🗾ITmedia AI+ (日本)•較早收集於 54m
日立推出 IWIM 物理 AI 試作機器人
💡日立 IWIM：現場自學機器人應對真實任務（18字）
⚡ 30-Second TL;DR
有什麼變化
日立公布 IWIM 物理 AI 模型
為什麼重要
推動具身 AI 在工業機器人領域的前進，有望加速製造業自動化。定位日立為物理 AI 應用關鍵玩家。
下一步行動
造訪日立物理 AI 體驗工作室先行公開，測試 IWIM 試作機。
誰應關注：Enterprise & Security Teams
關鍵要點
- •日立公布 IWIM 物理 AI 模型
- •支援自學以自動化複雜任務
- •公開兩款試作機器人
- •連結物理 AI 體驗工作室先行公開
🧠 深度解析
AI-generated analysis for this event.
🔑 增強重點摘要
- •IWIM（Integrated World Interaction Model）採用了基於模擬環境的強化學習技術，旨在解決機器人在非結構化環境中處理未知物體時的泛化能力問題。
- •日立將此技術定位為「物理 AI（Physical AI）」，強調其不僅是軟體演算法，更結合了感測器數據與機械控制，以實現接近人類直覺的動作調整。
- •「物理 AI 體驗工作室」位於日立研發中心，旨在透過與合作夥伴共同創造（Co-creation），加速將該技術應用於物流、製造及基礎設施維護等勞動力短缺領域。
📊 競品分析▸ Show
| 競爭對手 | 核心技術/平台 | 應用場景 | 備註 |
|---|---|---|---|
| Fanuc | 機器學習與視覺引導 | 工業自動化、高精度組裝 | 側重於傳統工業機器人優化 |
| Boston Dynamics | 運動控制與 AI 導航 | 複雜地形移動、物流搬運 | 側重於硬體運動能力與自主導航 |
| Tesla (Optimus) | 端到端神經網絡 | 通用人形機器人、家庭/工廠 | 側重於大規模數據訓練與通用性 |
🛠️ 技術深入
- •IWIM 模型架構：採用多模態感知融合技術，整合視覺、力覺與觸覺感測器數據，實現對環境的即時建模。
- •自學機制：利用數位孿生（Digital Twin）進行大規模模擬訓練，隨後透過遷移學習（Transfer Learning）將模型部署至實體機器人，縮短現場適應時間。
- •控制策略：結合模型預測控制（MPC）與深度強化學習，確保機器人在執行複雜任務時的動作平滑度與安全性。
🔮 前景展望AI analysis grounded in cited sources
日立將在 2027 年前實現 IWIM 技術在物流倉儲的商業化部署。
該技術目前已進入體驗工作室階段，顯示其已具備初步的現場作業能力，下一步將是擴大場域驗證。
物理 AI 將成為日立工業自動化產品線的核心競爭力。
日立正積極將 AI 軟體能力與其既有的硬體製造優勢整合，以應對日本國內嚴重的勞動力短缺問題。
⏳ 時間線
2024-05
日立宣布強化 AI 研發投入，重點轉向物理空間的自動化技術。
2025-09
日立在內部實驗室成功驗證基於強化學習的機器人自適應抓取技術。
2026-03
正式發表 IWIM 物理 AI 模型及兩款試作機器人，並開放體驗工作室。
📰
AI 週報
閱讀本週精選 AI 大事摘要 →
👉相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： ITmedia AI+ (日本) ↗