要点

• 发那科与英伟达协作，整合三层：仿真中的学习、与实机控制的对接、机器人端的AI推理。

• 演示中，双臂协作机器人“CRX”学习熟练工的动作后折叠了T恤。单件处理时间、成功率、改变摆放后的可复现性均未公布。

• 核心是让实机同款的发那科控制在仿真中运行，缩小“仿真到实机”差距中控制响应的偏差；环境差异不会因此消除。

• 据英伟达介绍，边缘AI“Jetson Thor”(模块为Jetson T5000)的AI算力达到此前模块的7.5倍以上。但避障动作的响应能快多少并未说明。

• 计划把全系列机器人的3D模型整备为“SimReady资产”。设想用途为汽车、物流、食品，商业化导入时间未定。

双臂机器人的演示，与三层技术整合

发那科与英伟达的协作，大致分为三层：仿真中的学习、与实机控制的对接，以及机器人端的AI推理。

流程如下。先用英伟达的仿真“Isaac Sim”大量生成摄像头图像与机器人动作，训练AI模型；再把它与发那科的仿真软件“ROBOGUIDE”和实机控制对接，把仿真中生成的动作迁移到实机；在实机侧，边缘AI“Jetson Thor”负责图像识别与推理。工厂的3D资产在“Omniverse”(OpenUSD)上汇总，机器人基础模型采用“Isaac GR00T N”。

目前能确认的，是基于这一构成的演示。最具代表性的，是双臂协作机器人“CRX”折叠T恤：学习了熟练工动作数据的双臂机器人，从摄像头画面读取布料状态并完成折叠，意在降低对夹具和固定轨迹的依赖，处理柔软、形状不定的对象。不过，单件处理时间、成功率，以及改变布料摆放方式后的可复现性，均未公布。这并非量产线的商业化导入，而只是展示能力的演示阶段。

发那科计划把从负载3千克的小型协作机器人“CRX”到2.3吨大型工业机器人的全系列3D模型，整备为“SimReady资产”，输送机、PLC和光学传感器也被列为整备对象。但这些模型除外形之外，在多大程度上还原质量与控制延迟、各模型何时提供，需要分开来看。

为何是现在——多品种化推高示教与夹具工时

长期以来，工业机器人依赖两样东西：人在现场逐一教动作的“示教”，以及为每种对象定制的专用夹具。多品种化让换产频率上升，逐一设计夹具、调整轨迹便推高了产线启动工时。

在这部分工时中，动作验证与重新示教能否向仿真迁移，正是此次协作的着眼点。英伟达不只与发那科合作，还与ABB、安川电机、德国KUKA、优傲等携手，正联合多家机器人厂商推进具身智能。竞争轴心正从机器人本体性能，扩展到仿真模型的精度、与实机控制的对接，以及学习环境的提供范围。就发那科而言，没有可断定其优于同行的依据，但把实机同款控制引入仿真侧，是此次的特点。

技术要点——能缩小的缺口，和缩不小的缺口

技术上分量最重的，是让仿真中的机器人以与实机完全相同的发那科控制算法运行。

仿真与实机行为不一致的“仿真到实机(Sim-to-Real)”缺口有两层：控制响应的偏差，以及图像、光照、摩擦、工件个体差异等环境条件的偏差。让实机同款控制在仿真侧运行的做法，属于缩小前者——控制响应之差——的手段。后者的环境差异，仍需靠学习数据的打磨和实机上的微调另行解决，并不会仅凭这一做法就消失。

实机侧的边缘AI“Jetson Thor”(模块名Jetson T5000)，据英伟达介绍把AI算力提升至此前模块的7.5倍以上。如果算力余量增加，理论上将更易于在实机端处理感知周边环境并动态避障等任务。不过，这一性能差距能在多大程度上改善识别延迟或避障响应时间，并未说明。

在编程方面，也演示了由自然语言指令生成Python代码。方向是补充示教器(TP)语言的手动示教，但生成的代码由谁校验、如何转换为发那科的控制程序并在实机上运行，仍是另一道工序。

现场能从哪些环节先仿真化

具身智能瞄准的，是把机器人导入的部分环节向仿真前移。但各环节可替代的范围并不相同。

在产线导入阶段，借助“虚拟调试(virtual commissioning)”，可在现场作业前于仿真中验证干涉与可达范围。不过，保持工件、保证质量所需的夹具并不会就此消失，需要区分哪些环节可仿真化、哪些不能。取件环节，若能用3D视觉与物理计算求出位置与姿态，便可降低对专用夹具和送料器的依赖。

安全方面需谨慎区分。感知周边环境并实施动态避障的控制，有可能作为降低停机频率的一种辅助手段；但它能否替代隔离运行或安全传感器的停机，要连同安全认证与故障时的停机设计另行验证。动态避障与依据标准的安全功能，不能放在同一层面来谈。

就分工而言，发那科负责实机控制与机器人资产，英伟达负责仿真、学习平台与边缘算力。能否奏效，取决于双方的软件更新，以及出现故障时的责任边界能否在量产现场管理好。

焦点——从演示到量产，用总导入时间衡量

两家还描绘了把仿真中学到的控制持续反映到实机的构想：夜间跑训练，次日清晨下发更新。但现阶段给出的只是构想，更新频率、投入实机前如何验证，都尚不清楚。

要做导入判断，该比较的不是技术新意。而是相对于传统方式，①产线启动时间、②单周期处理时间、③改变条件后的成功率、④安全验证所需工时——这些如何变化。若把夹具与安全设计都算进去的整体工时不下降，仅凭AI算力提升，并不能带来投资回报。