Real World 牵头组建 K-Physical AI 联盟，并推动 DexBench 发展

韩国物理人工智能公司Real World表示，已在首尔与初创企业PhysicsSim Lab、Space AI和Endright签署谅解备忘录，共同组建“K-Physical AI联盟”。该联盟旨在以与英伟达（NVIDIA）联合开发的DexBench基准测试为依托，制定机器人灵巧度与仿真领域的全球行业标准。

该联盟将进一步扩展DexBench，该基准测试通过18项原子任务和80个案例来衡量类人机器人手部的精准度。 企业合作伙伴包括乐天、SK电讯、CJ物流、晓星、HL曼多、富士、全日空和三井化学。Real World表示，其RLDX-1模型在八项基准测试中均取得了最先进的结果。

总部位于首尔的 Real World 专注于类人机器人和工业机器人的物理人工智能，其核心优势在于灵巧操作和模拟到现实的训练。其市场定位瞄准零售、物流、航空、汽车和化工领域的精密处理。 通过主导一项将基准测试与仿真管道相结合的标准制定工作，该公司旨在将灵巧性表现转化为客户和系统集成商均可信赖的通用指标。

韩国物理人工智能联盟致力于将灵巧性转化为行业标准

该联盟致力于解决机器人领域日益突出的问题。企业希望类人机器人和灵巧机械臂能够处理实际工作，但各实验室使用的任务和指标却各不相同。DexBench提供了一把共同的标尺，用于衡量机器人手是否能够以可重复的方式执行精细动作。 该基准将复杂活动分解为18项基本任务，共80个测试案例。涵盖抓取、旋转、插入、穿线、剥离、折叠、拧盖和重新密封等日常工业操作。这种方法类似于工厂的质量控制流程——在整条生产线通过验收前，每个步骤都会根据公差标准进行测试。

各合作伙伴的职责分工明确。PhysicsSim Lab 负责构建仓库和零售店的数字孪生模型，以便在与实际规模相匹配的设施中测试 DexBench 任务。

以及商业环境中的杂乱场景。Space AI 专注于水果或橡胶部件等柔软且可变形的物体，这是纯刚体物理模型无法胜任的领域。Endright 扩展了名为 TRINIX 的模拟资源库，从而能够以工业级规模表现并随机生成光照、纹理、物体几何形状和固定装置的多样性。 Real World 负责协调基准规范，并推出了 RLDX-1 模型，据称该模型已在八套外部测试套件中树立了行业标杆。

DexBench 规范旨在实现跨行业可重复的手部操作

只有当基准测试与实际工作相符时，它们才具有意义。DexBench的设计旨在反映那些导致大多数机器人项目停滞不前的业务线任务。 在杂货店场景中，机器人必须在不压伤番茄的情况下拣选番茄，识别受损的包装，并将混合包装的商品补上货架。在航空地勤操作中，机器人可能需要打开一个面板，检查一个锁扣，并在不拧坏螺丝的情况下将其重新固定。 在汽车零部件工厂中，机器人必须将线束穿过狭窄的通道，并以正确的力道扣紧卡扣。DexBench将上述每项任务分解为“捏取”、“旋转”、“滑动”、“对齐”和“力控”等基本动作，随后通过时间和质量阈值定义通过或失败的判定条件。

该标准还承认，手本身是一个系统。 传感器、控制回路、触觉反馈以及夹爪材料共同决定了其性能。该联盟旨在构建一套任务套件，使其能够与从带凝胶尖端的柔性夹爪到类人手等多种末端执行器配合使用，并兼容包括商用中间件和专有控制器在内的各类控制堆栈。 如果执行得当，这种设计选择将减少供应商锁定，并让买家有信心混合使用不同供应商的组件，同时仍能保持认证资格。

一个简单的类比有助于理解。不妨将DexBench视为机器人手的驾驶考试。你不能仅仅开着一辆崭新的车去参加考试，你必须

在监督下完成平行停车、并入车流以及三点转弯。通过这些考核，你就能获得一张向他人证明自身能力的驾照。DexBench 希望成为工业灵巧度的“驾照”。

仿真资产和数字孪生拓展了培训体系

灵巧度取决于数据的广度和练习时间。模拟填补了真实设施无法每天覆盖的空白。Endright 计划通过数千个高保真 3D 资产来扩展 TRINIX，这些资产反映了包装、容器、固定装置和店铺布局的各种变体。 PhysicsSim Lab 将把这些资产映射为仓库和便利店的动态数字孪生，其中包含动态库存、人流以及季节性陈列。Space AI 将提供可变形材料的物理模型和数据集——这类材料因非线性行为和接触不确定性而素来难以模拟。

该项目的核心理念在于，通过合成多样性来训练具有更好泛化能力的策略。英伟达（NVIDIA）是此项目的重要合作伙伴，将 DexBench 流程与 Isaac Sim、RTX 加速渲染以及能够大规模生成和验证控制策略的强化学习工具链相整合。 如果该联盟将 DexBench 任务整合到一个可重现的模拟堆栈中，那么亚洲、欧洲和北美的实验室就能针对共同的目标进行训练，并发布可直接比较的结果。

值得注意的是，也存在一种持怀疑态度的观点。 如果合成环境过于“干净”，模拟中的熟练表现可能会产生误导。湿度、灰尘、抓取垫的磨损以及轻微变形的部件，都可能导致在实验室视频中看似已解决的任务出现偏差。该联盟需要证明，模拟环境中的 DexBench 得分能够转化为实际现场的运行时间和吞吐量。 如果某项基准测试鼓励对虚拟环境进行过拟合，将会损害其公信力。正因如此，CJ Logistics和全日空（ANA）等运营商的参与才至关重要。他们的设施能够提供杂乱的数据、边界情况以及“人机协同”的约束条件，从而使

标准。

企业合作伙伴为该项目注入了真实的运营能力与规模优势

联盟中的大型企业绝非摆设。乐天业务涵盖零售和电子商务领域，其中补货、退货处理和后场作业占据了大量工时；SK电讯提供边缘连接和5G服务，能够处理低延迟控制和车队监控；CJ物流拥有分拨中心和末端配送枢纽，其中不间断地进行着拣货和包装作业。 晓星和三井化学则将材料科学引入联盟，从影响摩擦力和可检测性的抓取器聚合物到包装薄膜，涵盖广泛。HL曼陀作为一级汽车零部件供应商，可在工厂中验证精密装配工艺。富士拥有生产专业知识和机床资源。全日空（ANA）则能在严格的安全体系下测试地面处理和维护工作流程。

如果DexBench能融入与这些合作伙伴的试点项目中，该标准将真正发挥效力。供应商需要证明其达到合格分数线才能竞标项目。系统集成商可以将他们的技术栈与已知的基准对齐。保险公司和监管机构在评估安全性和可靠性时，可以参考这一独立指标。这就是基准如何转化为市场准入凭证的过程。

与英伟达的合作彰显了全球影响力的追求

物理人工智能既是一项机电一体化业务，也是一项 GPU 业务。通过将 DexBench 的开发与 NVIDIA 联系起来，此次合作表明了其超越区域应用的雄心。 Isaac 工具已为众多实验室的训练和验证提供支持。如果 DexBench 能成为这些工具中的核心组件，那么该基准测试将能够普及到全球范围内的仿真场景、强化学习课程以及数据集生成器中。

这种合作对硬件方面也至关重要。许多类人机器人和移动机械手项目都在边缘端运行 NVIDIA Jetson。一个集成了性能分析与硬件在环测试的基准测试，能够向客户展示特定技术栈在不同计算预算下的性能表现。这将

优化采购决策，加快将实验室成果转化为工厂生产。

对基准通胀及实际应用差距的审慎看法

机器人领域历来存在基准值虚高的问题。 每个实验室都会涌现新的测试套件，而业界则分裂为互不兼容的评分体系。若缺乏治理机制，一项标准可能会沦为营销工具。DexBench将面临两大当务之急的考验：其一是任务定义和结果审核的透明度；其二是抵制仅通过狭窄场景测试的“挑好戏”式演示。

联盟的构成对此有所助益。运营商将推动制定与服务水平协议及停机罚款挂钩的任务。全日空（ANA）和富士（Fuji）等日本合作伙伴带来了持续改进和统计过程控制的文化。 韩国合作伙伴，如HL Mando和CJ Logistics，则以百万分之一的缺陷率和吞吐量保证为准则。这种压力应能促使DexBench始终聚焦于生产相关性。即便有此推动，该联盟仍需借助第三方评审机构和公开的排行榜来抑制过度炒作。

人形机器人供应链或因标准化而发生转变

如果灵巧度变得可测量且可比较，供应链将随之调整。末端执行器制造商将设计出针对DexBench任务优化的指尖、表皮和触觉传感器。 材料供应商可能会提供摩擦系数和磨损率明确规定、符合基准公差的夹爪垫片。从谐波减速器到皮带执行器的运动部件供应商，可能会公布在DexBench场景下的性能数据，以验证反驱动能力、刚度和控制带宽。

韩国和日本在这些零部件领域拥有坚实的基础。HL Mando的驱动系统和伺服控制技术已在汽车领域得到应用。 Harmonic Drive Systems和Nabtesco等日本企业主导着精密减速器市场。三井化学和暻盛（Hyosung）可为夹爪和柔性关节提供弹性体及工程塑料。通过基准测试

有了这些技术在手，供应商可以与系统集成商共同设计，以达到目标评分。这种协作缩短了迭代周期，并提高了试点项目的首次通过率。

这还带来了另一种供应链效应。标准化后的灵巧性使客户能够购买“能力”而非“品牌”。系统集成商可以从一家供应商处采购机械手，从另一家采购触觉阵列，再从第三家采购控制器——只要组装后的整体系统能够满足DexBench的通过率和循环时间要求即可。 这种模块化降低了买方的风险，同时也对那些依赖封闭生态系统的供应商形成了挤压。最终胜出的将是单位经济效益和可靠性最佳的企业，而非那些宣传视频最花哨的企业。

免责声明：本分析仅供参考，不构成投资、法律或采购建议。RobotAIGeek 不对特定供应商表示认可，也不保证早期技术的性能。