蘋果 AMP1 讓通用 AI 模型操控機械手臂——表現還勝過專用系統
重點速覽
- •由蘋果研究人員 Chen Chen 與 Omid Bagherieh 開發的 AMP1，讓通用 AI 模型能透過生成並執行 Python 程式碼來操作機械手臂，過程中不需任何微調或示範資料庫。
- •在 RoboLab-120 模擬基準上，AMP1 搭配 Gemini 4 Argon 得分 85.6%，搭配 Claude Opus 5.5 得分 82.8%，超越得分 74.8% 的 NVIDIA Astranomy 模型。
- •在三套 Franka 機械手臂設定上進行的 108 次實體測試中，AMP1 完成 104 次，成功率為 96.3%，而基準系統分別完成 49 次與 30 次，且 AMP1 將操作失敗次數減少了 15 至 20 倍。
- •此框架以零樣本方式在單臂、雙臂與移動式機器人配置上運行，無需重新訓練，並能透過使用工具與執行搜尋即時調整策略。
- •蘋果於 2026 年 11 月公開發布 AMP1 的程式碼與模擬資料，同一個月也推出了 HALO 人形機器人導航系統，讓其他實驗室能夠獨立測試所報告的結果。
蘋果研究人員發表了一篇新的機器人學論文，並提出一個頗具挑戰性的論點：機器人未必需要專門打造的「大腦」才能發揮作用。這套名為 AMP1（Agentic Manipulation Policies 的簡稱）的系統，讓通用 AI 模型能透過撰寫並執行 Python 程式碼來操控機械手臂。根據這項研究，它在模擬與實體測試的操作任務中，表現都優於專用機器人策略。
這篇題為「On Agentic Manipulation Policies」的論文（arXiv:2611.09892）於 2026 年 11 月發表。相關程式碼與模擬資料已公開發布，讓其他實驗室能直接驗證這些主張。
AMP1 的運作方式
AMP1 以零樣本（zero-shot）方式運行。底層模型不會針對特定機器人或任務進行微調，框架也不需要示範資料庫。研究描述 AMP1 可在多種機器人配置上運作，包括單臂、雙臂（兩隻手臂）與移動式設定。無需重新訓練即可支援不同硬體，正是專用系統往往缺乏的彈性。
此框架還能即時調整策略，包括視情況使用工具與執行搜尋。
測試結果
在模擬方面，研究團隊以 RoboLab-120 基準評估 AMP1。搭配 Gemini 4 Argon 模型時，AMP1 達到 85.6% 的成功率；由 Claude Opus 5.5 驅動時，則達到 82.8%。相較之下，NVIDIA 的 Astranomy 模型在同一基準上得分為 74.8%。由於 AMP1 以零樣本方式運行，這些比較實際上是讓通用推理能力對上專為具身任務打造的專用策略。
根據這項研究，AMP1 在其他基準上也拿下頂尖成績，在 LIBERO-PRO 上得分 95.2%，在 robosuite 上達到 100%。
實體表現則是在三套 Franka 機械手臂設定上進行 108 次測試。AMP1 完成了其中 104 次，成功率為 96.3%，而基準系統分別完成 49 次與 30 次。論文另外指出，相較於領先的基準模型，AMP1 將操作失敗次數減少了 15 至 20 倍——這項改善主要歸功於更好的錯誤恢復能力。
研究團隊與更廣泛的背景
這項研究的作者包括蘋果研究人員 Chen Chen 與 Omid Bagherieh。這項成果緊隨蘋果於 2026 年 11 月發表的 HALO 人形機器人導航系統而來——蘋果在同一個月內發表了兩項機器人技術成果。
AMP1 所對比的專用類別包括視覺-語言-動作模型（VLA）與世界-動作模型（WAM）。VLA 接收機器人所看到的畫面與文字指令，並輸出實體動作；WAM 則加入一個經過學習的世界運作模型。兩者都是專為具身任務打造，且通常依賴大量機器人專用的訓練資料。
AMP1 採取不同的路線。它並非從零打造機器人大腦，而是借用大型通用模型的推理能力，並讓它們透過程式碼採取行動。這樣的對比凸顯了論文的重要性：如果通用模型無需針對任務的訓練就能媲美專用策略，那麼 VLA 與 WAM 背後龐大的機器人專用訓練資料，可能並非實現優異操作能力的必要條件。
這代表什麼
這些結果也伴隨報導中指出的注意事項：AMP1 依賴 Gemini 4 Argon 與 Claude Opus 5.5 等第三方模型，因此其表現部分取決於蘋果無法控制的系統。另一方面，程式碼與模擬資料的公開發布，意味著其他研究實驗室可以自行驗證這些主張——獨立重現將是檢驗論文所報告數據的最明確下一步。
本文最初由 CryptoBriefing 報導，並由 Diego Almada Lopez 編輯。
