General Robotics 在 GRID 中推出 Auto-Engineering，用机器人接入、仿真、技能开发和实机反馈串起部署流程；四小时与十至十五分钟数据来自特定实验设置。 机器人接到任务之后，谁来把模型、机械臂、相机和控制接口接成一个能运行的系统？General Robotics 九月九日发布的官方技术文章，把这一工程问题放在了中心位置。公司在 GRID 平台中推出 Auto-Engineering，希望让智能体参与机器人接入、模拟环境构建、技能生成以及实机评估，并把每次调试中确认有效的修复保留下来，供后续任务使用。配图展示的是公司实验台上的真实机械臂倒液体场景。 这次验证从一个实验室任务开始：机械臂从试管架取出试管，在双臂之间交接，再向烧杯倒液体。公司使用两台 Flexiv Rizon，并测试向 UR5e 迁移。对于初始任务，平台组合已有的物体分割、抓取生成和避碰规划能力，没有为该任务重新训练模型；当烧杯开始移动，系统改用模拟数据训练反应式策略。到了搅拌环节，平台则请求人类遥操作示范，再据此微调策略。不同任务采用不同路线，是这篇技术披露中比单一演示更有价值的细节。 实机反馈也暴露出模拟无法提前解决的环节。公司介绍，反应式倒液体要求持续获取烧杯位置，原有分割流程的速度不足，平台因此训练并加入较轻的检测与跟踪组件。对于晃动烧瓶的任务，团队只提供一段手机拍摄的人类动作视频，再由系统重建运动、生成模拟经验并训练策略。这些均是公司披露的实验结果，尚不能视为跨客户生产环境中的独立性能认证。 官方给出的时间口径很具体：在全新 Flexiv 设置上，从接入到首个可运行技能约需四小时；机器人集成、感知适配及控制修复被保留后，同一设置的后续技能最快可在十至十五分钟部署。因此，不能将后一个数字理解为任意机器人首次上线所需时间。我们的判断是，这项进展真正值得跟踪的，是工程经验能否在更换硬件和真实任务后继续复用。若每个新客户仍要重复大部分调试，收益就会受到限制；若修复和验证结果能持续积累，部署软件的价值才可能随着使用扩大。
