UMA首次发布Northstar人形机器人及实时学习功能,并制定了以欧洲为首的2026年试点计划
总部位于巴黎的UMA公司在Machina峰会上揭晓了其Northstar人形机器人的设计方案及实时学习架构,并推介了一款可在工厂和物流现场部署、通过演示和纠正性反馈来习得技能的机器人。

欧洲的工厂和配送中心充斥着枯燥、重复且难以招募人手来从事的工作。机器人可以提供帮助,但大多数系统只要任务或光照条件稍有变化,就会出现故障。 巴黎初创公司UMA正致力于填补这一空白。该公司表示,其首款类人机器人“Northstar”的设计初衷是能在实际工作中实时学习,而不仅仅局限于实验室环境。
2026年7月7日,在Machina峰会上,UMA揭晓了Northstar的设计方案,以及旨在让机器人在工作过程中持续提升的“实时学习”架构。 这家公司于2025年12月结束隐身运营,目前正与约50家潜在客户进行洽谈,并计划在今年开展工业试点项目。UMA采取“欧洲优先”的策略,初期重点布局制造业和物流业,随后再进军本土市场。 一支小型团队仅用九个月时间就在巴黎设计并组装了首台原型机,代号为V0。
创始人兼首席执行官雷米·卡德内(Rémi Cadène)曾在特斯拉的“自动驾驶”团队工作约三年,负责“自动驾驶”系统和“奥普蒂默斯”(Optimus)项目的AI研发。他于2024年初离开特斯拉加入Hugging Face,在创立UMA之前,曾领导LeRobot开源机器人库的开发工作。 联合创始人包括前Hugging Face工程师西蒙·阿利伯特(Simon Alibert)和机器人设计师罗布·奈特(Rob Knight)。投资方包括Greycroft、Relentless和Unity Growth,以及天使投资人扬·勒库恩(Yann LeCun)、Datadog的奥利维尔·波梅尔(Olivier Pomel)和Hugging Face联合创始人托马斯·沃尔夫(Thomas Wolf)。
UMA的发布内容
UMA的发布结合了两个要素:其首款名为“Northstar”的人形机器人的工业设计,以及该公司称为“实时学习(Real-Time Learning)”的软件堆栈。 Northstar被定位为一款轻量级通用机器人,旨在在工厂和物流场所中运行。UMA的核心卖点在于“部署中的学习”。UMA并不将每个新工厂视为需要耗时数月的集成项目,而是希望其机器人通过演示、纠正反馈和机器人自适应的持续循环来掌握并完善技能。
该团队强调了在打造首个原型机过程中的执行速度。V0原型机由一支小型跨学科团队在巴黎耗时九个月完成设计和组装。这种速度对运营商而言至关重要,因为它表明当出现新输送带布局或托盘高度略有变化等情况,导致预设流程出现偏差时,该公司能否迅速进行迭代调整。 该公司还表示,目前已与约50家潜在客户展开洽谈,并预计今年将在欧洲启动工业试点项目。
为何“欧洲优先”计划对运营商至关重要
UMA选择将早期试点集中在欧洲,不仅仅出于地理因素。这是一项产品决策,也是一项市场进入策略,旨在满足运营商的具体限制:
· 欧洲物流和轻工业领域的劳动力市场持续紧缺,尤其是在夜班和季节性高峰期。能够替代人工完成低技能重复性任务的机器人,既能增强运营韧性,又无需对整条生产线进行重新设计。
· 欧洲的安全与合规框架明确清晰。如果机器人通过了欧盟《机械法规》的CE认证,并符合相关协调标准,工厂团队就能明确如何在人员附近部署它。
· 本地化的生产与支持网络可缩短响应时间。当夹爪密封件失效或平衡控制器需要补丁时,修复所需的时间将决定机器人是成为生产资产还是成为瓶颈。
通过首先聚焦欧洲制造业和物流业,UMA将自身置于劳动力紧缺、标准严苛且操作人员已为自动化预留预算的市场中心。如果该公司能够将其“实时学习”技术转化为更快的任务设置和更少的脆弱性
系统集成,这对需要达成每周吞吐量目标(而不仅仅是做个演示)的一线经理来说,是一个切实的优势。深入了解 Northstar 及其实时学习架构
大多数运营商购买的并非机器学习技术,而是能够稳定运行、无故障的机器人。UMA的“实时学习”理念试图通过在部署过程中将训练纳入闭环来弥合这一差距。根据同类系统的构建方式以及UMA的描述,其实际运作通常如下:
· 技能习得:任务可通过简短的人工演示、远程操作示例或录制的动作序列进行教学。机器人不仅编码原始关节轨迹,还会编码任务意图和约束条件,从而使技能能够迁移到布局略有不同或物体类型不同的场景中。
· 纠正性反馈:当机器人操作失败时,人类可以标注错误、演示纠正动作,或批准替代抓取方式。这种反馈会立即更新策略,或在休息和换班期间以批量增量的方式进行更新。
· 安全层:低级控制器负责维持平衡、限制扭矩,并在人员和设备周围定义安全区域。学习栈提出动作建议,但安全层拥有否决权,从而确保机器人始终在认证的安全包络内运行。
· 机器人端和边缘计算:为了满足工厂对实时性的要求,学习循环必须能够容忍不稳定的连接,并主要在机器人或本地服务器上运行。这种设计降低了对云服务的依赖,并有助于欧洲工厂内部的数据治理。
Northstar 的设计被誉为“轻量级”。从操作员的角度来看,这意味着
这有两个原因。首先,较轻的机器人在人群中通常更安全,因为它储存的动能较少,且在发生接触时更容易被制止。其次,低质量能提高电池效率,这意味着单次充电后可使用的时间更长。 UMA尚未披露有效载荷、最高行走速度或电池续航时间的具体参数,也尚未公布关于机械手或末端执行器的详细信息。对于物流和装配领域的许多买家而言,机械手将决定早期应用场景的成败,因为抓取非刚性包装或薄型部件仍是实用机器人技术中最棘手的问题之一。UMA的创始基因对整个技术栈至关重要。卡丹(Cadène)在特斯拉负责自动驾驶(Autopilot)和奥普蒂穆斯(Optimus)项目期间,使其身处感知、控制与海量数据处理的交汇点。他后来在Hugging Face负责LeRobot项目,这表明他倾向于采用模块化、开放的接口,允许开发者贡献驱动程序、策略和数据集。 对于运营商而言,这种理念可能意味着能够更快地支持现场已安装的新型夹具、摄像头和安全扫描仪。
2026年的试点项目:可信的试运行应具备哪些特征
今年在欧洲工厂进行的可信人形机器人试点,不会从完全接替整班工作开始。它很可能从一项范围明确、受监督的任务入手——该任务易于重复、易于衡量,且价值足够高,足以证明在设置期间停机是合理的。典型的任务候选包括:
· 针对取货面规整且货箱标准化的小零件,进行套件组装和生产线旁补货。
· 从腰高货架上拣选装在标准瓦楞纸箱中的货物,随后通过传送带输送。
· 针对SKU数量有限、重量和包装规格已知的货品进行码垛或拆垛。
· 当生产线人手不足时,在并行工位之间搬运托盘。
一个运作良好的试点项目应从第一天起就记录五项指标:循环时间、主任务成功率、异常率及恢复时间、两次协助呼叫之间的平均时间,以及每次电池充电后的有效运行时间。 如果 UMA 的“实时学习”功能发挥作用,随着机器人将操作员的纠正措施内化,异常率应逐周下降。正是这种趋势,将演示机转化为可实际投入生产线使用的资产。
除了任务指标外,可维护性也将受到严格审查。工厂将跟踪UMA现场团队处理工单的速度、当地是否备有备件,以及软件补丁需要计划停机的时间频率。 早期客户还将关注UMA如何处理数据。部署期间记录视频和动作有助于机器人学习,但同时也带来了员工隐私、产品知识产权及跨境数据流动等方面的风险。UMA的“欧洲优先”计划需要制定关于数据保留、匿名化和处理的清晰且可审计的政策。
决定项目成败的关键障碍
人形机器人正逐步进入工厂车间,与此同时,客户的期望也在不断提升。几个关键障碍将决定 UMA 的试点项目能否顺利推进至付费部署阶段。
· 安全与合规:UMA需要证明其符合《欧盟机械条例》以及协作操作、功率和力限制的相关标准。大多数运营商和保险公司将要求进行独立测试并提供清晰易懂的技术文件。
· 机械手与末端执行器:通用操作是许多类人机器人的难点所在。UMA应将其学习架构与经过专门调校的、规模较小的夹爪和机械手库相结合
适用于瓦楞纸箱、托盘箱、收缩包装以及简单组件。快速更换接口将减少停机时间。· 应对变化的可靠性:实际仓库任务存在多样性。纸箱上的胶带位置会变化,收纳箱可能装得过满,照明条件也会发生变化。UMA所宣称的“实时学习”能力,将取决于其在无需不断重新调试的情况下维持成功率的能力。
· 电源、充电与轮班:即使采用轻量化设计,电池规划依然至关重要。操作员需要一套不影响生产线运行的热插拔或快速充电计划。单次充电的运行时间是决定性指标。
· 人机接受度:生产线负责人和安全代表需要信任该系统。透明的行为、可预测的运动轨迹以及相互尊重的协作是实际要求。通过培训展示如何安全干预,将减少抵触情绪。
如果 UMA 能克服这些障碍,客户将获得切实的回报:高峰期的人员配置弹性、延迟拣货情况减少,以及能够将稀缺的工人重新分配到更高价值的任务中。
UMA 的发展进度与特斯拉和 Figure 的对比
更广泛的人形机器人领域正在快速发展。2026年1月,埃隆·马斯克承认,截至当时尚无Optimus机器人正在执行有用的工作。特斯拉计划于今年夏天在其弗里蒙特工厂小批量生产Optimus第三代,预计最初将部署在特斯拉自有的工厂内。 与此同时,Figure公司报告称,其机器人在宝马斯帕坦堡工厂进行了轮班作业,这强烈表明汽车行业合作伙伴愿意根据生产级别的预期对类人机器人进行测试。
UMA的发布正值这场竞争的激烈阶段,其定位上存在一些显著差异。特斯拉首先针对自家生产线进行优化,而
Figure 与一家核心合作伙伴展开深度合作,而 UMA 则致力于在欧洲制造业和物流领域开展多项试点项目,并将部署过程中的学习速度作为其核心优势。如果这一说法成立,它将使小型工厂能够跳过那种冗长的集成周期——正是这种周期传统上阻碍了自动化技术在小批量、多品种生产中的应用。对比:全球类人机器人平台竞争对手
下表总结了截至2026年年中,主要类人机器人项目的现状。许多技术规格尚未披露,且目前仅限于试点项目或内部部署。运营商应重点关注短期内是否具备投入使用条件、已公布的试点地点,以及控制和学习架构能否适应其具体任务。

下一步关注重点
· 试点选择与范围:哪些客户率先签约、UMA具体负责哪些任务,以及试点能否在无需过多监督的情况下运行完整班次,这些都将揭示该机器人的实际就绪程度。
· 机械手与抓取性能:预计 UMA 将在抓取器选项及符合仓库和轻型装配实际需求的抓取基准测试方面取得进展。在瓦楞纸箱和托盘上的循环时间及异常处理能力是关键指标。
· 安全认证文件:在人员附近部署时,CE认证和第三方验证绝非可有可无。UMA能否公布清晰的合规路径,将决定其采用速度的快慢。
· 服务与支持模式:只有当现场服务团队能够解决问题时,“欧洲优先”计划才能奏效
快速响应、本地备件库存充足,且可在不影响运营的情况下安排更新。· 学习循环的实证:该公司关于“实时学习”的主张需要证据支撑。来自同一生产现场的“前后对比”指标——显示在无需人工重新调校的情况下,异常情况减少且生产周期缩短——将对操作人员产生说服力。
UMA此举的背景十分明确。特斯拉计划将Optimus引入自家工厂,并计划于夏季进行小批量生产。 Figure公司已经在一家大型汽车工厂测试延长工作班次。对于UMA而言,其突破口不在于比竞争对手更夸张地炒作,而在于证明一款轻量级、以安全为先且具备实时学习循环的人形机器人,能够顺利融入欧洲工厂,并悄然提升产能。 如果该公司能通过安全认证,在实际任务中展现出可量化的学习能力,并保持高效的服务响应,它将在那些鲜少关注噱头、始终关注产出的运营负责人中赢得支持。
消息来源
· 彭博社
· Electrek
· 法新社新闻稿












