外观
新闻Robotics & Automation News今天
TorqueAGI发布时空图世界推理模型，数十次演示实现工业机器人新任务适配
本文由 AI 根据公开内容整理，可能有误，请以原文为准：Interview with TorqueAGI founder: ‘Most robot AI is a language or vision model with robot data added to it’（Robotics & Automation News）
核心内容
由斯坦福博士Ashutosh Saxena创立的TorqueAGI定位具身智能层供应商，历时两年研发World-Reasoning Model。不同于主流VLA模型，该技术采用时空图架构将物理与几何约束内嵌于推理过程，使机器人无需重训即可适应夹爪尺寸变更或传送带位移等工况变化。公司已成为Nvidia Perception Partner，入选John Deere 2026 Startup Collaborator Program，并与Dexterity及多家头部工业机器人厂商完成技术集成。
在数据效率方面，该模型利用客户既有订单历史、设备日志及操作规程作为上下文，新任务仅需数十次现场演示即可掌握，大幅降低数据采集成本。系统支持单臂/双臂机械臂、移动底盘、剪叉式升降机、人形机器人及拖拉机等多形态本体间的物理规律与工作流知识迁移，仅本体运动学与控制参数需单独配置。其Sovereign Physical AI架构强调数据本地化私有部署，通过仿真验证与监督试运行确保工业场景下的安全可靠性。
关键看点
- 时空图推理架构：摒弃纯视觉语言映射，将物体、机器与工作流构建为包含物理几何约束的时空图，支持动作可解释性与工况自适应调整
- 小样本任务适配：融合客户既有运营数据与规程上下文，新任务仅需数十次演示即可掌握，避免万级数据采集与从头训练的高昂成本
- 跨本体知识迁移：物理规律与工作流理解可在机械臂、人形机器人及农机间复用，仅需针对特定本体描述运动学与控制限制即可快速部署
- 产业生态验证：获选Nvidia Perception Partner及John Deere 2026合作伙伴，已与Dexterity协作卸货机器人并集成多家主流工业机器人平台
工程与产业观察
TorqueAGI验证了将物理几何先验嵌入世界模型对提升工业具身智能数据效率的关键价值。其跨本体迁移能力表明，解耦通用物理认知与本体特定控制是降低多机型部署边际成本的有效路径，为工业场景从海量数据采集转向结构化知识复用提供了工程范式参考。
延伸选型与深度对比
基于本文技术方向关联的整机参数、公开报价及同赛道选型横评。
宇树 G1
Franka FR3来源
本页事实对应的公开页面，以原文为准。