告别实验室秀场，后训练范式重构具身智能工业落地逻辑 —— 前 DeepMind 机器人团队给出产业新解法

导语

2026 年，具身智能基础模型在实验室环境当中不断刷新性能上限，VLA 视觉语言动作模型、通用世界模型持续迭代，各类演示视频里机器人可以流畅完成抓取、装配、多步骤复杂操作。但一个残酷的产业现实始终横亘在行业面前：实验室表现亮眼的机器人，进入真实工厂产线之后往往水土不服。物料公差、环境光照变化、产线工艺频繁换型，都足以让预训练阶段表现优异的模型快速失效。绝大多数工业场景下，机器人每更新一道工序，依旧需要专业算法工程师介入调试，拉高落地成本，制约规模化推广进程。

由 DeepMind 原 Applied Robotics 核心团队孵化的初创企业 Reimagine Robotics，正在用 “现场后训练” 这套全新范式尝试破解这一行业痛点。不同于传统模式在实验室完成全部训练再部署到现场，该方案把模型训练环节延伸至工厂真实作业环境，让一线普通工人可以通过示范、现场纠错，完成机器人新任务学习，不再依赖算法专家。这家拿到 Pre‑Seed 轮融资的初创公司，抛出的不仅是一套机器人产品，更向整个具身智能产业提出思考：当预训练的红利逐步见顶，机器人竞争的重心，是否已经从 “实验室能力跑分” 转向 “部署之后的现场快速适配能力”。

Reimagine Robotics 创始团队全部来自 DeepMind 机器人业务线。CEO Jonathan Scholz 一手搭建 DeepMind 伦敦应用机器人团队，拥有七年工业机器人操作、强化学习、示教学习研发经验；CTO Oleg Sushkov 深耕机器人控制与工业任务适配；首席科学家 Misha Denil 专注离线学习、人类反馈数据体系；CPO Akhil Raju 曾参与知名项目 RoboCat 研发，负责技术产品化落地。团队的技术脉络可以追溯到多年前 DeepMind 一系列机器人研究：从早期依靠少量人类示范降低强化学习随机探索成本，到真实工业插装任务的真机快速适配，再到 RoboCat 跨任务、跨本体通用机器人模型的探索。过去大量工作都在解决 “机器人可以学会什么”；而 Reimagine 把目标切换成另一个产业关键命题：机器人部署到现场之后，普通人如何低成本教会它干活。

传统工业自动化的固有弊端，在中小批量、多品种制造场景暴露得尤为明显。传统机械臂依靠工程师编写固定程序，一旦零件型号、工艺流程发生改动，就必须重新修改点位代码；而当下主流具身智能方案，大多遵循 “实验室预训练 — 仿真微调 — 打包部署工厂” 的流程。整套流程假设产线环境是静态不变的，但现实制造业恰恰处于持续变动当中：产品迭代、物料版本切换、工位细微环境改变属于常态。每一次变动，都需要算法人员重新采集数据、微调模型、回归测试，原型调试往往耗费一整天时间。对于大量定制化加工厂、离散制造企业而言，高昂的调试成本，让机器人投资回报周期被大幅拉长，即便硬件成本持续下探，依然很难大规模普及。

Reimagine 提出的 “现场后训练”，本质上重构训练‑部署的业务闭环。机器人硬件抵达工厂之后，并不代表训练工作已经结束，反而是持续学习的开端。一线工人直接拖动机械臂完成动作示范，或是借助遥操作设备演示完整工序；机器人记录下视觉画面、关节状态、力矩信息，系统不会简单回放动作轨迹，而是通过示范条件模型、Flow Matching 流匹配模型学习任务策略。当机器人执行出错，工人现场接管纠正，纠错产生的新数据会源源不断汇入训练集，依托在线行为克隆机制持续迭代模型版本，评测完成之后直接重新下发到机器人本体。完整循环形成：工人示教纠错→产生真机真实交互数据→模型迭代训练→现场验证评测→模型重新部署，周而复始。工厂不仅仅是机器人的作业场地，同时成为源源不断产出真实物理交互数据的训练场。

这套模式最大的价值，是把沉淀在产业工人身上的工艺经验，直接转化为机器人的执行策略，而不是经由算法工程师二次翻译。Jonathan Scholz 对外表示，这套方案目标并不是把人类工人从生产流程剔除出去，而是用机器人放大人力价值：工人不再重复枯燥机械劳作，转而扮演老师，教会机器完成重复工作。实测条件下，完成一项新任务的原型调试时间，从传统模式的一天压缩至十分钟级别。目前这套技术已经落地多个真实项目：在定制塑料制品工厂，机器人经过现场教学完成 3D 打印机取料、按键操作，实现夜间无人值守；在废旧硬盘材料回收项目中，三台机器人组成拆解工作站，依靠工人持续反馈不断优化拆解工艺，实现人机协同迭代生产流程。

放眼整个行业，后训练范式兴起并非偶然。大模型领域已经出现明确趋势：基础预训练做到一定水平之后，边际收益持续降低，行业竞争重心转移到部署之后微调、人类反馈对齐；而具身智能因为直接和复杂物理世界打交道，仿真与现实之间天然存在 Sim2Real 鸿沟，仿真环境很难穷尽现实世界的摩擦、形变、光照、物料公差等海量变量，仅仅依靠实验室与仿真数据训练出来的模型，永远无法覆盖工厂全部长尾工况。真机现场产生的真实扰动数据，是仿真无法替代的宝贵资产，后训练正是弥合仿真‑现实差距的重要路径。

当然新范式同样绕不开现实约束与挑战。首先是数据质量管控难题，工人示教水平参差不齐，错误示范会直接污染训练数据集，如何自动甄别无效样本、过滤错误动作，是产品落地必须跨过的门槛；其次是工业场景对稳定性、安全性的严苛标准，模型在线迭代更新过程中，必须做好风险隔离，避免更新之后出现碰撞、误操作等安全事故；同时，现场持续训练会带来边缘侧算力消耗，对工厂端硬件成本提出新要求。更重要的一点，现场后训练不能脱离基础预训练底座，它不是否定通用基础模型，而是作为补充手段：预训练赋予机器人通用操作先验知识，现场后训练完成面向特定工艺、特定工件的深度适配，二者缺一不可。

放眼国内具身智能赛道，大量企业同样开始关注部署之后的持续学习能力。过去国内行业更多追逐通用大模型参数、仿真平台建设，如今越来越多团队意识到，真正拉开商业化差距的恰恰是真机现场的适配效率。未来具身智能的比拼将分成两个层面：一是基础模型的通用能力上限；二是机器人交付之后，面向千差万别工业场景快速迭代、低成本学习新任务的能力。

实验室当中的性能演示只能代表技术潜力，只有适配制造业复杂多变的真实工况，具身智能才能真正转化为生产力。Reimagine 代表的现场后训练浪潮带给行业重要启示：机器人智能化不应该是在实验室一次性完成的工作，而是发生在产线工位上、伴随生产持续演进的动态过程。如何打通 “预训练‑现场后训练‑持续迭代” 完整链路，将成为接下来工业机器人、人形机器人落地竞争的关键赛道。