Vention 開設專為工廠機器人打造的實體 AI 實驗室

Vention 在蒙特婁設立了一間實驗室,旨在將機器人操作研究轉化為可靠的工廠部署方案,並以 GRIIP 及生產數據為核心。

A
2分鐘閱讀Posted: 2026年9月10日
Vention 開設專為工廠機器人打造的實體 AI 實驗室

魁北克省蒙特婁,2026年9月9日。Vention 於週三在蒙特婁開設了一間「物理人工智慧」實驗室,旨在將機器人操作研究應用於工廠實務部署。 這支八人團隊將針對生產需求,測試感知、控制、模擬及學習方法;與此同時,這家工業自動化公司正為超過16個研究與工程職位招募人才。

Vention 是一家總部位於蒙特婁的自動化公司,其數位平台整合了機器設計軟體、模組化硬體、控制系統及部署服務。據該公司表示,目前已在 6,000 家工廠部署超過 28,000 台機器,客戶中包含 90 家《財星》500 強企業。 這座新實驗室旨在彌合「令人印象深刻的操作示範」與「能承受生產排程的機器人單元」之間所造成的昂貴落差。

實驗室的起點在於商業限制

工業機器人研究通常從能力出發:機器能否識別陌生物體、估算其姿態、規劃無碰撞的運動路徑,並成功抓取?而工廠採購人員關注的則是較不光鮮的層面:運作成功率有多高、抓取失敗後會發生什麼、換線需要多久時間,以及凌晨 2 點的恢復程序由誰負責?

Vention 正是圍繞這第二組問題建構了該實驗室。其研究計畫結合了機器人控制工程與運動生成技術,並融合新舊視覺方法、示範式訓練、強化學習,以及工廠數據的蒐集。這些領域在大學研究經費申請書中並不陌生。 不同之處在於,Vention 打算根據實際製造限制來評估這些技術,包括零件變異性、可靠性、成本,以及在客戶現場部署新技能的實際限制。

該實驗室由 Vention 實體人工智慧總監 Jimmy Li 領導,Cohere 首席人工智慧官 Joelle Pineau 則擔任外部技術顧問。初期團隊共有八名成員,Vention 表示目前正在招募超過 16 名

涵蓋機器人控制、模擬及物理人工智慧研究等領域的職位。這項人力配置計畫使該設施不僅僅是一個展示間,但光靠人力規模並不能決定其研究成果能否轉化為客戶能實際運用之技術。

真正的檢驗標準在於該實驗室能否縮短從基準測試到可實際運用的機器之間的路程。製造商購買的並非強化學習技術本身,而是更少的工程工時、更快的調試速度、更低的廢品率,以及一般技術人員都能理解的故障排除流程。

GRIIP 是研究提案背後的產品

GRIIP 便是這座商業橋樑——這是 Vention 於 2026 年 2 月推出的模組化「物理人工智慧」處理流程。該系統整合了場景數位化、物件分割、姿態估計、抓取方式選擇以及無碰撞運動規劃。Vention 除了運用自家模型外,也採用包括 Nvidia 在內的供應商所提供的基礎模型,並將這些軟體階段與機器人硬體及工廠任務相連結。

通俗來說,這條處理流程旨在將雜亂的儲物箱或工作站轉化為機器人可執行的動作序列。攝影機識別現場物品,軟體將各物件分隔開來,估算每項物品的位置,選擇可行的抓取方式,並確認機械臂能否在不撞擊附近設備的情況下觸及該物件。 每個階段都可能出錯,而強勁的實驗室測試結果僅是系統整合工作的開端。

Vention 計畫發布公開版的 GRIIP 軟體開發套件,讓工程團隊能將這條處理流程調整以適應自身應用需求。 「計畫」一詞至關重要。雖然處理流程已然存在,但公開版開發套件仍屬未來才將推出的產品。採購團隊應詢問發布日期、支援的硬體清單、版本政策,以及客戶可修改的程式碼範圍與仍綁定於 Vention 管理平台的機能之間的界線。

這項區別會影響轉換成本。開放式的開發套件能擴展合作夥伴生態系,並降低對單一整合商的依賴。

它也可能演變為一套覆蓋在難以取代的專有服務之上的薄層介面。買家應評估授權條款、資料可攜性、離線運作能力以及模型更新控制機制,而非將「SDK」視為開放性的證明。

生產數據可能是 Vention 的持久優勢

Vention 最具說服力的優勢並非模型架構,而是能夠接觸生產現場的問題。該公司表示,其已安裝的系統遍及數千家製造商,為研究人員提供了持續不斷的操作任務、客戶回饋以及工業數據。這能形成一種正回饋循環,而這正是純研究實驗室難以複製的。

實驗室中一次失敗的揀選僅是實驗;但在組裝線上,一次失敗的揀選可能會中斷下游作業、損壞組件,或迫使技術人員進入工作單元。這種差異改變了團隊的衡量標準。 工廠數據能捕捉到精選基準測試往往忽略的邊緣案例,包括反光包裝、受損紙箱、柔性材料、磨損的固定裝置、照明變化,以及以錯誤方向送達的零件。

Vention 表示,「實體 AI」是其成長最快的業務領域,相關營收在過去一年內增長了 400%。這個百分比固然引人注目,但該公司並未披露起始營收基數、毛利率、客戶集中度,以及這波成長中有多少來自試點專案而非重複部署。 一個規模較小的業務線即使成長四倍,仍可能維持小規模。該數字應被解讀為 Vention 內部發展動能的佐證,而非「實體人工智慧」已成為成熟工廠類別的證明。

同樣的原則也適用於該公司所報告的 28,000 台已部署機器及 6,000 家工廠。這些數字雖能顯示其覆蓋範圍,卻未能說明有多少廠區實際使用 GRIIP、有多少具備 AI 功能的生產單元持續運作,或是已安裝設備中有多少比例能產生適合模型訓練的數據。 下一個有價值的披露,應將已安裝的設備數量與持續使用情況相互關聯,

成功的任務群組,以及量化的部署時間。

真正的基準是換線經濟效益

該實驗室正與工業及電子製造商合作,其中包括一家未具名的大型汽車原始設備製造商,共同針對非結構化的最終組裝任務進行研究。這正是測試價值的理想環境,因為最終組裝包含多樣化生產、變動的零件擺放方式、緊湊的週期時間,以及頻繁的工程變更。

這也是相關主張最需要嚴謹檢視的領域。汽車工廠數十年來一直透過工裝、標準化容器以及精確計時的製程來降低變異性。當變異性無法透過工程設計消除時,基於學習的機器人便能發揮價值,但它必須與更簡單的選項競爭:更好的供料器、改良的工裝、專用機器,或是少量的人工操作。

因此,買家的問題不在於「物理人工智慧」能否執行某項任務,而在於整個系統在生命週期內的總成本,是否低於傳統自動化或重新設計的製程。這項成本計算應涵蓋攝影機、運算資源、網路連線、安全驗證、訓練資料、模型監控、系統整合、維護、網路安全,以及當模型遭遇新故障模式時所需的人力成本。

這正是新實驗室能建立公信力的關鍵所在。若 Vention 能公布橫跨不同機器人品牌、零件系列及工廠的可重複轉換結果,將為買家提供比較 AI 驅動單元與固定式自動化方案的依據。若僅發布經過精心修飾的抓取影片,該實驗室對這個已充斥受控演示的市場而言,將難以帶來實質貢獻。

近期發展進一步凸顯了這項區別。三星 SDS 已從企業軟體層面進軍機器人協調領域,而

Hai Robotics 已展現出精密設計的倉儲系統所能達到的規模。Vention 則介於這兩種模式之間。該公司希望兼顧軟體的靈活性,同時不放棄對實體自動化系統的掌控權。

買家需要的是故障數據,而非另一段展示影片

一個令人不適的事實是,工廠部署通常受阻於異常處理,而非標榜的核心技術。一台機器人或許能完成 100 次揀選中的 98 次,但若每次失敗都需要專員停線、清理工作單元並重新啟動流程,那剩下的兩次失敗就足以抵銷節省的人力成本。

Vention 尚未公布新實驗室運作的平均干預間隔時間、恢復率、週期時間分佈,或是不同照明條件與零件變異下的效能表現。在啟用首日,這雖屬合理,但這些指標正是應定義其下一階段的關鍵。 採購團隊應要求以與營運直接對應的單位呈現成果:每班次的干預次數、停機分鐘數、無需修改程式碼即可成功完成的換線次數,以及每款新零件所需的技术人員工時。

他們還應詢問客戶資料是如何進行隔離的。Vention 表示其平台能在保護客戶資料與智慧財產權的同時,將生產經驗轉化為更完善的模型。這項承諾需要具體的運作細節來佐證。 製造商應釐清哪些資料會流出廠區、哪些會保留在廠內;基於某位客戶故障案例所訓練的模型是否能惠及其他客戶;以及合約結束時,工廠如何刪除或匯出其資料。

Hanshow 與 X-Era 的零售試點案例顯示,為何這不僅限於工廠層面至關重要。大規模部署雖能產生寶貴的異常數據,但也將使不透明的模型更新所造成的後果倍增。該

成功的商業解決方案不僅僅是從更多機器中學習。它還將使這種學習過程具有可稽查性、可逆性,並確保其安全性足以讓操作人員信賴。

蒙特婁現在必須產出可轉移的成果

Vention 的實驗室是一項值得信賴的投資,因為該公司已經向實際工廠銷售硬體、軟體和自動化服務。它擁有客戶管道、GRIIP 中的現有專案管道、公認的技術領導地位,以及明確的招聘計畫。這些資產賦予研究團隊比那些事後才尋找應用場景的獨立實驗室更佳的起點。

該公司仍須證明這個迴路能雙向運作。生產問題必須引導研究方向,而研究成果也必須回饋至生產現場,成為系統整合商與工廠技術人員可實際運用的可靠工具。這項證明將透過部署的任務數量、調試時間、干預率以及客戶續約率來展現,而非堆疊中模型的數量。

對於自動化採購方而言,應將實驗室視為供應商能力的指標,而非當下調整採購計畫的理由。 請將 Vention 列入變量處理任務的候選名單,要求進行單元級別的試運行,在安裝前明確定義驗收指標,並堅持要求提供來自類似零件系列的實證。樂於接受此類測試的供應商,正在構建部署基礎設施;將話題轉向演示的供應商,則仍在兜售研究成果。

Vention 已開設了正確類型的設施。其價值將取決於該實驗室能在多快時間內融入日常工廠運作中,而不再引人注目。

首圖來源:Vention Inc.

本分析基於 Vention 於 9 月 9 日的公開聲明,以及該公司針對其物理人工智慧(Physical AI)產品、團隊、客戶群與部署計畫所披露的資訊。本文僅供一般資訊參考,並不構成任何投資、財務、採購、法律或工程方面的建議。