Standard Bots 访谈：自称美国最大的 AI 原生工业机器人厂商，刚以 10 亿美元估值完成由 General Catalyst 与 RoboStrategy 领投的 2 亿美元 C 轮，客户含 NASA、Amazon 与 Lockheed Martin。其经验是把模型职责收窄——感知（定位与识别零件）交给在超过十亿张图上训练的零样本系统，运动与单元逻辑仍用传统编程；最大模型只有低数十亿
Building AI for Reliable Execution: Lessons From Industrial Robotics
这期访谈的对象是 Standard Bots——一家自称「美国最大的 AI 原生工业机器人制造商」的公司，其机械臂用于机床上下料、焊接与装配。文中给出的商业事实是：它刚完成 2 亿美元的 C 轮融资，估值 10 亿美元，由 General Catalyst 与专注机器人的 RoboStrategy 领投，客户包括 NASA、Amazon 与 Lockheed Martin。技术取向上联合创始人兼 CEO Evan Beard 与 AI 负责人 Leif Jentoft 说得很明确：有一个共享基座模型，客户通过演示与微调去适配；最大模型参数量在低数十亿这一档，按前沿实验室标准并不算大；「数据质量远比原始数量重要」，边缘个案靠几十例现场干预就能修好。落地方式是把职责切开——机器上下料用一套零样本感知系统负责找与认零件，运动控制与单元逻辑仍走传统编程；感知的骨干在超过十亿张图像上训练，因而能区分光照、材质与前景背景。推理刻意放在本地：边缘 GPU 处理腕部相机与传感器数据、生成「动作块」再流向底层控制，因为多数工厂与仓库没有可靠网络、停机时间直接影响客户验收。他们也承认仿真不是万能的——涉及液体、吸附、切割柔性材料的任务当前难以复现，因此生产失败信号与人工纠正也被回收用于改进。平台侧 StandardOS 开放 API 与 SDK 供外部开发者自建机器人应用，文中提到 NVIDIA Cosmos 这类世界模型可作为其上的模型选项。
行业#Amazon#NVIDIA
推荐理由：把「物理 AI 难在部署不在模型」讲成了可抄的工程清单（本地推理、职责切分、几十例修边缘个案），对做机器人的团队有直接迁移价值。
