跟着机器东说念主公司竞相开发才气日益增强的物理宇宙机器AI模子，TorqueAGI采选了一条不同的说念路：为机器东说念主和开发制造商提供智能层，而非自行打造硬件。
TorqueAGI由机器东说念主研究员Ashutosh Saxena博士创立，近两年来一直在开发和测试一种用于工业机器东说念主和重型机械的"宇宙推理模子"。
该公司暗示，其挨次与很多视觉-说话-动作模子不同，它通过期空架构来暗示物体、机器和责任经过，物理学和几何学组成了模子推理的一部分。
其主义是让机器未必适当变化并从相对较少的演示中学习新任务，同期掌握客户已领有的运营数据。
Saxena在机器东说念主学和东说念主工智能界限领有深厚布景。他在斯坦福大学奴婢AI研究员Andrew Ng完成博士学位，其后成为康奈尔大学教导，教导了RoboBrain名目。
他在机器东说念主捏取方面的研究效力得到了2023年机器东说念主学：科学与系统时刻侦察奖。
TorqueAGI是英伟达感知合作伙伴，并入选约翰迪尔2026年创业相助者策动。
该公司还与Dexterity合作开发夹车卸货机器东说念主时间，并暗示当时间已与多家主要工业机器东说念主制造商的机器杀青整合。
在接受Robotics & Automation News采访时，Saxena解释了不同类型机器之间不错滚动些许智能、TorqueAGI为何以为物理学和几何学应当融入AI推理之中，以及集成责任中仍然存在哪些难点。
他还斟酌了公司的"主权物理AI"架构、让工业AI保持独到化并土产货部署在客户端的情理，以及宇宙模子能否实质性地减少将机器东说念主进入执行工业运营所需的时刻和本钱。
Ashutosh Saxena博士访谈
Robotics & Automation News：TorqueAGI的宇宙推理模子能让工业机器东说念主或机器作念到哪些现存机器东说念主AI模子作念不到的事情？
Ashutosh Saxena：如今大多数机器东说念主AI实质上是添加了机器东说念主数据的说话或视觉模子。它相等擅长将所见内容与已见过的案例进行匹配。咱们的模子责任方法不同。
它将宇宙暗示为由物体、机器和责任经过组成的时空图，这些身分存在于空间中并随时刻鼓舞，物理学和几何学构建于模子的推理方法之中。
执行应用中，这意味着机器在应付变化时不需要从新再行老师。要是夹爪变小了，它司帐算出新的捏取方法。要是传送带挪动了半米，它会相应救援。
它还能解释我方为何采选某个动作，这一丝关于需要署名批准挪动重物机器的工程师而言相等热切。它还能掌握客户已有的数据，如订单历史、开发日记和操作要领，而不消恭候数千次新的演示。
R&AN：您提到该模子只需少许演示即可学习新任务。具体需要些许次？在机器未必可靠实践该任务之前，常常还需要哪些额外的老师或工程责任？
AS：关于一项新任务，咱们常常需要几十个示例，而非数万个。这些示例常常来自客户自身的运营，实在的变化就存在于那里。
示例仅仅其中一部分。在责任现场，新职工被演示一项任务几次后就能快速上手，因为他们已司认知物理宇宙若何运作，而咱们的模子亦然从相通的来源开动。
客户所提供的是情境信息：他们的操作要领、安全限制、开发日记。然后咱们会在仿真环境以及客户现场的有东说念主监督运行中考证量度行径，之后机器才会无东说念主值守地责任。
主义是让工程进入用于针对该现场的查抄和调优，而非用于集聚海量数据。
R&AN：不同机器东说念主和机器之间究竟能滚动些许常识？举例，在机械臂上学到的东西能否对东说念主形机器东说念主、农业机械或工程车辆灵验？
AS：可滚动的部分是对物理宇宙和责任经过的认知。物体会掉落，转弯时负载会挪动，两个实体不成占据合并空间，托盘必须按一定法则码放。
这些齐不属于某一种机身。合并个模子也曾运行在单臂和双臂机器东说念主、挪动平台、剪叉式升降机、东说念主形机器东说念主以及浮泛机上。
不成自动滚动的是机身特有的细节：某台特定机器若何挪动、其限制是什么、其胁制系统若何反应。
这些需要针对每台机器单独形容。重要在于咱们形容机身，但保留智能，而不是为每台新机器再行开动。
R&AN：您的模子将物理学和几何学纳入其推理过程。这与现在正在为机器东说念主学开发的视觉-说话-动作模子额外他宇宙模子有何不同？
AS：视觉-说话-动作模子将机器东说念主所见加上指示映射到应实践的动作。它们从无数演示数据中学习这种映射干系。宇宙模子展望接下来会发生什么，其中很多是从超大范畴的视频数据中学习的。
咱们的模子诞生在时空图之上，将宇宙暗示为在空间中发生并随时刻鼓舞的事物，物理学和几何学是结构的一部分，而非需要模子从示例中想到出来的东西。
这使它未必在合并个系统中展望后果并采选动作，这便是咱们称该居品为宇宙模子的原因。但这是与上述两个阵营齐不同的道路，执行互异在于它不需要屡次见过某种情形才气对其进行合理推理。
R&AN：TorqueAGI提供智能而非打造机器东说念主硬件。与不同制造商的机器东说念主、传感器和胁制系统进行整合有多难？大部分集成责任仍聚会在那儿？
AS：集成如实是实实在在的责任，我不会讳饰这一丝。咱们也曾与Dexterity、川崎机器东说念主、库卡、伯克希尔格雷、Universal Robots和ABB的机器东说念主完成了整合，每一次齐让咱们学到了能让下一次更快完成的告诫。
因为智能存在于对责任经过的认知之中，而非存在于特定机身之中，是以模子自身在不同机器之间变化不大。
剩余的大部单干作聚会在机器端：衔接制造商的胁制接口、校准传感器，并确保模子死守该机器的安全系统和限制。
这亦然制造商能提供最大匡助的处所，亦然咱们手脚模子供应商与机器制造商合作的原因。
R&AN：您的"主权物理AI"架构对工业客户在执行操作满意味着什么？与使用基于云的分享模子比拟，为安在旯旮进行土产货运行和学习很热切？
AS：执行上，这意味着一个共同的基础，每位客户在我方的机器上运行专属的独到模子。模子在土产货学习，死守该客户自身的操作要领，所学到的内容留在该客户手中。你的机器，你的数据，你的智能。
这一丝热切有三个原因。
领先是运营方面：机器不成因为集聚中断就失去智能，因此感知和安全决议必须在机器端完成。
其次是胁制权：使用分享模子时，你的运营常识会输入到一个其他通盘客户——包括你的竞争敌手——也在使用的"大脑"中，何况供应商更新模子时，这个大脑可能在你不知情的情况下发生变化。
第三是问责和合规：工业开发必须经过测试和认证，而将于2027年1月起奏效的欧盟机械法例将AI驱动的安全功能视为高风险。
你无法在一个无法进行版块握住和测试的模子基础上为机器作念认证。分享模子的雠校速率更快，我不否定这一丝，但关于重要开发而言，我以为通盘权更为热切。
R&AN：归根结底，这种挨次能否切实镌汰部署工业机器东说念主所需的本钱和时刻？您能否分享企业试点名目或与约翰迪尔、Dexterity等公司合作的凭据来解说这一丝？
AS：不错，原因很浅易。部署机器东说念主中代价文静的部分很少是机器东说念主自身。而是数据集聚、适当每种新址品或布局，以及考证扫尾。一个未必从客户现存数据中推理和学习的模子，不错同期处治这三个问题。
在凭据方面，在一次大型仓库部署中，咱们在70万份订单中耕种了装箱密度，在这一业务中，百分之一到二的耕种已属可不雅。
在一家重型开发客户的案例中，一个仅用6000个事件老师的模子，其进展与一个花消九年、蕴蓄七百万个事件建成的系统特等。咱们的模子还扶持Dexterity的卡车卸货机器东说念主，咱们亦然约翰迪尔2026年创业相助者策动的一部分。
我思补充的是开yun体育网，实在正确的侦察范例是客户所经受的范例：坐蓐线能否在通盘班次中接续以预定速率运转。这是咱们饱读舞买家向每一个供应商商讨的数字。
