英国机器人公司Humanoid表示,已完成概念验证测试,证明其轮式机器人可在生产环境中部署,协助汽车制造工作。
概念验证测试展示机器人生产能力
Humanoid与SAP和汽车零部件供应商Martur Fompak合作,演示了其HMND 01 Alpha轮式机器人在仓库工作中的适用性。该机器人采用躯干加双臂设计,安装在轮式平台上。
在测试中,机器人负责处理物流拣选工作流程。任务包括接收SAP AI智能体的指令,在工作区域内导航至指定托盘,提取相应的KLT箱子并放置在手推车上。公司声称,重复执行此类订单履行流程任务证明了机器人的实用性。
技术架构支撑多机器人协同作业
测试期间,机器人依赖Humanoid的KinetIQ技术栈和SAP Business AI。KinetIQ专门用于协调多个机器人的操作。
Humanoid机器人通过SAP Joule智能体层连接SAP的API接口,使机器人能够通过互联网从SAP扩展仓库管理系统接收任务指令。
测试从1月持续到2月,涵盖机器人开发、内部测试、现场准备和部署等环节。参与人员表示,机器人表现良好,在8公斤双臂载荷限制内成功处理了三种不同类型的手提箱。
行业专家看好人形机器人发展前景
SAP SE具身AI与机器人团队负责人Lukasz Ostrowski博士将该项目描述为机器人满足商业需求方式的转变。他在声明中表示:"制造业的概念验证让我们展示了人形机器人如何通过提供商业环境感知能力并与现有工作流程集成,成为企业运营的延伸。"
Humanoid创始人兼CEO Artem Sokolov称赞此次测试证明了人形机器人能够在生产环境中运行,同时连接真实的企业系统。他表示:"这是实验与部署之间的桥梁。"
商业化仍面临多重挑战
然而,这座桥梁可能比表面看起来更长。去年,国际机器人联合会(IFR)在研究人形机器人现状时得出结论,在人形机器人比传统工业机器人更实用之前,仍存在各种障碍。
成本是主要障碍之一。IFR在其立场文件《人形机器人:愿景与现实》中指出,材料和组件的高成本以及设计和编程的复杂性"使人形机器人在成本效益运营方面难以承受"。
虽然未来五到十年将出现更多人形机器人,但在规模经济改善之前,更不用说安全性、电池寿命和灵活性的提升,人形机器人才能变得实用。
IFR表示:"人形机器人预计不会取代目前市场上的机器人类型。相反,它们将补充和扩展现有技术,如工业机器人和自主移动机器人,同时引入机器人编程的新方法。"
Q&A
Q1:HMND 01 Alpha轮式机器人的主要功能是什么?
A:HMND 01 Alpha轮式机器人采用躯干加双臂设计,安装在轮式平台上,主要用于仓库物流拣选工作。它能够接收SAP AI智能体的指令,在工作区域内自主导航至指定托盘,提取相应的货物并放置在指定位置,在8公斤双臂载荷限制内处理多种不同类型的物品。
Q2:人形机器人在制造业大规模应用还需要多长时间?
A:根据国际机器人联合会的分析,人形机器人商业化仍面临成本、安全性、电池寿命和灵活性等多重挑战。虽然未来五到十年将出现更多人形机器人,但需要在规模经济、技术性能等方面取得显著改善后,才能在制造业实现大规模实用化部署。
Q3:人形机器人会完全取代传统工业机器人吗?
A:不会。据国际机器人联合会表示,人形机器人预计不会取代目前市场上的传统工业机器人和自主移动机器人等现有技术。相反,人形机器人将作为补充和扩展,与现有机器人技术协同工作,同时为机器人编程引入新的方法和应用场景。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。