RLWRLD 和 CJ Logistics 押注于经过仓库训练的机器人人工智能

首尔初创公司RLWRLD与CJ物流签署了一份谅解备忘录,旨在将一款基于随身摄像头捕捉的工人动作数据训练而成的、专注于灵巧性的机器人基础模型进行商业化应用。该项目将首先在韩国进行仓库部署测试,之后再拓展至海外市场。

martti
2分钟阅读Posted: 2026年9月22日
RLWRLD 和 CJ Logistics 押注于经过仓库训练的机器人人工智能

韩国物流行业存在一个特殊问题,大多数仓储机器人供应商都不愿公开谈论:这些纸箱总是难以驾驭。 仅在一个班次内,就可能需要在同一条通道内处理形状不规则的农产品、收缩包装的成捆货物、散装服装和体积紧凑的电子产品;此外,周围的工作环境、照明条件、堆垛高度、地面杂物以及任务间的频繁切换,都会带来挑战。9月21日(周一),总部位于首尔的物理人工智能初创公司RLWRLD与韩国最大的综合物流运营商CJ Logistics, 韩国最大的综合物流运营商,签署了一份谅解备忘录,将共同开发一款专为物流领域设计的机器人基础模型,并推动其实现商业部署——首先在韩国国内,随后拓展至海外市场。双方认为,解决仓库作业中的多变性问题,比一味追求制作人形机器人的演示视频,更能打造具有竞争壁垒的业务。

RLWRLD是一家成立三年的初创公司,由首席执行官柳正熙(Jung-hee Ryu)于2024年创立。其此前创立的公司Olaworks曾被英特尔收购,据报道这是这家芯片巨头达成的首笔韩国初创企业收购交易。 柳正熙的创始团队包括担任首席科学家的韩国科学技术院(KAIST)讲席教授申镇宇,这使公司在商业路线图之外还拥有了学术研究渠道;截至目前,该公司已在种子轮融资中筹集了约600亿韩元(约合4200万美元)。 其核心产品是RLDX-1,这是一个开源的、拥有81亿参数的机器人基础模型,基于RLWRLD所称的“多流动作变换器”(Multi-Stream Action Transformer)架构构建,该架构将视觉、运动、 记忆和扭矩信号作为独立数据流进行处理,随后将其融合为单一动作决策;该方法旨在赋予机械手一种精细的运动灵巧性——这是大多数类人型机器人在实验室之外仍难以可靠展现的能力。

训练数据的实际来源

RLWRLD方法的独特之处不仅在于模型架构本身,更在于该公司构建训练数据的方式

数据。RLWRLD 并未主要依赖模拟或远程操作设备, RLWRLD 一直为人类工作人员配备随身摄像头,以捕捉特定体力任务中的精确动作。该方法已应用于 CJ 物流处理仓库货物的员工,以及日本便利店连锁店罗森(Lawson)整理食品陈列的员工;此外,与乐天酒店(Lotte Hotel)合作、专注于酒店业的另一项数据采集项目也正在进行中。 这一细节重新诠释了周一的公告:这并非两家公司首次共同探索一个未经验证的构想,而是在CJ物流此前已支持的数据采集合作基础上达成的正式商业化协议。 该谅解备忘录(MOU)约定双方将选定具体的物流流程进行首次RFM部署,开展概念验证测试以确认该模型的核心机器人动作在真实工作环境中能否稳定运行, 随后根据测试结果扩大任务范围并提升性能,其明确的长期目标是将双方所称的“物流即服务”(Logistics as a Service)推向商业化。

CJ物流隶属于拥有百年历史的CJ集团,成立于1930年,对于一家初创企业而言,与之谈判绝非易事。 据RLWRLD对此次合作关系的描述,该公司运营着一个涵盖合同物流、货运代理、海运和包裹递送的综合物流网络,并且已经在实际运营中扩大了对物理人工智能的应用,包括在实际工作流程中部署人工智能驱动的人形机器人,而非仅限于试点演示。 对RLWRLD而言,这为这家初创企业提供了基础模型论文所无法提供的东西:一个生产环境,在该环境中,机器人模型必须在他人制定的轮班计划、安全规则和吞吐量目标内运行,而不是在失败不会带来运营成本的可控实验室里。

灵巧性主张背后的基准数据

RLWRLD 拥有

该公司发布了关于RLDX-1的基准对比数据,如果这些数据经得起独立审查的检验,那么该模型将与该领域最知名的替代方案拉开显著差距。 在与ALLEX进行的人形机器人操作任务对比中,该公司报告称RLDX-1的成功率接近90%,而Physical Intelligence的pi-0.5模型和NVIDIA的GR00T N1.6模型均低于30%, 该公司声称,特别是在传送带拾取放置任务中,RLDX-1 比 GR00T N1.6 领先 37.5 个百分点,同时在桌面操作基准测试中,平均成功率也提高了约 9%。 这些是RLWRLD自行报告的数据,而非经过独立审计的对比结果;且灵巧操作基准测试对任务选择和评估设置的敏感性极高,因此采购团队应将这一差距视为方向性上的显著差异,而非确定的排名。 无论如何,这些数据之所以值得认真对待,关键在于其来源:该模型主要基于人体执行真实任务时随身摄像头拍摄的视频数据进行训练,而非仅依赖合成模拟数据,其训练目标正是仓库工作所需的、充满不确定性且接触频繁的操作——而此类操作正是模拟训练模型历来表现欠佳的领域。

“韩国优先、出口其次”战略的信号

两家公司都将以韩国为基地的工作视为发掘海外联合商业机会的基础,而非最终目标本身。 RLWRLD表示,计划将其全球合作伙伴网络——该网络已与英伟达(NVIDIA)建立公开合作关系,并发布了旨在为人形机器人灵巧性制定行业基准的DexBench计划——与CJ物流的商业化及市场拓展能力相结合,以推进韩国以外的市场推广和战略联盟建设。 这一顺序对于西方或中东物流采购方解读该公告至关重要:这并非产品推销

虽然今天即可实现国际发货,但这表明一种特定的技术方案——即将基于工人采集的训练数据应用于以灵巧性为先的基础模型——正在当前要求最为严苛的真实物流环境之一中率先得到验证,随后RLWRLD才会尝试将其推广至其他地区。

RLWRLD对此次合作关系的表述明确揭示了其核心论点:现实世界数据必须反馈到模型开发中,物理人工智能才能从实验室演示转变为在实际工业现场的生产性应用;而仓库运营商的日常吞吐量问题,比精心策划的舞台演示更能真实检验这一论点。 在当前这个行业中,这一主张颇具犀利性——因为目前发布的类人机器人进展中,很大一部分仍源自模拟基准测试和单一地点的试点视频,而非持续的多地点部署数据;这也让RLWRLD的公信力面临时间考验: CJ Logistics 并非会无限期容忍开放式试点的研究合作伙伴,而谅解备忘录中关于“在扩大范围前先测试性能”的表述,也表明双方都期望概念验证阶段能产生明确的“通过”或“失败”信号,而非漫长的“蜜月期”。

基础模型竞相争夺同一仓库空间的拥挤战场

RLDX-1正加入一场基础模型竞赛,该领域已聚集了资金雄厚且数据策略各异的竞争对手。 英伟达(NVIDIA)的GR00T系列和Physical Intelligence的pi系列模型均高度依赖模拟和遥操作数据,其生成训练样本的速度和成本远低于通过随身摄像头捕捉真实工人操作数据的方式,但代价是始终存在一个模拟与现实之间的持续差距,这种差距恰恰体现在仓库工作所要求的、充满不确定性和大量接触的操作中。RLWRLD的押注在于,虽然速度较慢、成本更高的人工采集数据,但能比增加模拟数据量更快地弥合这一差距,而与CJ Logistics的合作正是

一种能够以任何种子轮初创企业原本都无法负担的规模来验证这一设想的机制:利用一个运转良好的全国性物流网络,而不是仅仅为一个试点视频租用仓库空间。 无论这一数据质量论点能否经得起资本规模大一个数量级的竞争对手的考验——仅英伟达的GR00T计划就隶属于一家市值达数万亿美元的公司——这都是A轮或B轮投资者在评估RLWRLD并决定是否投资前必须弄清楚的悬而未决的问题。

这一时机也恰逢韩国正大力推动建立本土实体人工智能产业,而非全盘引进。 三星电子已将Rainbow Robotics并入一个专门的机器人事业部,该部门直接向首席执行官汇报;而韩国政府今年也将人形机器人和物流机器人列为战略优先领域,举办公共峰会并推出资助计划,旨在帮助韩国机器人及基础模型初创企业在竞标海外合同时,先建立起国内客户群。 RLWRLD 与 CJ 物流达成的合作安排与这一模式高度契合:物流领域的“国家冠军企业”为初创企业提供其技术成熟所需的部署环境,而初创企业则为该“国家冠军企业”提供本土开发的替代方案,使其无需从美国或中国供应商处获得基础模型技术的授权。 对于日益关注人工智能基础设施供应链依赖问题的政府而言,这种互利安排具有纯商业合作所不具备的战略意义。

为何这不仅仅是一笔韩国仓库交易

对于正在评估物理人工智能供应商的全球物流采购方而言,RLWRLD与CJ Logistics的协议之所以具有参考价值,恰恰在于其范围有限。它并未承诺推出一款可立即进行国际部署的通用型仓库机器人;而是承诺对以下问题进行结构化测试:是否能通过在

通过捕捉人体动作生成的系统能够应对某家物流运营商仓库中特有的混乱局面,而国际扩张计划已明确推迟,直至该测试出结果。 那些曾目睹人形机器人供应商仅凭一次展会演示就承诺具备广泛物流能力的采购方,有理由将这种“先部署、后扩展”的承诺视为更具可信度的信号——这并非因为RLDX-1的基准测试数据经过了独立验证,而是因为交易结构本身——先进行概念验证, 其次是范围扩展,最后才是出口——这种结构,恰恰符合实体AI系统在仓库现场实际赢得信任的方式,而非在会议舞台上博取眼球的方式。

本文综合了公司披露信息及关于2026年9月宣布的RLWRLD与CJ物流合作关系的公开报道。本文仅供一般信息参考,不构成投资、财务或法律建议。

封面图片来源:韩联社。