近年来，基础模型为机器人提供了复杂的决策能力，但将这些智能部署到物理平台上仍然需要繁琐且依赖专家的校准过程。这一“部署鸿沟”被视为可扩展具身AI的主要瓶颈。为了解决这一问题，研究团队（Minkyu Ham等10位作者）提出了SPINE（Scalable Physical Integration with ageNtic Expertise）——一种智能体框架，旨在以最少的机器人专业知识系统化地调试和部署双臂机器人。该论文于2026年6月29日提交至arXiv，编号2607.13049。
SPINE的核心由两个协调的多智能体工作流组成：一个配置文件构建器，用于创建机器人特定的上下文，包括其运动学、传感器和控制接口；一个调试器，循环执行诊断、修复和验证，直到遥操作正常工作。这种结构化方法替代了传统的手动、试错式的校准过程。
在七个DOBOT X-Trainer调试场景中，实验将一名机器人新手使用SPINE的表现与使用Claude Code（相同的参考材料但没有SPINE的结构化工作流）的人类操作员进行对比。结果令人印象深刻：使用SPINE的新手将操作成功率从75%提高到100%，平均遥操作时间从16分45秒减少到13分47秒，降幅达18%。在另一个基于ROS/CAN的双臂机械臂AgileX PiPER上，SPINE解决了所有10个植入的bug，而专家基线解决了9个，且耗时几乎相同。
这些结果表明，SPINE不仅能在单一平台上表现出色，还能跨平台转移，显著减少对专家校准的依赖。这对推动具身AI向规模化现实部署迈进具有重要意义，因为它降低了机器人部署的技术门槛，使非专业人员也能高效完成任务。未来的工作可能涉及更复杂的任务和更多机器人平台。