Standard Bots 執行長 Evan Beard 與 AI 主管 Leif Jentoft 詳細介紹了其 AI 技術堆疊，該架構強調本地端推理、數據質量優先於數據量，以及硬體與軟體的協同最佳化，以確保在工廠環境中的可靠執行。Standard Bots 宣稱自己是「美國最大的 AI 原生工業機器人製造商」，近期完成由 General Catalyst 和 RoboStrategy 領投的 2 億美元 C 輪融資，估值達 10 億美元，客戶包括 NASA、Amazon 和 Lockheed Martin。
該公司的工業機械臂專為機器維護、焊接和組裝等任務設計。Beard 指出，Standard Bots 擁有一個共享基礎模型，客戶可透過示範和微調進行適應。Jentoft 補充說，他們運行一系列模型，包括用於機器維護的零樣本感知系統。Beard 表示，其最大模型的參數規模在「低十億級別」，按前沿實驗室標準來看並不大。Jentoft 強調：「我們認為數據質量遠比原始數據量重要，我們專注於從目標數據中獲得最大價值，而不是追求最大的數據集。」他還提到，市場准入使他們能獲得最高價值的數據，「現場干預可以用幾十個範例修復邊緣情況。」
在技術實現上，Beard 指出 Standard Bots 專注於短時間範圍任務以滿足生產週期和可靠性要求，對於不需要學習行為的工作流部分使用傳統程式設計。模型訓練在雲端進行，但推理在本地運行。Jentoft 解釋，在機器維護解決方案中，零樣本系統讓用戶告訴機器人尋找哪些零件，模型處理感知（定位和識別零件），而傳統程式處理運動和單元邏輯。該任務的骨幹模型在超過十億張圖像上訓練，使機器人能區分光照條件、材料類型以及物體與背景。
Standard Bots 控制從軟體到硬體的全棧，包括機械臂、末端執行器、控制系統和 AI。Jentoft 指出，這使得他們能夠「協同最佳化模型和控制策略」，並聲稱目前沒有模型是真正硬體無關的，協同最佳化低層控制和高層功能是性能和迭代速度的主要優勢。對於工廠客戶，推理必須在本地進行，因為大多數工廠和倉庫沒有可靠的互聯網連接，且停機時間對客戶接受度至關重要。感測器數據通過內部千兆乙太網路傳輸，邊緣 GPU 處理數據以生成「動作區塊」並流式傳輸到低層控制。
在處理失敗方面，Standard Bots 從部署中捕捉失敗信號和人類修正，數據的使用取決於客戶。許多國防客戶在氣隙環境中部署，數據不回傳；對於非氣隙客戶，艦隊學習帶來的性能收益通常足以讓客戶願意貢獻數據。此外，Standard Bots 推出了 StandardOS 開發平台，提供 API 和 SDK，允許開發者使用其堆疊的任何部分構建機器人應用，包括引入自己的模型（如 NVIDIA Cosmos）。
事件背景
工業機器人通常需要高可靠性和低延遲，由於工廠網路往往不穩定，本地端推理變得至關重要。硬體與軟體協同最佳化涉及將控制策略與模型共同設計以最大化效能。Standard Bots 的競爭對手 Skild 旨在建立「通用機器人智能」，追求跨硬體泛化，這與 Standard Bots 認為沒有模型是真正硬體無關的觀點形成對比。
