Flexion 嘅核心諗法：只賣軟件，唔做硬件

Flexion 同其他機械人公司最大嘅分別係：佢哋唔造機械人。佢哋嘅產品係一套「通用自主軟件堆疊」（universal autonomy software stack），個創辦人將佢形容為「人形機械人界嘅 Android」。

呢套軟件可以同時裝喺 14種唔同品牌嘅人形機械人上 ，目標係將「將一部新機械人適應新任務」嘅時間，由幾年大幅縮短到 一個禮拜 。

正如公司自己講：「我哋創造一個虛擬世界，將啲機械人放喺入面。喺模擬器訓練好，再以最少人手介入，放到真實世界。」

訓練方法：模擬器自學，直接落地

Flexion 嘅技術核心係「模擬→現實」（sim-to-real）三招：

1. 全虛擬訓練，零樣本轉移。 所有機械人嘅「知識」都係喺物理模擬器入面透過試錯（reinforcement learning, RL）自學返嚟 。公司最高同時開 4,000個虛擬機械人 一齊學 ，學成之後直接將個「腦」放入真機，完全唔使額外喺現實世界練習。

2. 模仿學習 + 強化學習雙管齊下。 Flexion 先用真人示範數據教機械人基本動作（如拎嘢、行路），再用強化學習去微調適應現實環境嘅不確定性，呢個叫做「殘差強化學習」（residual RL）。另外，佢哋仲會將現實世界嘅數據反饋返去模擬器，令下次訓練更準確 。

3. 三層模塊化架構。 個軟件分做三層 ：

• 命令層（Reasoning）：用大型語言模型（LLM）或視覺語言模型（VLM）去理解自然語言指令，例如「執好間房」，然後拆做細任務 。
• 動作生成層（Planning）：用擴散模型（diffusion model）規劃機械人嘅移動路徑，避開障礙物 。
• 執行層（Reflexes）：用強化學習訓練嘅全身控制器，負責最後「落地」嘅反應同動作 。

用一個比喻講：語言負責「諗」，物理負責「做」，兩者分得清清楚楚 。

實際應用：一句指令，機械人就識做

2025年11月，Flexion 放出一條片，見一部人形機械人完全自主咁幫間辦公室 執枱、執垃圾——由頭到尾冇 script、冇預先設定路徑、冇人遙控 。個 VLM 代理自己睇場、自己諗點做、自己執行。同一套系統仲試過喺室外樹林自主收集垃圾 。

ICRA 2026 現場驗證：300次測試，95%成功

喺今年6月9至11日嘅 ICRA 2026 大會上，Flexion 即場做咗3日現場示範，總共 300次測試，機械人完全自主運作，成功率超過95%，中間冇人掂過 。呢個成績喺亂糟糟嘅大會環境入面特別難得，證明佢哋嘅「模擬→現實」方法喺大規模上都行得通。

Flexion 同其他機械人公司嘅分別

主要戰略分別：

• 純軟件授權模式。 Flexion 自稱係「水平智能層」，任何機械人生產商都可以授權使用，等於機械人界嘅 Android 。
• 硬件無關嘅通用化。 同一套軟件同時喺14款機械人上跑，目標係任何款式嘅機械人都用得 。
• 全模擬訓練。 多數競爭對手依賴真實遙控數據，Flexion 就喺模擬器大量自學，再零樣本轉移落真機 。

未解決嘅問題

雖然 ICRA 2026 嘅成績好亮眼，但 Flexion 嘅部分說法（例如「一星期完成新機械人適配」、「支援14款平台」）仍然有待喺商業規模上驗證。目前行業仲等緊第三方 Benchmark 去直接比較 Flexion 機械人同其他垂直整合對手喺真實場景嘅表現。

Flexion 嘅賭注係：人形機械人嘅未來唔似 iPhone（軟硬件一體），而似 Android——一個可以俾任何廠商使用嘅通用操作系統。如果佢哋嘅模擬訓練方法繼續喺現實世界交出成績，呢鋪真係有機會贏。

Flexion 嘅核心諗法：只賣軟件，唔做硬件

Flexion 同其他機械人公司最大嘅分別係：佢哋唔造機械人。佢哋嘅產品係一套「通用自主軟件堆疊」（universal autonomy software stack），個創辦人將佢形容為「人形機械人界嘅 Android」。

呢套軟件可以同時裝喺 14種唔同品牌嘅人形機械人上 ，目標係將「將一部新機械人適應新任務」嘅時間，由幾年大幅縮短到 一個禮拜 。

正如公司自己講：「我哋創造一個虛擬世界，將啲機械人放喺入面。喺模擬器訓練好，再以最少人手介入，放到真實世界。」

訓練方法：模擬器自學，直接落地

Flexion 嘅技術核心係「模擬→現實」（sim-to-real）三招：

1. 全虛擬訓練，零樣本轉移。 所有機械人嘅「知識」都係喺物理模擬器入面透過試錯（reinforcement learning, RL）自學返嚟 。公司最高同時開 4,000個虛擬機械人 一齊學 ，學成之後直接將個「腦」放入真機，完全唔使額外喺現實世界練習。

2. 模仿學習 + 強化學習雙管齊下。 Flexion 先用真人示範數據教機械人基本動作（如拎嘢、行路），再用強化學習去微調適應現實環境嘅不確定性，呢個叫做「殘差強化學習」（residual RL）。另外，佢哋仲會將現實世界嘅數據反饋返去模擬器，令下次訓練更準確 。

3. 三層模塊化架構。 個軟件分做三層 ：

• 命令層（Reasoning）：用大型語言模型（LLM）或視覺語言模型（VLM）去理解自然語言指令，例如「執好間房」，然後拆做細任務 。
• 動作生成層（Planning）：用擴散模型（diffusion model）規劃機械人嘅移動路徑，避開障礙物 。
• 執行層（Reflexes）：用強化學習訓練嘅全身控制器，負責最後「落地」嘅反應同動作 。

用一個比喻講：語言負責「諗」，物理負責「做」，兩者分得清清楚楚 。

實際應用：一句指令，機械人就識做

2025年11月，Flexion 放出一條片，見一部人形機械人完全自主咁幫間辦公室 執枱、執垃圾——由頭到尾冇 script、冇預先設定路徑、冇人遙控 。個 VLM 代理自己睇場、自己諗點做、自己執行。同一套系統仲試過喺室外樹林自主收集垃圾 。

ICRA 2026 現場驗證：300次測試，95%成功

喺今年6月9至11日嘅 ICRA 2026 大會上，Flexion 即場做咗3日現場示範，總共 300次測試，機械人完全自主運作，成功率超過95%，中間冇人掂過 。呢個成績喺亂糟糟嘅大會環境入面特別難得，證明佢哋嘅「模擬→現實」方法喺大規模上都行得通。

Flexion 同其他機械人公司嘅分別

主要戰略分別：

• 純軟件授權模式。 Flexion 自稱係「水平智能層」，任何機械人生產商都可以授權使用，等於機械人界嘅 Android 。
• 硬件無關嘅通用化。 同一套軟件同時喺14款機械人上跑，目標係任何款式嘅機械人都用得 。
• 全模擬訓練。 多數競爭對手依賴真實遙控數據，Flexion 就喺模擬器大量自學，再零樣本轉移落真機 。

未解決嘅問題

雖然 ICRA 2026 嘅成績好亮眼，但 Flexion 嘅部分說法（例如「一星期完成新機械人適配」、「支援14款平台」）仍然有待喺商業規模上驗證。目前行業仲等緊第三方 Benchmark 去直接比較 Flexion 機械人同其他垂直整合對手喺真實場景嘅表現。

Flexion 嘅賭注係：人形機械人嘅未來唔似 iPhone（軟硬件一體），而似 Android——一個可以俾任何廠商使用嘅通用操作系統。如果佢哋嘅模擬訓練方法繼續喺現實世界交出成績，呢鋪真係有機會贏。