機器人學習從模型轉向資料迴圈

機器人研究已不再僅止於探討模型能否產生令人信服的動作。更棘手的問題在於：當模型在真實環境中進行了一次不完美的嘗試後，能否讓下一個動作變得更安全、更可靠？這個問題正是本週三項發展的核心。 Dyna Robotics 發表了一項基於超過一百萬小時人類影片的大規模世界-動作模型研究。LG 與 NVIDIA 則介紹了一座與製造現場驗證相連結的機器人數據工廠。 總部位於波士頓、專門開發太陽能建設用重型機器人的 Luminous Robotics 公司，則闡述了一種「機器人即服務」（Robots-as-a-Service）的運作模式，其中每次太陽能板的安裝都能提供訓練訊號。

這些發展雖屬於市場的不同領域，卻都指向同一個技術瓶頸。業界需要數據既要足夠廣泛以支援泛化能力，又要足夠結構化以訓練控制系統，同時還需具備足夠的互聯性，才能衡量部署後的實際表現。 更多的運算資源或許能改善模型，但模型仍需具備機體、感測器、任務定義、安全邊界以及回饋路徑。

人類影片成為預訓練的賭注

Dyna Robotics 推出的 Dyna-2，正是直接押注於人類影片作為可擴展的機器人學習數據來源。 該公司將 Dyna-2 描述為基於超過一百萬小時第一人稱視角人類影片所建構的世界動作模型。其報告顯示，在保留的人類資料上呈現規模化趨勢，並提出「人類至機器人轉移規模化定律」——即更多人類資料能提升模型對機器人資料的離線預測能力，而這些機器人資料是模型在預訓練期間未曾接觸過的。

此主張的重要性並不在於數字本身。 一百萬小時的影片資料，仍可能與機器人必須執行的任務匹配度不佳。關鍵的技術問題在於，這些資料是否捕捉到了能夠跨越不同實體形式而轉移的關係。人類的手、平行顎式夾爪以及靈巧的機器人手，其力學原理並不完全相同。但它們確實共享某些場景

動力學。物體在接觸時會移動。表面會產生阻力。雙手會靠近、抓握、旋轉並放開。一個能學習這些關係的模型，在適應新平台時可能需要較少的機器人專屬數據。

Dyna-2 還描述了在雙手並行顎式機械臂、半類人型平台及靈巧機械手上進行的訓練後轉移，以及僅憑十分鐘遙控操作資料即能適應的開瓶蓋範例。這些均為該公司報告的研究成果。雖然它們並未確立量產可靠性，但為該領域確立了一項有價值的測試標準。 若通用模型僅需少量任務特定數據即可在不同平台間進行轉移，則機器人部署的經濟效益有望提升。若每種新機體仍需進行大量示範，該模型雖仍具實用性，但數據負擔將持續居高不下。

「資料工廠」進駐生產現場

LG 與 NVIDIA 的公告展示了這項研究邏輯如何轉化為工業系統。兩家公司描述了一款採用 NVIDIA Isaac GR00T、Jetson Thor 以及 Halos for Robotics 的次世代雙足類人型機器人。 他們還表示，LG 將於 2026 年前在田納西州的一條洗衣機生產線上部署輪式 CLOiD 機器人進行驗證。該公告將 PhysicalWorks 描述為一個用於持續資料收集、合成資料生成、訓練與驗證的平台。

一項重要的技術變革在於，驗證正逐漸成為產品架構的一部分。進入工廠的機器人不僅僅是執行策略，還會產生感知失敗、恢復動作、險些發生事故、操作員干預以及環境變化的記錄。這些記錄可以成為新的訓練素材，但前提是系統必須保留每個事件的上下文脈絡。 若缺乏任務狀態、機器人狀態、時間戳記及干預標籤的影片片段，雖有助於辨識，卻難以用於控制。

生產現場的「數據工廠」同時也在實驗與

運作。工程師可以在設備上進行測試之前，先生成模擬的變體。他們可以將新策略與先前版本進行比較，並驗證該變更是否能在不產生新安全風險的情況下改善任務表現。這更接近機器人領域的「持續整合」，而非傳統模式——即先交付固定機台，再將軟體更新視為事後才考慮的事項。

這不僅是技術層面的負擔，更是組織層面的挑戰。 工廠必須決定資料的所有權歸屬、如何保障工人安全、哪些事件應被記錄，以及模型更新須經過哪些審批流程。若這些管控措施薄弱，資料工廠反而可能助長錯誤行為。有用的衡量指標並非廠區收集了多少資料，而是它能多快將標註的故障轉化為經驗證的改進。

現場修正本就是模型的一部分

Luminous Robotics 則從部署角度闡述了相同的問題。《MassRobotics》描述了這家總部位於波士頓的公司，其重達 4,000 磅的工業系統正透過「機器人即服務」模式，在運作中的太陽能發電場施工現場運作。 這些機器人利用多鏡頭感知技術，將太陽能板抬起並放置在扭力管上。報導指出，每次放置動作——無論是自主完成還是經人類修正——都能產生訓練訊號，而下一個里程碑則是讓整個生產機隊中的人為干預量實現可量化的減少。

這種做法改變了「部署」的定義。施工現場不再僅僅是機器人收取費用執行任務的地點，同時也成為結構化經驗的來源。這並不意味著每一次人工干預都具有價值。 系統必須釐清問題出在哪裡、操作員做了哪些調整，以及該修正措施是否能推廣至不同的架設類型、面板位置、光線條件或工作現場。工程上的挑戰在於，如何將可重複使用的規則與一次性搶救措施區分開來。

此方法對於非結構化的工業環境尤為重要。太陽能建設工地因

佈局、地形、天氣以及貨架設計。僅能在某種幾何結構下運作的機器人，無法提供可擴展的服務。車隊學習雖能將改進成果推廣至各據點，但也必須謹慎進行版本管理。若基礎假設不同，某項有助於某個安裝點的模型更新，反而可能對另一個安裝點造成損害。

評估堆疊正逐漸成為產品

綜觀這些範例，產品正從單一模型或機器，擴展為一套完整的評估堆疊。該堆疊包含任務定義、感測器配置、資料架構、政策、操作員介面、安全控制、模擬環境以及驗收測試。 能夠掌控整個堆疊的企業，能夠縮短從現場故障到下一次部署進行變更的週期。

正因如此，本週的技術動向比又一項孤立的基準測試更為重要。 Dyna-2 著重廣泛的預訓練與遷移學習；LG 與 NVIDIA 則聚焦於工廠數據、合成數據、模型訓練與驗證之間的連結；Luminous 則致力於將現場層級的干預措施轉化為車隊學習。這些案例共同顯示，實體人工智慧的競爭優勢將取決於數據的產生來源，以及數據能多快地成為營運上值得信賴的依據。

這並不意味著不再需要針對特定機器人的工程設計。 基礎模型無法取代校準、抓取設計、電源管理或安全認證的需求。數據工廠也無法保證模型具備泛化能力。但這改變了操作的順序。企業無需先設計機器人再尋找任務，而是可以設計一個持續運作的系統，從一開始就衡量任務表現。

接下來該衡量什麼

下一代技術主張應依據四項指標來評判。第一項是轉移效率，即探討需要多少機器人專屬數據，才能將模型適應於新的

具體實現或任務。 第二項是干預密度，用以衡量人類必須糾正機器人的頻率，以及該頻率在整個機器人車隊中是否呈現下降趨勢。第三項是恢復品質，旨在評估機器人能否在不產生新風險的情況下，識別並糾正錯誤。第四項是部署可移植性，用以衡量政策能否在場地、物體、照明及操作員發生變化時依然有效。

相較於單一的成功率，這些衡量指標更具實用價值，因為它們將模型表現與系統運作成本連結起來。某個模型若僅在基準測試中表現優異，卻需要持續的遠端監督，對研究而言或許有價值，但在生產環境中卻可能成本高昂；反之，一個起初表現中等、但在有限修正下能快速提升的模型，則可能創造更大的商業價值。

因此，機器人產業正邁入「數據迴圈」階段。勝出者將不再僅由最大型的模型或最類人化的機體來決定，而是取決於從觀察到行動、從干預到標籤，以及從部署到經驗證的改進這條路徑的品質。本週的證據顯示，這條路徑正成為值得關注的核心技術。