[E-DailyHan Kwangbeom 记者]SamsungElectronics(005930)正式公布了以新设立的RX（Robot eXperience）事业推进室为核心，将下一代机器人基础模型（RFM）与世界模型技术相结合的大规模机器人商用化路线图。该计划旨在通过在通用机器人机身上应用自主研发的智能架构，优先推进公司旗下100多家制造工厂的自动化进程，并最终正式进军家用辅助机器人市场。
三星电子于30日在首尔瑞草洞三星总部举行的“三星AI论坛2026”分会场发布会上，公布了机器人基础模型的商用化战略及新一代物理AI研究成果。三星电子RX事业推进室机器人实验室负责人克里斯·豪泽表示：“RX事业推进室是为深入研究类人机器人及机器人在工业和消费领域的应用而设立的组织”，并 “除投资Rainbow Robotics外，我们将优先推进三星100多家工厂和100多条生产线的自动化，并以此为基础，提供协助家务和照护的家用辅助机器人（Home helper）。”
豪泽实验室主任还通过具体数据指出了阻碍类人机器人商业化的经济限制。他解释称，每台机器人约需10万美元的硬件成本（CapEx），加上约10万美元的初期工程费用（NRE）以及约2万美元的年度维护费用（OpEx），按目前状况来看，这将使其成为“地球上最昂贵的工人”。 他明确表示：“为了缩小与年人工成本在4,000至40,000美元之间的人类工人及现有工业机器人之间的差距，我们正在同步推进降低硬件单价和削减AI学习成本。”
◇引入三层“机器人基础模型”……挑战工厂现场99.99%的成功率
豪泽实验室主任提出了作为机器人商业化技术核心的“三层机器人基础模型（RFM）行为堆栈”，该模型由△全身控制（System 0，100Hz）△精密操作及VLA（System 1，10Hz）△高级智能体（System 2，1Hz）组成。 但他指出，机器人技术需要满足工厂现场要求的“99.99%以上的成功率”以及毫米（mm）级精度，而现有的任何层级都未能完全解决这一问题。
针对这一瓶颈，他强调了“以客户为导向的机器人AI”和“多功能AI”是突破的关键研发方向。豪泽实验室主任解释道：“像现有初创企业那样，由工程师花费数月时间进行定制化训练的方式存在局限性”，并表示：“只有达到客户能够亲自仅用数小时就完成机器人训练的个性化阶段，才能实现数百万台的普及。” 随后，他强调：“与其采用粗糙的通用模型，不如优先发展多功能机器人AI——这种AI基于像智能手机更新一样可靠的性能保证，从叠衣服、洗碗等经过验证的功能开始，分阶段进行扩展。”
此外，他还提出了从单个人类视频中学习精密操作能力的“Real2Sim2Real”技术及大规模“机器人数据工厂”的运营计划，并通过在行为堆栈中加入空间感知和知识推理，构建了从“像素-概念-扭矩（Pixels-to-concepts-to-torques）”延伸而来的“混合三层认知架构”。 他补充道：“与其开发能处理多种任务但一遇环境变化就失灵的机器人，我们更将优先推出即使在狭窄范围内也能在无变量条件下以99.99%的准确率完成任务、具备‘环境级通用性’的可靠机器人。”
◇借助“世界模型”攻克机器人长期控制难题……搭载商用化引擎
作为支撑此类机器人基础模型的核心物理智能，三星欧洲研发中心AI中心新一代“世界模型（World Models）”的研究成果得到了详细介绍。 三星欧洲AI研究中心主任（常务董事）蒂莫西·霍斯皮代尔指出：“现有的LLM或VLA等观察型模型主要基于被动观察到的数据进行学习，因此在物理世界中的直接干预以及对因果关系的定量物理推理方面存在局限性。”
他从脑科学视角出发强调：“正如迷宫中站在岔路口的鼠类会在脑海中预想未来路径的结果并选择最佳路线一样，物理世界中的机器人也必须超越单纯反应型的‘系统1’，进化为能够预先设想多种行为结果并深思熟虑的‘系统2’控制模式。”
蒂莫西中心主任特别指出，世界模型实现中最致命的难题是“制定长期计划时产生的误差积累和幻觉”。他解释说，要对机器人进行实时控制，需要1000次以上的递归深度，这会导致运算速度极度下降并造成误差累积。
为正面突破这一瓶颈，三星电子当天发布了首次在arXiv上公开的新技术“Metro-WM”。该技术旨在克服传统方法的局限——即机器人随意生成未亲身体验的虚拟状态时容易陷入错误——通过仅将过去经过验证的实际移动路径构建为地图，从而探索最短路径。
蒂莫西中心主任解释道：“为克服现有规划器在潜在空间中生成幻觉目标的缺陷，我们设定了限制，仅将机器人从历史学习数据集中直接观察到的状态指定为子目标。”他还表示：“基于经过验证的路径网络应用最短路径搜索算法，大幅提高了运算效率。”
据透露，通过这一方法，在各种机器人控制及规划任务中，作业成功率较此前大幅提升了32%以上，同时将学习成本降低了最多56倍，并将推理/规划时间缩短了最多76%。实际上，该技术已在“Lights Out”游戏环境以及受精密摩擦力作用的物理机器人（F3）推块任务中验证了演示成功率。
蒂莫西中心主任表示：“在评估世界模型的预测时，不应关注视觉真实感，而应着眼于其‘实际效用’——即能否帮助机器人在动态环境中成功完成任务”， 并明确表示：“我们将持续推进分层结构的优化以及正确引入归纳偏置的研究，将能够在系统1与系统2控制之间灵活切换的世界模型，作为下一代类人机器人及机器人控制引擎全面集成。”
