機器人產業近年吸引大量資金投入，投資人賭的是這個領域即將迎來自己的 ChatGPT 時刻。但一群 Google DeepMind 前工程師創立的新創公司 Reimagine Robotics 認為，真正卡住機器人商用化的關卡，不是技術能力不夠，而是訓練資料嚴重不足。
他們的解方，是讓客戶自己動手教機器人做事。
機器人缺的不是模型，是資料
大型語言模型能靠海量網路文字訓練出強大能力，機器人領域卻沒有對應規模的真實世界資料可用。加州大學柏克萊分校機器人學者 Ken Goldberg 提出「十萬年資料落差」的概念，即目前已知最大的機器人訓練資料集，內容量僅相當於一年份的操作經驗，相較之下，若要讓一個人讀完、看完訓練頂尖 AI 模型所用的全部文字與圖像，估計得花上 10 萬年。
Reimagine 創辦人暨執行長 Jonathan Scholz，過去正是在 DeepMind 帶領應用機器人團隊長達七年，他曾主導三個機器人專案，卻都在試點階段就宣告失敗，這段經歷讓他意識到問題並不單純出在技術能力上：
「真正需要做到的，是讓實際理解工作內容的第一線人員，能夠使用並調整這些機器人。」
這個體悟促使他與 Oleg Sushkov、Akhil Raju、Misha Denil 等前同事共同創立 Reimagine，並在 2026 年 8 月 3 日正式對外公開，公司同時在倫敦與雪梨設立據點，目前已獲創投公司 Fly Ventures、Firstminute Capital 與多位未具名天使投資人挹注種子前輪資金，並正在尋求下一輪投資，以擴大團隊與部署規模。
讓客戶自己教機器人，訓練時間大幅縮短
既然資料無法一步到位，Reimagine 選擇換一種取得資料的方式：與其等待龐大訓練資料集出現，不如讓現場的人直接示範。
Scholz 表示，公司旗下的機械手臂與組裝機器人，採取「猴子看猴子學」的訓練模式，客戶只要示範一次任務動作，觀察機器人的嘗試結果，再透過手動操作機械手臂進行修正，就能完成訓練，這個過程在 AI 領域稱為「後訓練」。讓知識來源從專業整合工程師，轉移到實際操作機器的第一線人員身上。
這套做法已在實際場域驗證成效。Reimagine 與多家製造業者合作測試機械手臂，其中一套由 3 台機器人組成的工作站，專門用於拆解廢棄硬碟、提煉關鍵材料，把組裝出堪用原型所需的時間，從原本的一天，大幅縮短到 10 分鐘。
更重要的是，Scholz 觀察到，第一線員工上手後會主動發想新的應用情境，並自行訓練機器人完成這些任務，不必仰賴原廠團隊飛來現場排除問題。他認為，這種讓現場人員能親自動手監督與調整的模式，正是機器人能否走出華麗展示、真正進入實際工作現場的關鍵。
若離不開原廠支援，機器人只會淪為昂貴擺設
Scholz 直言，如果企業每次遇到問題，都得打電話請專業工程團隊飛來修復，機器人終究會變成「昂貴的紙鎮」。他回憶在 DeepMind 任職期間，客戶一旦遇到狀況就得聯繫團隊、安排人員出差處理；站在客戶角度來看，若不必事事仰賴原廠介入，會是更理想的狀態。
正因如此，Scholz 對機器人產業的長期發展，抱持與目前主流論述不同的判斷。他預期未來將出現一種「下游經濟」，由一群專責的機器人訓練師組成，負責銜接製造商與工廠現場之間的落差，教導機器人執行特定任務，並協助排除障礙。這與現階段機器人產業的投資熱潮明顯走向不同路徑。
目前多數資金與話題仍集中在人形機器人身上，特斯拉、Figure、1X 等公司紛紛展示雙足機器人的亮眼 demo，強調其 AI 模型能泛化到多種任務，鎖定的是能通用執行多種工作的單一機型。相較之下，Reimagine 瞄準的是製程與產量經常變動、規模又不足以支撐傳統自動化投資的中小型工廠，這類場域正是通用型人形機器人較難切入的區塊，也讓 Reimagine 走出一條與主流路線不同的市場定位。
Reimagine 的核心主張是，與其持續堆疊更大的模型、等待資料自然累積，不如把資料蒐集的責任，直接交還給每天在使用機器人的現場人員。
從一天縮短到 10 分鐘的實測數字來看，這種現場自主訓練的模式，若真能被複製到更多產業與場域，或許會比單純擴大模型規模，更快解決機器人訓練資料稀缺的根本問題。而「下游經濟」的預測，也暗示著這場轉變一旦成真，機器人產業本身可能會催生出一個全新的職業類別。
科技的變化總是快得驚人，而我們每天的工作，就是從龐雜的趨勢中理出觀點、提煉出決策者真正需要的洞察。如果你也對 AI 發展充滿熱情，《TechOrange 科技報橘》正在徵內容編輯！
👉了解職缺內容
＊本文開放合作夥伴轉載，參考資料：BusinessInsider、ROBOTSATLAS，首圖來源：Reimagine Robotics
（責任編輯：鄒家彥）
