Vention开设了面向工业机器人的实体AI实验室

Vention 在蒙特利尔开设了一家实验室,旨在将机器人操作研究转化为可靠的工厂应用,其核心是 GRIIP 以及生产数据。

A
2分钟阅读Posted: 2026年9月10日
Vention开设了面向工业机器人的实体AI实验室

魁北克省蒙特利尔,2026年9月9日。Vention公司于本周三在蒙特利尔开设了一家“物理人工智能”实验室,旨在将机器人操作研究推进至工厂应用阶段。 由8人组成的团队将根据生产要求,对感知、控制、仿真和学习方法进行测试;与此同时,这家工业自动化公司正在为16个以上的研究和工程岗位招募人才。

Vention 是一家总部位于蒙特利尔的自动化公司,其数字平台集成了机械设计软件、模块化硬件、控制系统及部署服务。据该公司称,其已向6,000家工厂部署了超过28,000台设备,客户中包括90家《财富》500强企业。 该新实验室旨在弥合令人印象深刻的操作演示与能够适应生产计划的机器人单元之间所存在的、代价高昂的差距。

实验室的建立源于商业需求

工业机器人研究通常从能力出发:机器能否识别陌生物体、估算其姿态、规划无碰撞运动并将其抓取?而工厂采购方关注的则是更为务实的问题:设备运行成功率如何、操作失误后会发生什么、换线需要多长时间,以及凌晨2点出现故障时由谁负责恢复操作?

Vention正是围绕这一系列问题建立了该实验室。其研究计划将机器人控制工程与运动生成技术,结合了新旧视觉方法、基于演示的训练、强化学习以及工厂数据采集。这些领域在大学的科研资助申请中并不陌生。 不同之处在于,Vention 旨在根据实际生产中的制约条件对这些技术进行评估,包括零件差异、可靠性、成本,以及在客户现场部署新技能所面临的实际限制。

该实验室由Vention物理人工智能总监Jimmy Li领导,Cohere首席人工智能官Joelle Pineau担任外部技术顾问。初期团队共有8名成员,Vention表示正在招聘超过16名

涵盖机器人控制、仿真和物理人工智能研究领域的职位。这一人员配置计划使该设施不仅仅是一个展示厅,但仅凭人员数量并不能决定其研究成果能否转化为客户所用。

真正的检验标准在于该实验室能否缩短从基准测试到可投入使用的机器之间的路径。制造商购买的并非强化学习技术本身,而是更少的工程工时、更快的调试速度、更低的废品率,以及普通技术人员都能理解的故障恢复流程。

GRIIP 是研究提案背后的核心产品

GRIIP是连接研究与商业化的桥梁,这是Vention于2026年2月推出的模块化物理人工智能管道。该系统整合了场景数字化、物体分割、姿态估计、抓取方式选择以及无碰撞运动规划。Vention在采用英伟达(Nvidia)等供应商的基础模型的同时,也使用自有模型,进而将这些软件阶段与机器人硬件及工厂任务相连接。

通俗来说,该管道旨在将杂乱的料箱或工作站转化为机器人可执行的动作序列。摄像头识别现场物体,软件将不同物体分隔开来,估算每个物品的位置,选择可行的抓取方式,并检查机械臂能否在不撞到附近设备的情况下触及目标。 每个环节都可能出现故障,而实验室中取得的优异结果仅仅是系统集成工作的开端。

Vention计划发布一个公开的GRIIP软件开发工具包,以便工程团队能根据自身应用需求对该流程进行适配。 “计划”一词至关重要。该处理流程已存在,而公开版开发工具包仍属未来交付内容。采购团队应询问发布日期、支持的硬件清单、版本政策,以及客户可修改的代码范围与仍受限于 Vention 托管平台的功能之间的界限。

这种区分会影响转换成本。开放的开发工具包可以拓宽合作伙伴生态系统,并降低对单一集成商的依赖。

它还可能成为覆盖在难以替代的专有服务之上的一个薄层接口。买家应重点评估许可条款、数据可移植性、离线运行能力以及模型更新控制机制,而非将“SDK”视为开放性的证明。

生产数据可能是Vention的持久优势

Vention 最有力的卖点并非某种模型架构,而是能够接触到实际生产中的问题。该公司表示,其安装基数覆盖了数千家制造商,为研究人员提供了源源不断的操作任务、客户反馈和工业数据。这可以形成一种反馈循环,而纯研究实验室很难复制这种循环。

实验室中一次失败的拣选只是个实验;而装配线上一次失败的拣选则可能导致下游工作停滞、损坏部件,甚至需要技术人员进入工作单元。这种差异改变了团队的衡量标准。 工厂数据能够捕捉到精心筛选的基准测试往往会忽略的边缘案例,包括反光包装、破损纸箱、柔性材料、磨损的夹具、照明变化以及方向错误的零部件。

Vention表示,“物理AI”是其增长最快的业务板块,相关收入在过去一年中增长了400%。这一增长比例虽引人注目,但该公司尚未披露初始收入基数、毛利率、客户集中度,以及该增长中有多少来自试点项目而非重复部署。 一个小型业务线即使增长四倍,规模仍可能很小。这一数据应被视为Vention内部发展势头的体现,而非“物理AI”已发展为成熟工厂类别的证明。

同样的分析原则也适用于该公司报告的 28,000 台已部署设备和 6,000 家工厂。这些数字虽然体现了覆盖范围,但并未显示有多少站点使用 GRIIP 系统、有多少配备 AI 的生产单元持续运行,以及已安装设备中有多少比例能生成适合模型训练的数据。 下一步有价值的披露应将已安装基数与持续使用情况联系起来,

成功的任务组,以及测得的部署时间。

真正的基准是换线经济性

该实验室正与工业和电子制造商合作,包括一家未具名的大型汽车原始设备制造商,共同研究非结构化最终装配任务。这是检验价值的理想环境,因为最终装配包含多品种生产、多变的零件呈现方式、紧凑的周期时间以及频繁的工程变更。

这也是对相关主张审查最严格的地方。汽车工厂数十年来一直通过工装夹具、标准化容器和精心计时的工艺来减少变异性。当变异性无法通过工程手段消除时,基于学习的机器人可能具有价值,但它必须与更简单的方案竞争:更好的供料器、改进的工装夹具、专用机器,或者少量人工。

因此,采购方的核心问题并非“物理AI能否完成某项任务”,而是“整个系统在生命周期内的总成本是否低于传统自动化或重新设计的工艺流程”。这一成本核算应涵盖摄像头、计算资源、网络连接、安全验证、训练数据、模型监控、系统集成、维护、网络安全,以及模型遇到新故障模式时所需的人工成本。

这正是新实验室能够赢得公信力的所在。如果Vention能够公布跨越不同机器人品牌、零件系列和工厂的可重复换线结果,将为买家提供一个比较AI智能单元与固定自动化方案的依据。如果它只发布经过精心修饰的抓取视频,那么对于一个已经充斥着受控演示的市场而言,该实验室将难以带来实质性的价值。

近期的发展进一步印证了这一区别。三星SDS已从企业软件领域切入机器人编排领域,而

Hai Robotics 展示了经过精密设计的仓储系统所能达到的规模。Vention 则介于这两种模式之间。它希望兼顾软件的灵活性,同时又不放弃对物理自动化架构的责任。

买家需要的是故障数据,而不是又一段演示视频

一个令人不适的事实是,工厂部署通常受阻于异常处理,而非宣传的核心技能。一台机器人可能完成100次拣选中的98次,但剩下的两次就可能抵消节省的人工成本——如果每次故障都需要专家停线、清理单元并重启流程的话。

Vention尚未公布新实验室工作的平均干预间隔时间、恢复率、循环时间分布,以及在不同照明条件和零件变化情况下的性能表现。在项目启动之初,这尚属合理,但这些指标恰恰应成为其下一阶段的核心衡量标准。 采购团队应要求提供与运营直接挂钩的指标:每班次干预次数、停机时间(以分钟计)、无需代码修改即可成功完成的换线次数,以及每种新零件所需的技术人员工时。

他们还应询问客户数据是如何进行隔离的。Vention表示,其平台在保护客户数据和知识产权的同时,能将生产经验转化为更优质的模型。这一承诺需要具体的运营细节支撑。 制造商应明确哪些数据会流出厂区、哪些会被保留;基于某客户故障数据训练的模型是否能惠及其他客户;以及当合同终止时,工厂如何删除或导出其数据。

Hanshow和X-Era的零售试点表明,为何这一点的重要性不仅限于工厂。大规模部署会产生有价值的异常数据,但也使不透明的模型更新带来的后果成倍增加。该

商业上的赢家不会仅仅从更多机器中学习。它将确保这种学习过程可审计、可逆,并且足够安全,以赢得操作员的信任。

蒙特利尔现在必须产出可推广的成果

Vention 的实验室是一项值得信赖的投资,因为该公司已经向真实工厂销售硬件、软件和自动化服务。它拥有客户资源、GRIIP 项目中的现有项目储备、公认的技术领导力以及招聘计划。这些资产使研究团队拥有比事后才寻找应用场景的独立实验室更有利的起点。

该公司仍需证明这一闭环能够双向运作:生产问题必须引导研究方向,而研究成果必须以可靠工具的形式回馈至生产现场,供系统集成商和工厂技术人员使用。这一证明将体现在部署的任务数量、调试时间、干预率以及客户续约率上,而非模型堆栈中的模型数量。

对于自动化采购方而言,实验室应被视为供应商能力的信号,而非当下调整采购计划的理由。 将 Vention 列入可变操作任务的候选名单,要求进行单元级试用,在安装前明确验收指标,并坚持要求提供同类零件系列的实证数据。欢迎接受此类测试的供应商,正在构建部署基础设施;而将话题转移到演示上的供应商,仍在兜售研究成果。

Vention 已开设了恰如其分的设施。其价值将取决于该实验室在普通工厂工作中融入得有多快,以至于变得“隐形”。

封面图片来源:Vention Inc.

本分析基于 Vention 于 9 月 9 日发布的公告,以及该公司关于其物理人工智能(Physical AI)产品、团队、客户群和部署计划的披露信息。本文仅供一般信息参考,不构成投资、财务、采购、法律或工程方面的建议。