多个AI/视觉提供商开始使用基础模型技术

智能机器人分拣领域出现新术语RFM——机器人基础模型技术（Robotics Foundation Model），这是一种专为机器人抓取应用设计的物理人工智能新方法。

尽管多家科技公司的视觉与AI软件平台已使顶尖工业机器人和协作机器人能可靠执行分拣任务——即使面对未见过的物体或杂乱姿态（如传送带上混杂的包裹或非常规堆叠的托盘），但传统赋予机器人视觉智能与手眼协调的技术仍需开发人员手动调试和训练AI/视觉模型。在生产部署中，领先的视觉/AI软件解决方案提供商可让终端用户不注意到调试过程，但这仍增加了实现高灵活性解决方案的开发成本。

若机器人分拣AI软件能实现高度自学习，大幅减少人工调试，甚至对物理世界进行智能推演？若能整合视觉相机以外的多传感器输入并获得触觉感知？这将使机器人快速适配全新物料处理场景（如服装折叠），无需海量模型训练——这正是RFM技术令科技工作者振奋的原因。

Plus One Robotics联合创始人兼首席技术官Shaun Edwards表示，他公司正在开发中试验RFM技术，但现有客户生产系统仍采用其PickOne视觉AI软件平台。Edwards对RFM潜力充满期待，但坦言该技术完全成熟可能需要数年时间。

Edwards表示，“RFM是令人无比兴奋的技术突破。几年前我们只有传统机器视觉，随后AI视觉技术出现，从根本上拓展了机器人的应用场景。正是视觉/AI的进步使我们的技术方案成为可能。基础模型将带来同等变革——让机器人能解决传统方式无解的问题：RFM将赋予机器人触觉感知能力，使其能处理工程师永远无法预料的各类极端案例与故障模式。RFM的潜力确实令人振奋。”

Edwards补充说，关键制约在于RFM的成熟时间——需达到超越现有AI/视觉平台的水平，而这些平台经过数年实战检验已被证明有效。他进一步解释，RFM实则是多项技术的融合体，包括大语言模型、“视觉变换器”及其他方法，共同构成机器人基础模型体系。Edwards说，“我们很难确定还需要多久才能实现基础模型的潜力。我认为这一潜力终将被实现，但所需时间可能比任何人愿意承认的都要长。”

Edwards指出，能够为机器人履约系统提供历史拣选与误拣数据的企业也将助推其发展——这些数据实质上能极大增强系统对现实世界中有效/无效操作的理解。他说，Plus One已建立拥有超过14亿条拣选记录的历史数据库，可应用于机器人履约系统的开发。

Plus One并非唯一致力于开发机器人基础模型的企业。安碧机器人、科变智能等AI分拣机器人供应商均表示正在引入这项技术，部分人形机器人厂商也可能在积极研发。与此同时，亚马逊正将基础模型应用于移动机器人车队管理。值得一提的是：虽然有人将RFM中的“R”写作单数形式的“robotic”，但无论如何，业界已将机器人基础模型视为下一代机器人技术的重大发展方向。

对许多企业而言，传统设备或仓储自动化已能提升所需效率，这类技术或许无关紧要；但对高吞吐量的自动化履约中心和包裹处理中心来说，其重要性不言而喻——这项技术不仅能开辟新的应用场景，更能简化现有智能分拣方案的升级与适配流程，因为供应商无需再进行繁琐的模型调试与训练即可实现解决方案的优化。

即便机器人基础模型迅速发展，仓库的物理环境仍将保持其复杂性，其运作依赖于相互关联的系统和物料流。无论机器人人工智能平台如何智能，上游输送线的瓶颈或一张出故障的滑托盘都可能扰乱工作流程。正因如此，在相当长的时间内，人类对先进机器人系统的某种形式监管仍将是不可或缺的。

可以确定的是，机器人基础模型技术已成为机器人学和实体人工智能领域最值得关注的重要趋势。这项技术不仅可能催生新的应用场景，或实现处理服装类物品所需的精细操作能力，还将提升人形机器人的综合性能。假以时日，我们终将见证这些基础模型究竟能展现出多强大的可靠性。