让工业机器人像人类一样“看视频学操作”，正在从实验室走向工厂车间。瑞士物理AI公司Mimic Robotics近日宣布推出FLUX-mimic——一款与德国AI实验室Black Forest Labs联合开发的“视频-动作模型”（Video-Action Model）。该模型使机器人能够通过观看视频演示学习复杂的工业操作任务，且所需示范数据仅为传统方法的数十分之一。目前，这一技术已在奥迪（Audi）的工厂生产线进入测试与部署阶段，用于处理柔性材料、精密装配等传统自动化难以应对的高灵巧度任务。
从“看视频”到“会动手”：视频模型如何赋能机器人
FLUX-mimic的核心突破在于其技术路径的选择。当前主流的机器人学习系统大多基于“视觉-语言-动作模型”（VLA），其骨干网络预训练于静态图像与文本数据，因此机器人几乎必须从昂贵且稀缺的示范数据中从头学习物理动力学。FLUX-mimic则另辟蹊径——它构建于一个生成式视频基础模型之上，该模型已通过大规模的互联网视频预训练，掌握了物体运动、物理交互和因果关系的动力学知识。系统将这一视频模型与一个“动作解码器”配对，将视觉预测直接转化为可执行的机器人动作。
Black Forest Labs联合创始人兼CEO Robin Rombach对此解释道：“机器人技术是视觉智能最清晰的证明之一。要生成令人信服的视频，模型必须学习物理世界的行为方式——而同样的理解能力，恰恰可以驱动模型在物理世界中行动。”
数据效率提升十倍：30分钟 vs 30小时
在数据效率上，FLUX-mimic交出了一份令人瞩目的成绩单。据Mimic Robotics披露，根据任务难度的不同，FLUX-mimic针对特定操作任务的微调仅需约30分钟的机器人示范数据，而传统方法通常需要30小时以上。这一数量级的提升意味着机器人部署周期有望从数月缩短至数周。
Black Forest Labs在官方博客中进一步揭示了背后的技术逻辑：FLUX 3是一个从零开始联合训练图像、视频和音频的多模态模型，其中视频预测一项就占到了总计算成本的95%以上。要生成逼真的视频，模型别无选择，只能学习接触、运动、重量、因果关系——任何一处出错，视频就会失真。而动作预测与视频生成共享同一个骨干网络，当模型学会了视频背后的物理过程后，动作预测不过是同一物理现实的另一种表达方式。
奥迪工厂率先落地：从泡沫部件到柔性密封条
在应用层面，Mimic Robotics正在与奥迪合作，将FLUX-mimic部署于真实制造环境。据Business Insider报道，奥迪将在其生产线上测试由Mimic开发的AI驱动机器人，用于执行包括车门预装中的泡沫部件处理在内的多种制造工序。另有报道指出，该系统已在奥迪工厂用于柔性车门密封条的安装任务。
奥迪是全球自动化程度最高的汽车生产网络之一，但即便如此，涉及柔性部件和精细操作的任务至今仍依赖人工。高端汽车生产的多样化配置使得传统编程机器人单元的重新调试成本过高，而基于学习的系统正在改变这一局面。奥迪 manager Henning Löser透露，目前系统的成功率达到90%，目标是达到99%后才投入批量生产。
Mimic Robotics联合创始人Stephan Gravert表示，公司专注于AI驱动机器人手臂和精准抓取系统，将FLUX-mimic的“世界理解”转化为具体的机器人动作。值得一提的是，Gravert明确拒绝了人形双足机器人的路线——他认为双腿在工业场景中不提供额外价值。
行业视角：物理AI从“专用”走向“通用”
FLUX-mimic的发布标志着工业机器人学习范式的一个重要转向：从为单一任务反复编程，转向让机器人通过观看视频自主适应新任务。Robin Rombach对此总结道：“通过将FLUX 3学习到的世界模型与mimic在机器人学习和部署方面的专业知识相结合，FLUX-mimic让机器人更容易适应新任务和生产环境，而不是一次只为一项任务进行工程设计。”
对于制造业而言，这意味着那些长期无法自动化、依赖熟练工人的高灵巧度操作——如线缆插接、密封条安装、柔性材料处理——终于看到了被AI驱动机器人接管的可能性。正如Mimic Robotics所定位的那样，物理AI正在从“专用自动化”走向“通用工业自动化”。
