GPT和Claude，开抢机器人大脑公司饭碗

机器人前瞻（公众号：robot_pro）
作者 许丽思
编辑 漠影

机器人前瞻10月16日报道，这两天，两家机器人公司接连展示了AI Agent在机器人领域的新进展。

一边，MicroFactory利用Opus、Astra等通用大模型，让两台机械臂连续1.5小时自主装配电子产品，全程零错误，甚至完成了团队原本认为无法全部自动化的操作。

另一边，Poke & Wiggle让Claude做起了具身研究的活，自主阅读论文、编写算法、训练模型，再调用真实机器人开展测试。其团队累计完成超过6000次真机测试，尝试复现10篇机器人研究论文的核心结论。

这两项进展，其实也是通用大模型影响机器人领域的两条重要路径：一是直接参与机器人的任务决策与执行，二是成为具身研究员，参与机器人控制方法的研发、验证与改进。

通用大模型，正在显露出改变具身智能行业的研发与迭代节奏的迹象。

过去，机器人行业一直在想办法造出更聪明的AI大脑，现在，一个新的可能性正在出现：推动下一代机器人大脑进化的，或许正是通用大模型自己。

一、弃用VLA、全量改用LLM，机器人1.5小时零错误装配

MicroFactory是美国一家开发模块化机器人制造单元的公司，主要面向电子产品组装等多品种、小批量制造场景。

今天，MicroFactory创始人Igor Kulakov透露，过去一个月，该公司在一项客户部署中，已经弃用VLA，全面转向使用通用大语言模型控制机器人。

在公开的视频中，两台机械臂在一个封闭式工作单元内协同作业，抓取不同零件，并将它们组装成客户的电子产品。

Kulakov称，机器人在测试中连续自主运行1.5小时，并且没有出错。

更令团队意外的是，最初他们预计只能自动化其中90%的操作，但最终实现了全部操作的自动化，而且没有更换原有的灵巧夹爪。

不过，Kulakov也提到，如果使用吸盘，部分操作可能更加快速、简单。

1、打造一个增强版的System 1/System 2架构

这背后的关键，是通用大模型与传统机器人控制程序的分工，Kulakov将这套方案形容为一个增强版的System 1/System 2架构。

其中，高层推理主要由基于Opus和Astra的AI Agent负责，承担任务理解、算法选择和代码开发等工作；针对快速执行层，则可以交给模型编写的计算机视觉程序，这些程序运行速度快、易于修改、可靠性高。

此外，这套架构还带来了两项额外能力：

一是上下文学习（In-context Learning），这是大模型本身具备的一项基础能力，使系统能够利用当前上下文中的信息适应任务。

二是持续学习（Continual Learning），每当遇到新的情况时，大模型便会介入，根据新情况调整和优化整个处理流程，使系统能够持续适应新的任务需求。

2、驱动机器人完成整理零件、高精度插装等任务

在演示中，MicroFactory展示了这项电子产品组装设计的几项具体的机器人操作。

首先，是从随机堆放的零件中取出目标物体，并调整到正确朝向。对于这类任务，机器人不仅需要识别目标，还要解决零件朝向不一致的问题。

MicroFactory采用的方法，是在工作区域增加一个辅助平台。机器人先从零件堆中抓取物体，将其放到平台上，必要时翻转零件，再以正确的朝向重新抓取。

针对高精度插装，在装配过程中，机械臂抓取零件后，还需要精确调整位置，才能将其插入对应部位。

MicroFactory让大模型编写代码，收集一个小数据集，再利用这些数据训练一个线性回归模型。该模型根据视觉反馈修正零件的位置，使机械臂在插装前完成更精确的对齐。

这意味着，通用大模型不仅能够生成控制代码，还能够组织简单的数据采集和模型训练，为特定操作建立辅助算法。

针对螺丝抓取的操作，Kulakov表示，机器人原本也可以采用类似零件翻转的方法抓取螺丝，但考虑实际效率，团队最终选择使用一台价格仅300美元的自动螺丝供料器。

不过，Kulakov也承认，当前基于代码的控制方式更适合受约束环境中的重复性任务，尚不适用于家庭清洁等非重复性、非结构化的工作。

对于需要根据环境变化不断重新决策的任务，直接调用大模型控制机器人仍然存在速度等方面的限制。

所以，MicroFactory此次展示的进展，并不是通用大模型已经具备全场景机器人控制能力，而是通过代码生成、简单模型训练与现有硬件结合，开始承担一些机器人系统集成和任务开发工作。

二、Claude开始搞机器人科研，6000多次真机实验验证10篇论文

除了实际控制机器人，通用大模型还开始像一个研究员一样，承担机器人科研工作。

10月14日，机器人公司Poke & Wiggle公布最新成果：该公司利用Claude Opus 5.5，让AI Agent尝试复现10篇近期机器人研究论文的核心结论，累计完成超过6000次真实机器人测试。

根据公司联合创始人Nicolas Keller披露的结果，部分论文的核心结论成功复现，部分方法的实际效果低于原论文报告，还有一些方法未能在其机器人平台上复现。

1、从读论文到真机实验，AI接手完整的机器人科研流程

为了让AI自主开展研究，Poke & Wiggle在德国慕尼黑建设了一座机器人实验场，并通过自研Poker平台，将数据采集、模型训练和真机评测等功能封装为标准化API。

在这套系统中，研究团队只需提供论文及需要验证的结论，AI Agent便可自主阅读论文、选择实验任务、编写算法代码，并调用GPU训练模型。

训练完成后，Agent还能申请真实机器人测试，将新方法与基线模型进行比较，分析任务成功率及完成进度。

整个流程主要由Claude Opus 5.5驱动，实验人员则负责场景准备、环境复位及质量检查，研究人员在必要时介入审核。

为保证实验的可比性，平台还会控制物体初始摆放，使不同模型在相同场景下接受测试。

2、复现10篇论文，部分方法效果得到验证

此次复现的10篇论文，涉及机器人动作表示、视觉特征、策略学习和数据筛选等多个方向。

其中，Patch Policy和DSD的部分核心结论得到成功复现。

Patch Policy提出利用密集视觉特征改善机器人控制。在Poke & Wiggle的实验中，相比使用单个CLS Token，密集视觉特征使任务成功率提高22个百分点。

DSD（Direction-Scale Decomposition）是一种动作表示法，通过将机器人动作拆分为方向和幅度进行编码，提高动作学习效果。

在这项实验中，Claude首次连续自主运行约25小时，却得出了DSD没有明显改善成功率的结论。

研究人员检查后发现，Agent擅自修改了原论文规定的基线归一化参数，影响了实验结果。

经过人工纠正并重新训练后，DSD的平均成功率从传统方法的32.0%提高至45.3%，提升13.3个百分点。

除了论文复现，Poke & Wiggle还展示了AI Agent自主调试的能力。

一次实验中，Agent发现机器人连续10次测试的成功率均为0%，便主动下载运行日志，定位到自己修改的推理代码存在问题，随后回滚代码、更新部署镜像并重启实验。

从发现异常到修复后的实验开始运行，耗时不到35分钟。

团队还让Agent自主接入微软新发布的VLA模型Rho，并在次日完成模型集成、训练及真机测试，在倒螺丝任务上取得87%的成功率。

不过，Poke & Wiggle也提到，AI Agent仍会误解论文或忽略代码审查中发现的问题，关键科研判断依然需要人工介入。

结语：站在 Bitter Lesson正确的一边

AI研究者Richard Sutton曾在《The Bitter Lesson》中指出，从长期来看，能够充分利用计算规模增长的通用方法，往往比依赖人类经验设计的专门方法更具潜力。

MicroFactory创始人也坦言，采用前沿通用大模型，意味着站在了“The Bitter Lesson”正确的一边，能够直接受益于全球投入数十亿美元研发的前沿模型，而不必独自承担基础模型的研发成本。

Poke & Wiggle的探索则进一步表明，通用大模型带来的价值不只体现在机器人执行任务上，还可能延伸到机器人控制方法的研发与改进，让AI参与过去需要研究人员反复完成的编程、训练和实验工作。

这也意味着，未来机器人行业的竞争，或许不仅在于谁能造出更聪明的机器人大脑，还在于谁能更快地将通用AI的进步，转化为机器人在真实世界中的新能力。