 押注于可靠性——而非额外的传感器或自由度——才是当前类人机器人部署的瓶颈。

对于NXAI而言,此次合作是一个机会,可以在具备实际算力和延迟限制的硬件上,在研究论文之外验证xLSTM的效率主张。 对NEURA而言,这是一种对冲策略,避免独自构建技术栈的每一层——当前,欧洲政策制定者和企业买家正日益质疑:欧洲的物理人工智能领军企业能否利用欧洲本土组件构建出具有竞争力的完整技术栈,而非从美国或中国进口基础模型。 这种论述能否经受住部署数据的检验,将取决于NEURA的工业客户反馈——当搭载新内存系统的机器人真正走下演示台、在车间完成整班工作,且无需被反复告知它们早已知晓的内容时,其表现如何。

采购团队应真正关注的问题

对于评估此类公告的自动化采购方而言,真正有价值的问题比新闻稿中提到的更为具体。首先是时间表:NEURA和NXAI目前仅描述了架构和平台接口,并未公布该集成系统在特定代机器人上的具体交付日期,因此采购团队应询问搭载该内存系统的版本何时

Neuron AI 目前已达到可进行试点的阶段,而非假定其已具备部署条件。第二点是范围:工作记忆和情景记忆旨在解决任务内部及跨任务的上下文丢失问题,而非那些仍制约着大多数类人机器人部署的独立问题,例如操作灵巧度、电池续航时间或安全认证。 买家在将此公告与竞争对手的人形机器人路线图进行对比时——无论是来自正在扩大出货量的中国平台制造商,还是专注于灵巧操作的美国竞争对手——都应将其视为叠加在现有技术栈之上的可靠性特性,而非更换供应商的独立理由。

第三个问题涉及数据治理,这也是NEURA在声明中竭力预先解答的核心问题。 允许来自奥地利某人工智能实验室的外部模型在工厂的物理AI架构内运行,会引发与十年前基于云的机器视觉所引发的相同质疑:谁能查看这些数据,以及模型重新训练后数据会如何处理。 NEURA的回答——即客户保留对自身流程知识的控制权,并自主选择是否共享数据和技能——既是一种销售说辞,也是一种技术事实;这也是谨慎的买家在任何试点开始前,应在合同条款中最为严格核实的条款,因为平台的默认设置与其营销话术并不总是相符的。

本分析综合了围绕此次公告的公司声明及公开技术文档。本文仅供一般信息参考,不构成投资、法律或专业建议。