英国机器人及人工智能公司Humanoid近日发布了一项引人关注的新成果——KinetIQ Ascend。这套基于强化学习的创新方案目标明确：将机器人的操控可靠性提升至99.9%，同时实现与人类相当甚至更快的操作速度。

在此之前，Humanoid已拥有KinetIQ平台，本次升级的核心在于引入了试错学习机制——即让机器人在真实的工业任务中反复尝试、自我修正，通过迭代不断优化表现。

该系统已在多项任务中完成测试，涵盖从料箱中抓取零件、向人类工人递送物品，以及双臂协作搬运容器等场景。结果显示，它在多种操控应用中均展现出良好的泛化能力。

具体来看，在一项机床上料任务中，机器人需从料箱中抓取钢制轴承环并放置到传送带上。采用KinetIQ Ascend后，吞吐量直接提升42%，操作速度达到原始示教演示的1.5倍。这并非虚拟物体的搬运，而是真实工业场景的实测数据。

另一项更具挑战性的任务：机器人需从杂乱料箱中取物并递交给操作人员。在此场景下，系统吞吐量提升85%，任务成功率从80%跃升至98%。值得注意的是，这是在高度不确定的杂乱环境中随机抓取的结果。

随着操控场景复杂度增加，KinetIQ Ascend的表现反而更加突出。在第三项双臂协作搬运任务中，机器人需用双臂将料箱从工作台抬起。结果显示：吞吐量翻倍以上，成功率从78%提升至99%，失败率降低约二十倍。最令人印象深刻的是，这些成果均仅通过数天训练即可达成。

这些数据表明，KinetIQ Ascend代表了一种开发机器人能力的新范式——从高速单臂抓取到复杂的双臂协作搬运，各类实际生产任务均可适用，且效果扎实。

另一个有趣的发现是：随着训练时间延长，机器人性能呈现可预测的稳步提升。这一规律与大语言模型随着算力和数据量增加而性能改善的扩展趋势颇为相似。Humanoid在仿真实验中观察到的扩展趋势表明，该方法甚至具备将可靠性提升至100%的潜力。

此外，这套新方法还带来两项额外优势。第一，无需优化工作流程的每个环节——只需攻克最困难的一步，整体任务效率即可随之提升。第二，机器人学到的技能可以泛化迁移至训练阶段未见过的新物体，这在实际生产中具有巨大价值。

Humanoid首席技术官贾拉德·坎农对此有一段很实在的评论：“人形机器人的竞争正演变为规模之争，而真实世界的强化学习可成为破题的核心手段。过去需要数月人工调优的机器人，如今仅需数天便能超越人类示教演示的水平。KinetIQ Ascend作为我们真实世界强化学习的方法，提供了一种开发机器人能力的全新思路。我们不再需要花费数月时间收集数据、逐项手动调优每项新技能，而是从基础行为出发，让强化学习将其打磨为可部署的成熟能力——这一过程，我们将其描述为构建‘能力工厂’，标志着人形机器人从令人印象深刻的演示走向工业界真正可依赖的生产力工具。”

Humanoid已发布详细的技术报告，其中包含KinetIQ Ascend的完整方法论——涵盖训练基础架构、算法解决方案及所有实验结果分析。感兴趣的读者可深入了解。

Q&A

Q1：KinetIQ Ascend是什么？它能解决哪些问题？
A：KinetIQ Ascend是英国机器人公司Humanoid推出的强化学习系统，核心目标是在工业场景中将机器人的操控可靠性提升至99.9%，同时保持人类级别甚至更快的操作速度。与传统方法不同，它无需数月人工数据采集和手动调优，而是从基础行为出发，通过强化学习在数天内使机器人能力达到可部署状态。

Q2：KinetIQ Ascend在实际测试中表现如何？
A：在多项工业任务测试中表现突出：钢制轴承环上料任务吞吐量提升42%，速度达到人类示教的1.5倍；杂乱料箱取物并递交任务吞吐量提升85%，成功率从80%升至98%；双臂协作搬运任务吞吐量翻倍，成功率从78%升至99%。所有结果均在数天训练内实现。

Q3：KinetIQ Ascend的技术原理与大语言模型有什么相似之处？
A：两者存在类似的扩展规律——随着训练时间和计算资源增加，性能呈现可预测的稳步提升。Humanoid通过仿真实验验证了这一趋势，认为该方法具备将可靠性持续提升至100%的潜力。