Flexion Robotics: 'Android untuk Humanoid' Yang Bermain Dengan Simulasi, Bukan Besi

Kebanyakan syarikat robot humanoid berlumba membina badan yang lebih baik. Flexion Robotics, sebuah syarikat permulaan yang berpangkalan di Zurich dan muncul dari mod 'stealth' pada akhir 2025, membuat pertaruhan sebaliknya: kelebihan dalam robot humanoid bukan pada perkakasan — tetapi pada otak yang boleh berjalan di atas mana-mana badan. Dengan pembiayaan $57.35 juta dan demonstrasi langsung di ICRA 2026 yang mencapai kadar kejayaan autonomi melebihi 95% merentasi 300 percubaan, pendekatan simulasi-dahulu (simulation-first) Flexion adalah antara strategi paling tersendiri dalam bidang ini .

Tesis Utama Flexion: Perisian Sahaja, Bebas Perkakasan

Flexion Robotics secara jelas tidak mengeluarkan robot. Sebaliknya, ia membina tindanan perisian autonomi sejagat — apa yang syarikat itu gambarkan sebagai "Android untuk humanoid" — yang boleh dilesenkan oleh mana-mana pengeluar robot humanoid . Tindanan ini direka untuk digunakan merentasi 14 platform humanoid berbeza serentak, dengan matlamat mengurangkan usaha kejuruteraan untuk membawa robot baru ke tugas baru daripada bertahun-tahun kepada seminggu sahaja .

"Kami cipta dunia maya di mana kami boleh letak robot-robot itu," kata syarikat itu. "Dilatih dalam simulasi, diperluas ke dunia nyata dengan penglibatan manusia yang minimum" .

Metodologi Latihan: Sim-ke-Real (Sim-to-Real) Secara Besar-besaran

Pendekatan teknikal Flexion berkisar pada tiga pilihan saling berkaitan:

1. Latihan simulasi-dahulu (sim-to-real). Semua polisi robot dilatih sepenuhnya dalam simulasi fizikal maya pada skala besar — sehingga 4,000 robot maya berjalan serentak — kemudian dipindahkan ke perkakasan fizikal dengan penggunaan dunia nyata secara sifar-langkah (zero-shot) . Syarikat itu menggunakan pembelajaran pengukuhan (reinforcement learning, RL) di mana robot mengajar diri sendiri melalui cuba-jaya: bertindak, merasai hasil, dan menyesuaikan sehingga berjaya . Hasilnya bukan skrip tetapi polisi rangkaian saraf (neural network policy) yang memetakan persepsi kepada tindakan .

2. Menggabungkan pembelajaran tiruan (imitation learning) dan pembelajaran pengukuhan. Flexion menggunakan pembelajaran pengukuhan baki (residual reinforcement learning) di atas garis dasar pembelajaran tiruan. Ini bermakna robot mempelajari kemahiran manipulasi dan pergerakan asas daripada data demonstrasi manusia, kemudian menggunakan RL untuk menyesuaikan kemahiran tersebut dengan keadaan dunia nyata yang tidak dapat dimodelkan dengan sempurna oleh simulator . Syarikat ini juga menggunakan gelung maklum balas "real-to-sim", di mana data dunia nyata memperhalus parameter simulasi untuk latihan yang lebih tepat pada masa hadapan .

3. Seni Bina Tiga Lapis Modular. Tindanan autonomi ini memisahkan penaakulan peringkat tinggi daripada perancangan pergerakan dan kawalan peringkat rendah :

• Lapisan Perintah (Penaakulan): Ejen model bahasa besar (LLM) atau model bahasa-visi (VLM) yang mentafsir penerangan tugas dalam bahasa semula jadi — seperti "kemaskan pejabat" — memecahkannya kepada sub-tugas, dan merancang aliran kerja pelbagai langkah .
• Lapisan Penjanaan Pergerakan (Perancangan): Model berasaskan resapan (diffusion-based) yang memetakan laluan yang dimaksudkan robot dan mengelakkan halangan dalam ruang 3D .
• Lapisan Pelaksanaan (Refleks): Pengesan seluruh-badan (whole-body tracker) berasaskan RL yang melaksanakan gerakan adaptif yang mantap pada robot fizikal .

Rekaan ini "memisahkan niat (didorong oleh bahasa) dari kebolehlaksanaan (dikuatkuasakan oleh fizik), memanfaatkan simulasi untuk kemahiran motor dan data nyata secara selektif" .

Tugas Pejabat Autonomi: Dari Arahan ke Tindakan

Pada November 2025, Flexion memuat naik video yang menunjukkan robot humanoid mengemas pejabat secara autonomi bermula daripada arahan pengguna ringkas — tanpa skrip, tanpa trajektori pra-kira, dan tanpa kawalan jauh manusia . Ejen VLM melihat pemandangan, menaakul tentang tugas, dan merancang strategi hujung-ke-hujung untuk mengambil dan menyusun semula objek . Sistem yang sama juga telah ditunjukkan mengemudi persekitaran luar untuk mengumpul dan membuang sampah secara autonomi .

ICRA 2026: Pengesahan Langsung

Di Persidangan Antarabangsa mengenai Robotik dan Automasi (ICRA 2026), yang diadakan pada 9–11 Jun 2026, Flexion menjalankan demonstrasi humanoid autonomi secara langsung. Merentasi 300 percubaan selama tiga hari, robot beroperasi sepenuhnya secara autonomi dengan kadar kejayaan melebihi 95% dan tanpa campur tangan manusia . Hasil ini mengesahkan bahawa pendekatan pemindahan sim-to-real berfungsi pada skala dalam persekitaran persidangan yang tidak terkawal — satu cabaran terkenal untuk demonstrasi robotik.

Bagaimana Flexion Berbeza Daripada Bidang Robot Humanoid

Dimensi	Flexion Robotics	Pesaing Biasa (Tesla Optimus, Boston Dynamics, Figure, 1X)
Produk teras	Perisian autonomi sejagat — tiada perkakasan robot sendiri	Perkakasan + perisian bersepadu secara menegak; masing-masing bina badan robot sendiri
Strategi platform	Berjalan di atas mana-mana perkakasan humanoid; kini 14 platform selari	Terikat pada satu platform perkakasan proprietari
Paradigma latihan	Simulasi-dahulu (sim-to-real); polisi dilatih dalam simulasi dan dipindahkan secara sifar-langkah	Campuran data teleoperasi dunia nyata, RL dunia nyata, dan simulasi; kebanyakan bergantung pada pengumpulan data nyata yang berat
Matlamat keserasian perkakasan	Kurangkan persediaan untuk robot baru + tugas baru daripada tahun ke satu minggu	Setiap tugas baru memerlukan bulan kejuruteraan khusus perkakasan
Pembiayaan	$57.35M jumlah ($50M Series A + $7.35M biji benih)	Pesaing sering mengumpul pusingan lebih besar untuk pembuatan perkakasan (cth., Figure AI mengumpul $675M+)
Penyokong utama	DST Global, NVIDIA NVentures, Prosus Ventures, Moonfire, Redalpine	Campuran VC, pelabur strategik, dan korporat

Pembeza strategik utama:

• Model perisian sahaja / pelesenan platform. Flexion meletakkan dirinya sebagai lapisan kecerdasan mendatar yang boleh dilesenkan oleh mana-mana pengeluar humanoid, secara jelas mengelak "perangkap integrasi menegak" di mana syarikat seperti Tesla atau Figure mesti membina kedua-dua otak dan badan .
• Generalisasi bebas perkakasan. Melatih satu tindanan merentasi 14 platform humanoid berbeza secara selari bertujuan menjadikan otak Flexion mudah alih merentasi morfologi — berbeza dengan norma industri satu-robot-satu-tindanan .
• Gelung latihan berasaskan simulasi sepenuhnya. Walaupun kebanyakan pesaing menggunakan data teleoperasi dunia nyata untuk pembelajaran tiruan, Flexion melatih polisi pada skala dalam simulasi dan memindahkannya secara sifar-langkah ke dunia nyata, memerlukan pengumpulan data dunia nyata yang minimum .

Amaran dan Persoalan Terbuka

Artikel khusus Wired dari Jun 2026 yang memprofilkan autonomi tugas pejabat Flexion tidak ditemui dalam hasil carian yang ada. Bukti demonstrasi tugas pejabat yang paling terperinci datang daripada siaran LinkedIn Flexion sendiri (November 2025) dan laporan hasil ICRA 2026 . Tuntutan syarikat tentang mengurangkan masa persediaan kepada "satu minggu" dan berjalan di atas 14 platform masih perlu disahkan pada skala komersial. Dan walaupun keputusan ICRA 2026 mengagumkan, bidang ini masih menunggu penanda aras pihak ketiga yang membandingkan robot berkuasa Flexion secara langsung dengan pesaing bersepadu menegak dalam penggunaan dunia nyata.

Pertaruhan Flexion adalah bahawa masa depan robot humanoid akan kelihatan kurang seperti iPhone — satu bundel perkakasan-perisian yang terintegrasi rapat — dan lebih seperti Android: sistem operasi sejagat yang boleh diguna pakai oleh mana-mana pengeluar. Jika metodologi latihan simulasi-dahulunya terus menghasilkan keputusan dunia nyata, pertaruhan itu mungkin akan berbaloi.