SPINE：用智慧體AI彌合網路物理鴻溝
研究人員提出SPINE，一種智慧體框架，可自動除錯和部署雙臂機器人，減少專家校準依賴。測試中，SPINE提高了成功率並縮短了遙操作時間。
近年來，基礎模型為機器人提供了複雜的決策能力，但將這些智慧部署到物理平臺上仍然需要繁瑣且依賴專家的校準過程。這一“部署鴻溝”被視為可擴充套件具身AI的主要瓶頸。為了解決這一問題，研究團隊（Minkyu Ham等10位作者）提出了SPINE（Scalable Physical Integration with ageNtic Expertise）——一種智慧體框架，旨在以最少的機器人專業知識系統化地除錯和部署雙臂機器人。該論文於2026年6月29日提交至arXiv，編號2607.13049。
SPINE的核心由兩個協調的多智慧體工作流組成：一個配置檔案構建器，用於建立機器人特定的上下文，包括其運動學、感測器和控制介面；一個偵錯程式，迴圈執行診斷、修復和驗證，直到遙操作正常工作。這種結構化方法替代了傳統的手動、試錯式的校準過程。
在七個DOBOT X-Trainer除錯場景中，實驗將一名機器人新手使用SPINE的表現與使用Claude Code（相同的參考材料但沒有SPINE的結構化工作流）的人類操作員進行對比。結果令人印象深刻：使用SPINE的新手將操作成功率從75%提高到100%，平均遙操作時間從16分45秒減少到13分47秒，降幅達18%。在另一個基於ROS/CAN的雙臂機械臂AgileX PiPER上，SPINE解決了所有10個植入的bug，而專家基線解決了9個，且耗時幾乎相同。
這些結果表明，SPINE不僅能在單一平臺上表現出色，還能跨平臺轉移，顯著減少對專家校準的依賴。這對推動具身AI向規模化現實部署邁進具有重要意義，因為它降低了機器人部署的技術門檻，使非專業人員也能高效完成任務。未來的工作可能涉及更復雜的任務和更多機器人平臺。