排障框架打破校準限制

大型語言模型與基礎模型賦予機器人複雜的決策能力，但要將這套「大腦」順利部署到真實的硬體平台上，仍需要大量耗時且依賴專家經驗的校準流程。這個從虛擬智慧到實體執行的鴻溝，被研究者比喻為機器人的「脊髓」，也是當前可擴展的具身智慧（Embodied AI）發展的主要瓶頸。為了解決這個問題，來自韓國與美國的研究團隊共同提出名為 SPINE（Scalable Physical Integration with ageNtic Expertise）的框架，透過代理式人工智慧（Agentic AI）來系統性地除錯與部署雙臂機器人，大幅降低對專業校準知識的依賴。 SPINE 的核心設計是一套協作式多代理工作流程，主要包含兩個模組：一是「設定檔建構器」（profile builder），能自動建立特定機器人的專屬上下文資訊；二是「除錯器」（debugger），會循環執行診斷、修復與驗證，直到遙控操作（teleoperation）能夠正常運作。這套架構讓使用者不需要具備深厚的機器人學背景，即可完成過去需要專家反覆調校的步驟。 研究團隊在兩款不同的雙臂機器人平台上測試 SPINE 的效能。第一款是 DOBOT X-Trainer，他們設計了七種除錯情境。實驗中，一位機器人領域的新手使用 SPINE 框架進行操作，結果在所有情境下都成功完成遙控操作，成功率達到 100%；相比之下，對照組的專家操作者使用 Claude Code 搭配相同的參考資料，但沒有 SPINE 的結構化流程，成功率僅有 75%。此外，使用 SPINE 的新手平均耗時 13 分 47 秒即可完成遙控操作，而專家組平均需要 16 分 45 秒，效率提升了近 18%。 第二款測試平台是 AgileX PiPER，這是一款採用 ROS/CAN 通訊協定的雙臂機器人，與 DOBOT 的硬體架構完全不同。研究團隊在 PiPER 上植入 10 個預先設計的 bug，並比較 SPINE 與專家基準的除錯能力。結果顯示，SPINE 成功解決了全部 10 個 bug，而專家基準僅解決了 9 個，且兩者花費的時間幾乎相同。這項結果證明了 SPINE 具備跨平台轉移的能力，並不局限於特定機器人型號或通訊協定。 這項研究由 Minkyu Ham、Dongho Kim、Chan Lee、Jiayi Wang、Min Jun Kim、Yixi Zhang、Guo Ye、Jihai Zhao、Soyeon Park 與 Han Liu 共同完成，論文於 2026 年 6 月 29 日提交至 arXiv 預印本平台，並收錄於 Computer Science 領域的 Artificial Intelligence 子類別中。論文標題為〈SPINE: Bridging the Cyber-Physical Gap with Agentic AI〉，DOI 編號為 10.48550/arXiv.2607.13049。 研究團隊指出，當前基礎模型雖然能讓機器人展現出令人驚豔的決策智慧，但實際部署到硬體時，仍需要繁瑣的校準、參數調整與錯誤排除，這些步驟往往只有受過專業訓練的工程師才能勝任。SPINE 的出現，正是要填補這個「虛擬—實體」之間的斷層，透過代理式 AI 自動化處理除錯與部署流程，讓機器人智慧能夠更快速、更規模化地落地應用。 代理式 AI 的設計理念在於讓多個 AI 代理協同工作，各自負責不同的子任務，並在過程中不斷溝通與調整。SPINE 的設定檔建構器會先分析機器人的硬體規格、感測器配置、通訊介面等資訊，建立一份完整的機器人專屬脈絡；除錯器則根據這份脈絡，逐步診斷遙控操作中出現的問題，提出修復建議，並驗證修復是否成功。如果驗證失敗，系統會自動進入下一輪診斷，形成一個閉環迴路。 在 DOBOT X-Trainer 的測試中，研究團隊特別模擬了新手使用者的情境，顯示即使沒有機器人專業背景，也能在 SPINE 的引導下完成遙控操作。這對於降低機器人部署的技術門檻具有重要意義，尤其針對製造業、服務業等需要快速導入機器人自動化的場域，可以大幅減少對稀缺專家人才的依賴。 此外，AgileX PiPER 的跨平台驗證進一步強化了 SPINE 的通用性。兩種機器人使用的通訊協定與硬體架構截然不同，但 SPINE 無需修改核心框架即可處理兩者的除錯問題。這意味著未來開發者可以將 SPINE 視為一個標準化的機器人部署工具，而不必為每一種機器人重新編寫除錯流程。 整體而言，SPINE 的成果顯示，透過結構化的代理式工作流程，可以系統性地解決機器人從虛擬智慧到實體部署的關鍵瓶頸。研究團隊認為，這項技術將使具身智慧更接近大規模真實世界部署的目標，並為機器人領域提供一套可複用的除錯與部署框架。未來若能進一步整合更廣泛的機器人型號與感測器類型，SPINE 有望成為機器人應用開發中的標準基礎設施。