RLWRLD 與 CJ Logistics 押注於經倉庫訓練的機器人 AI

南韓的物流產業存在一個特定問題，多數倉儲機器人供應商都不願公開談論：這些紙箱總是難以掌控。 單一班次的工作中，可能需要在同一條通道內處理形狀不規則的農產品、收縮膜包裝的貨捆、散裝服飾以及密度高的電子產品；此外，周遭的工作環境、照明條件、堆疊高度、地面雜物，以及任務之間的轉換，也都對作業構成挑戰。9月21日（週一），總部位於首爾的物理人工智慧新創公司RLWRLD與CJ物流—— 南韓最大的綜合物流營運商，簽署了一份諒解備忘錄，將共同開發專為物流設計的機器人基礎模型，並推動其商業化部署——首先在韓國境內，隨後進軍海外市場。雙方押注於解決倉儲作業的多變性，認為這比追逐另一段類人型機器人的展示影片更能建立業務護城河。

RLWRLD 是一家成立三年的新創公司，由執行長柳正熙（Jung-hee Ryu）於 2024 年創立；其前公司 Olaworks 曾被英特爾收購，據報導這是這家晶片巨頭完成的首筆韓國新創併購案。 柳正熙的創始團隊包括擔任首席科學家的韓國科學技術院（KAIST）講座教授申鎮宇，這為該公司除了商業發展藍圖外，更增添了一條學術研究管道；截至目前，這家新創公司已籌集約600億韓元（約合4,200萬美元）的種子輪資金。 其核心產品是 RLDX-1，這是一款開源、擁有 81 億參數的機器人基礎模型，建構於 RLWRLD 所稱的「多流動作變壓器」（Multi-Stream Action Transformer）架構之上；該架構會將視覺、運動、 記憶及扭矩訊號分別作為獨立流進行處理，再融合為單一動作決策；此方法旨在賦予機械手臂精細的運動靈巧性，而這正是多數類人型機器人平台至今仍難以在實驗室以外環境中可靠展現的能力。

訓練資料的實際來源

RLWRLD 方法的獨特之處不僅在於模型架構本身，更在於該公司如何建構其訓練

數據。與其主要依賴模擬或遙控操作裝置， RLWRLD 一直為人類工作者配備隨身攝影機，以精確記錄特定體力任務中的動作細節。該公司已針對 CJ 物流處理倉儲貨物的員工，以及日本連鎖便利商店羅森（Lawson）負責食品陳列的員工實施此方案，同時還與樂天酒店（Lotte Hotel）合作進行另一項以酒店業為焦點的數據擷取計畫。 這項細節重新詮釋了週一的公告：這並非兩家公司首次共同探索未經驗證的構想，而是基於 CJ Logistics 先前已持續支持的數據蒐集合作關係，進而簽署的正式商業化協議。 該諒解備忘錄（MOU）承諾雙方將選定具體的物流流程進行 RFM 的初步部署，執行概念驗證測試以確認該模型的核心機器人動作在實際工作環境中能否穩定運作， 隨後根據測試結果擴大任務範圍並提升效能，其長期目標是將雙方所稱的「物流即服務（Logistics as a Service）」推向商業化。

CJ Logistics隸屬於擁有百年歷史的CJ集團，成立於1930年，對於一家早期新創公司而言，絕非一個可以輕易協商的合作夥伴。 根據 RLWRLD 對這項合作關係的說明，該公司營運著一個涵蓋合約物流、貨運代理、海運及包裹配送的整合物流網絡，並已開始在實際營運中擴大應用實體人工智慧，包括在實際工作流程中部署由人工智慧驅動的人形機器人，而非僅限於試點示範。 對 RLWRLD 而言，這為該新創公司提供了基礎模型論文所無法提供的東西：一個生產環境，其中機器人模型必須在別人的輪班時間表、安全規則和吞吐量目標內運作，而不是在失敗不會造成營運成本的受控實驗室中運作。

靈巧性主張背後的基準測試數據

RLWRLD 已

該公司發布了關於 RLDX-1 的基準測試比較數據；若這些數據經得起獨立驗證，將使該模型與該領域中最知名的替代方案拉開顯著差距。 在與 ALLEX 進行的人形機器人操作任務對比中，該公司報告指出 RLDX-1 的成功率接近 90%，而 Physical Intelligence 的 pi-0.5 模型與 NVIDIA 的 GR00T N1.6 模型均低於 30%； 該公司聲稱，特別是在輸送帶取放任務上，RLDX-1 相較於 GR00T N1.6 具備 37.5 個百分點的優勢，同時在桌面操作基準測試中，平均成功率也提升了約 9%。 這些是 RLWRLD 自行報告的數據，而非經獨立審計的比較結果；且靈巧操作基準測試向來極易受任務選擇與評估設定的影響，因此採購團隊應將此差距視為方向性上的顯著差異，而非既定的排名。 無論如何，這些數據之所以值得認真對待，關鍵在於其來源：該模型主要基於真實人類執行任務的隨身攝影機影像進行訓練，而非僅依賴合成模擬數據，其訓練目標正是倉庫工作所需的、充滿不規則性且頻繁接觸的操作類型——而這類任務向來是模擬訓練模型表現欠佳的領域。

「韓國優先、出口次之」策略所傳達的訊號

兩家公司均將以韓國為基地的專案定位為發掘海外共同商機的基礎，而非最終目標本身。 RLWRLD 表示，該公司計劃將其全球合作夥伴網絡——該網絡已包含與 NVIDIA 的公開合作關係，以及旨在為類人型機器人靈巧度建立產業基準的 DexBench 計畫——與 CJ Logistics 的商業化及市場拓展能力相結合，以推動韓國以外的市場推廣與戰略聯盟。 這項策略順序對於西方或中東物流採購方解讀此項公告至關重要：這並非一項產品推銷

雖然目前尚未準備好進行國際出貨，但這顯示出某種特定的技術方法——即將「工人捕捉」訓練資料應用於以靈巧性為優先的基礎模型——正在 RLWRLD 嘗試將其推廣至其他地區之前，先於現有最嚴苛的真實世界物流環境之一中接受驗證。

RLWRLD 對這項合作夥伴關係的詮釋，明確闡述了其核心論點：實境數據必須回饋至模型開發中，物理人工智慧才能從實驗室展示邁向實際工業場地的生產應用；而倉庫營運商的日常吞吐量問題，相較於另一場精心策劃的舞台展示，更能真實檢驗此論點。 在這個領域中，這是一項尖銳的主張——畢竟目前公佈的人形機器人進展，很大一部分仍源自模擬基準測試和單一地點的試點影片，而非持續的多地點部署數據；這也讓 RLWRLD 的公信力面臨時間考驗： CJ Logistics 並非會無限期容忍開放式試點的研發合作夥伴，而諒解備忘錄中關於「在擴大範圍前先測試效能」的措辭，更顯示雙方均預期概念驗證階段將產生明確的「通過」或「失敗」訊號，而非漫長的蜜月期。

基礎模型競逐同一倉庫場域的激烈戰局

RLDX-1 正投入一場基礎模型競賽，其中已包含資金雄厚且數據策略截然不同的競爭對手。 NVIDIA 的 GR00T 系列與 Physical Intelligence 的 pi 系列模型，都高度依賴模擬與遠端操作數據，其生成訓練範例的速度與成本，遠低於透過隨身攝影機拍攝真實工人所能達到的水準；但代價是，模擬與現實之間始終存在著與現實之間的鴻溝，而這種差距恰恰體現在倉儲工作所需的、充滿不規則且需大量肢體接觸的操作情境中。RLWRLD的賭注在於，雖然由人類提供的數據速度較慢、成本較高，但能比增加模擬數據量更快地彌合這道鴻溝，而與CJ Logistics的合作正是

一種能以規模化方式驗證該賭注的機制，這是任何獲得種子輪融資的新創公司原本都無法負擔的：擁有可運作的全國性物流網絡，而非僅為單一試播影片租用倉庫空間。 無論這項「數據品質」的論點能否在面對資本規模大一個數量級的競爭對手時站得住腳——畢竟 NVIDIA 的 GR00T 計畫本身就隸屬於一家市值達數兆美元的公司——這都是 A 輪或 B 輪投資人在評估 RLWRLD 時，於決策前必須釐清的關鍵問題。

此舉的時機，也恰逢韓國正大力推動建立本土實體人工智慧產業，而非全盤引進外來技術。 三星電子已將 Rainbow Robotics 併入一個專門的機器人事業部，該部門直接向執行長匯報；而韓國政府今年亦將類人型機器人與物流機器人視為戰略優先領域，舉辦公共峰會並推出資助計畫，旨在讓韓國的機器人及基礎模型新創企業在進軍海外爭取合約之前，先建立國內客戶群。 RLWRLD 與 CJ Logistics 的合作安排與此模式高度吻合：物流領域的國家級龍頭企業提供新創公司所需的部署環境以完善其技術，而新創公司則為該龍頭企業提供國產替代方案，使其無需向美國或中國供應商授權基礎模型技術。 對於日益關注人工智慧基礎設施供應鏈依賴性的政府而言，這種互利安排所蘊含的戰略意義，是純商業合作所無法比擬的。

為何這不僅僅是一樁韓國倉庫交易

對於正在評估實體AI供應商的全球物流採購方而言，RLWRLD與CJ Logistics的協議之所以具有參考價值，正是因為其範圍有限。該協議並非承諾一款可立即進行國際部署的通用型倉儲機器人；而是承諾針對一款專注於靈巧性、並以

透過捕捉人體動作所開發的系統，能夠應對單一操作員物流場域中特有的混亂狀況，且已明確將國際擴展計畫推遲至該項測試產生結果之後。 那些曾目睹人形機器商僅憑一場貿易展演示便大肆承諾廣泛物流能力的買家，有充分理由將此類「先部署、後擴展」的承諾視為更可信的訊號——這並非因為 RLDX-1 的基準測試數據經過獨立驗證，而是因為交易結構本身——先進行概念驗證、 其次是範圍擴展，最後才是出口——這與實體 AI 系統在倉庫現場實際贏得信任的方式相符，而非在會議舞台上博取關注的方式。

本文綜合了公司公告及公開報導，針對 2026 年 9 月宣布的 RLWRLD 與 CJ Logistics 合作夥伴關係進行彙整。本文僅供一般資訊參考，並不構成投資、財務或法律建議。

首圖來源：韓聯社。