Ricoh于2026年8月31日宣布开发一项物理人工智能（Physical AI）技术，旨在通过图像数据教导机器人执行与人类工作相关的动作，而不是将模型直接绑定到特定的机器人结构或控制机制上。该公司表示，已在基于物理条件构建的仿真环境中验证这项技术的有效性，目标是将训练从仿真环境迁移到实际机器人。
这一步是Ricoh扩大人工智能业务布局的一部分，同时也与其参与AWS Japan推动Physical AI开发的计划相配套。该计划提供计算资源和云服务，以支持模型训练和测试。
从动作中学习，而不是记住机器人指令
该技术基于Latent Action Model（LAM），即潜在动作模型。模型通过学习工作过程中记录的图像或视频变化，推断出抓取物体、移动物体、移开物体或移动目标元素等动作。根据Ricoh的描述，LAM重点学习场景中实际发生的行为，即使监控数据没有明确描述所有运动细节或指令。
该公司指出，这种方法可以降低学习对某一特定机器人规格的依赖，因为模型学习的是动作的通用表示，而不是仅学习与特定关节或控制机制相关的指令。此外，还可以使用人类和机器人执行动作的数据训练模型，再利用其输出开发结合视觉、语言和动作的Vision Language Action模型。
实际会发生什么变化？
Ricoh试图解决的问题在于训练数据收集成本。由于每种机器人的结构和控制机制不同，通常需要为每台设备单独收集数据，而在人形机器人中，这一过程会变得更加复杂。该公司认为，将动作表示与机器人结构分离，可能有助于更大程度地重复利用数据，并支持将模型适配到多种任务和机器人。
这并不意味着该技术已经消除了对机器人专属数据的需求。文章说明，Ricoh利用仿真环境进行学习，然后依靠Sim2Real技术将结果迁移到真实机器人，同时继续验证解决方案是否适用于不同机器人和多样化的工作环境。
AWS在训练和仿真中的作用
Ricoh使用AWS云服务，包括Amazon EC2和Amazon S3，来构建可扩展的学习环境、存储数据并运行模型训练。该公司表示，将仿真与云服务结合，有助于降低物理数据收集成本，并能够更高效地利用大规模数据进行训练。
这项计划属于Ricoh已公布的人工智能转型愿景，该愿景包括从人工智能文档、生成式人工智能和人工智能代理开始，逐步发展到能够与物理世界互动的Physical AI代理。据文章介绍，该公司正在探索其在办公室、工厂、物流和护理领域的潜在应用。
为什么这则消息值得关注？
这项发展的重要性在于，它试图解决人工智能机器人面临的一项实际障碍：如何减少针对每种机器人或每项任务重新收集数据和训练模型的需求？LAM为利用更通用的视觉数据学习动作提供了一条路径，但它本身并不能证明该技术已经具备大规模生产部署的条件。
目前公布的结果仍与仿真环境和验证测试相关。Ricoh表示，已开始在工厂中为人形机器人开展概念验证应用，并正逐步推进到更高级的验证阶段。因此，尚待回答的问题仍包括从仿真迁移到现实的成功程度、所需数据量，以及机器人、任务和运行环境发生变化时性能的稳定性。