Empat daripada Enam Robot Humanoid Lulus Ujian 24 Jam di Kedai Serbaneka Shanghai

Enam robot, empat lulus dan 1,730 tugasan diselesaikan

Enam robot humanoid Agibot Genie G2 menyelesaikan 1,730 tugasan dalam ujian selama 24 jam di sebuah kedai serbaneka yang beroperasi di daerah Xuhui, Shanghai, namun hanya empat lulus penilaian kerja mereka. Dua robot yang tidak mencapai standard menghadapi kesukaran memeriksa rak dan melakukan tugas pembersihan, termasuk sebuah robot pembersih yang meninggalkan laluan yang ditetapkan dan keluar dari kedai semasa syif malam.

Cabaran itu bermula pada 10 pagi, 2 November 2026, dan berakhir pada 3 November. Dianjurkan oleh Agibot, yang secara rasmi dikenali sebagai Zhiyuan Innovation (Shanghai) Technology Co., Ltd., siaran langsung itu menarik lebih 2 juta penonton merentas platform dalam talian. Robot-robot tersebut bekerja ketika permintaan waktu makan tengah hari, pelanggan pada waktu petang, tugas semalaman dan perkhidmatan sarapan pada keesokan paginya.

Ujian itu mengemukakan persoalan praktikal di sebalik acara tersebut: mampukah robot memastikan tugas-tugas kedai yang saling berkaitan berjalan lancar apabila pelanggan, pesanan dan halangan di sekeliling berubah? Kejayaan menyediakan kopi merupakan satu bahagian penilaian. Tindakan balas yang pantas, kekal di tempat yang ditetapkan dan memulihkan keadaan apabila berlaku masalah turut diambil kira.

Ren Guanghui, naib presiden pusat penyelidikan kecerdasan berjasad Agibot, mengakui bahawa mesin-mesin itu masih ketinggalan berbanding pekerja kedai berpengalaman dari segi menyesuaikan diri dengan perubahan, melakukan pergerakan halus dengan pantas dan menangani masalah yang tidak dijangka. Penambahbaikan seterusnya bergantung pada usaha menukar rekod kerja yang berjaya dan tidak berjaya kepada peraturan operasi serta kemahiran pergerakan yang lebih baik.

Tugasan yang berjaya diselesaikan robot

Enam mesin itu membahagikan kerja kedai kepada tugas menyambut pelanggan, mengendalikan barangan, menyediakan kopi, menghidangkan makanan panas, memeriksa rak dan membersihkan meja. Jumlah tugasan mereka merangkumi aktiviti dengan tahap kesukaran dan tempoh yang sangat berbeza.

• 683 sambutan pelanggan atau interaksi khidmat pelanggan.
• 369 tugasan mengambil dan menghantar barangan.
• 147 penyediaan kopi.
• 126 tugasan menghidangkan makanan, yang disebut sebagai perkhidmatan sarapan dalam jumlah keseluruhan pada penutup acara dan perkhidmatan makanan panas dalam keputusan penilaian.
• 277 tugasan pemeriksaan dan pengisian semula rak.
• 128 tugasan membersihkan meja.

Sambutan pelanggan merangkumi kira-kira 39.5% daripada 1,730 tugasan yang direkodkan. Sambutan pelanggan dan pengendalian barangan bersama-sama berjumlah 1,052 tugasan, atau kira-kira 60.8%. Angka-angka itu menunjukkan bahawa sebahagian besar aktiviti yang direkodkan melibatkan interaksi dengan pelanggan dan pemindahan produk, selain tugas yang lebih menarik perhatian seperti membuat minuman dan menghidangkan makanan.

Jumlah keseluruhan itu bersamaan purata kira-kira 72 tugasan diselesaikan sejam merentas keenam-enam robot. Namun, setiap kategori memerlukan kerja yang berbeza: menyambut pelanggan dan menyediakan kopi melibatkan urutan, peralatan dan tempoh masa yang berlainan. Penilaian itu turut mengambil kira tempoh bertugas, maklum balas pelanggan, kejayaan tugasan, kelajuan tindak balas dan keupayaan memulihkan keadaan apabila berlaku masalah.

Mengapa empat robot lulus dan dua lagi gagal

Ahao, robot penyambut pelanggan, menerima markah khidmat pelanggan tertinggi selepas mengambil inisiatif untuk membantu pelanggan. Huobao, yang ditugaskan mengambil dan mengendalikan barangan, bertindak balas dengan pantas terhadap pesanan dan terus bekerja ketika permintaan meningkat serta pesanan dibatalkan.

Kashao, robot pembuat kopi, lulus dengan proses penyediaan yang konsisten, manakala Americano panas yang disediakannya menerima maklum balas positif. Dingjiang, yang bertanggungjawab menyediakan makanan panas dan turut ditugaskan mengendalikan pembayaran di kaunter, memenuhi standard yang ditetapkan dengan mengendalikan tugasnya secara konsisten.

Juanwang, robot pemeriksaan dan pengisian semula rak, tidak dapat mengikuti rentak operasi kedai. Aktiviti pemeriksaan dan pengisian semula raknya dinilai kurang proaktif. Lengjie, robot pembersih, meninggalkan laluan yang ditetapkan semasa bertugas pada waktu malam dan keluar dari kedai, sekali gus mendorong keperluan untuk menyemak semula peraturan operasinya.

Empat daripada enam robot lulus, bersamaan kadar kelulusan kira-kira 66.7% bagi mesin yang menyertai ujian. Agibot tidak menerbitkan ambang kelulusan berangka, helaian pemarkahan lengkap atau jumlah keseluruhan campur tangan manusia. Oleh itu, keputusan yang diumumkan memberikan gambaran lebih terperinci tentang peranan individu berbanding kebolehpercayaan keseluruhan sistem: robot penyambut pelanggan menunjukkan prestasi baik dalam khidmat pelanggan, manakala robot pembersih memerlukan kawalan yang lebih ketat terhadap kawasan operasinya.

Sehari penuh membawa pelbagai tekanan

Jadual 24 jam itu mendedahkan robot kepada permintaan yang berubah-ubah dalam ruang kecil yang sama. Waktu makan tengah hari dan sarapan menuntut perkhidmatan pantas kepada pelanggan. Perniagaan pada waktu petang membawa aliran pelanggan yang berbeza, manakala tempoh semalaman menguji keupayaan mesin untuk meneruskan tugas yang ditetapkan ketika kedai lebih lengang.

Ujian itu berlangsung mengikut urutan berikut:

• 2 November 2026, 10 pagi: enam robot Genie G2 mula bekerja di kedai serbaneka di Xuhui.
• 2 November 2026, waktu makan tengah hari dan petang: penilaian merangkumi tempoh perkhidmatan sibuk, termasuk pesanan, pengendalian barangan dan penyediaan makanan.
• Sepanjang malam dari 2 hingga 3 November: robot-robot itu meneruskan tugas malam, ketika robot pembersih meninggalkan laluannya.
• 3 November, waktu sarapan dan penutup: tempoh perkhidmatan terakhir melengkapkan penilaian 24 jam itu, selepas itu empat robot diumumkan lulus.

Robot-robot itu dinilai sepanjang empat tempoh perkhidmatan, bukan berdasarkan satu tindakan yang diatur masanya dengan teliti. Penghantaran barangan yang lewat boleh menjejaskan pesanan lain; robot yang menghalang ruang di hadapan rak pula boleh menghalang robot lain daripada mencapainya. Memastikan kerja terus berjalan memerlukan penyelarasan selain kecekapan setiap robot.

Pelanggan dan halangan menjadi sebahagian daripada ujian

Dua peserta jemputan, Xiaoyang biubiu dan Xiaoxiao Nathan, memperkenalkan cabaran yang menyerupai masalah yang mungkin dihadapi pekerja kedai. Mereka meminta robot membezakan kola biasa daripada kola tanpa gula, mengubah susunan gula-gula getah di rak dan menghalang laluan menggunakan seseorang dan sebuah kotak.

Tugasan kola memerlukan sistem menghubungkan permintaan lisan dengan pengecaman visual untuk mengenal pasti produk yang betul. Ujian gula-gula getah pula menguji keupayaan mesin memeriksa keadaan sebenar di rak dan mengembalikan barangan ke tempat yang betul. Halangan itu menguji keupayaan robot untuk berhenti dan mencari laluan lain mengelilingi orang atau objek.

Semasa ujian, robot menggunakan pemeriksaan visual untuk mengenal pasti barangan yang tersalah letak dan mengembalikannya ke lokasi yang betul. Ruang kosong di rak boleh mencetuskan pengisian semula tanpa arahan baharu daripada manusia. Demonstrasi pembersihan turut merangkumi keupayaan membezakan corak permukaan daripada tumpahan atau kotoran.

Tugasan-tugasan ini menggabungkan persepsi dengan pergerakan. Robot perlu terlebih dahulu mengenal pasti produk, halangan atau kawasan kotor, kemudian memilih tindakan dan melaksanakannya. Kesilapan pengecaman boleh menyebabkan produk yang salah dihantar, pembersihan yang tidak perlu atau laluan robot lain terhalang.

Mengapa sebungkus gula-gula boleh menjadi sukar

Ren menyifatkan kedai serbaneka sebagai persekitaran yang mencabar kerana terdapat pelbagai jenis produk, keperluan mengendalikannya dengan cermat, pelanggan yang bergerak di sekitar mesin dan beberapa robot yang berkongsi ruang terhad. Berbeza dengan stesen pengambilan barangan yang tetap, keadaan kedai boleh berubah apabila pelanggan mengalihkan barang atau memasuki lorong.

Sebungkus Skittles yang tergantung pada cangkuk menggambarkan kesukarannya. Robot perlu mengenal pasti produk itu, memilih tempat untuk mencengkamnya dan menggunakan daya yang mencukupi untuk menanggalkannya tanpa membiarkan bungkusannya tersangkut pada cangkuk. Kedudukan dan cengkaman sama-sama penting.

Sepotong kek yang lembut menimbulkan masalah berbeza. Tekanan yang terlalu sedikit boleh menyebabkannya terlepas; tekanan yang terlalu kuat pula boleh menghancurkannya. Pembungkusan dan makanan yang boleh bengkok atau berubah bentuk lebih sukar dikendalikan secara konsisten berbanding objek tegar dengan bentuk yang mudah dijangka.

Ren berkata tugas menjadi agak mudah apabila kawasan kerja ditetapkan dengan jelas, objek diseragamkan dan hasilnya mudah diperiksa. Objek yang fleksibel, sentuhan rumit antara permukaan dan urutan pergerakan yang panjang kekal sebagai cabaran teknikal. Bagi kedai itu, ini bermakna robot mungkin boleh melakukan satu tugas tersusun secara konsisten, tetapi masih memerlukan penambahbaikan sebelum mampu mengendalikan pelbagai produk yang sentiasa berubah sepantas pekerja berpengalaman.

Perisian yang menghubungkan enam tugas berasingan

Agibot melengkapkan enam robot itu dengan beberapa sistem yang saling terhubung. GO-3Preview, model asas kecerdasan berjasad syarikat itu, menyediakan keupayaan untuk melaksanakan pelbagai tugas fizikal. Kecerdasan berjasad bermaksud AI yang beroperasi melalui mesin fizikal, memerhatikan persekitaran dan bertindak di dalamnya.

GenieEvolver, sistem syarikat itu untuk latihan lanjutan, menggabungkan pembelajaran pada robot sebenar dengan simulasi dan model dunia. Model dunia ialah gambaran berkomputer yang digunakan untuk menjangka tindak balas objek dan persekitaran terhadap sesuatu tindakan. Kaedah latihan ini bertujuan meningkatkan pelaksanaan pergerakan.

GenieMaster menguruskan pembahagian tugas antara robot dan menghantar hasil pelaksanaan kembali kepada proses pembelajaran. Embodied Execution Protocol, atau EEP, menghubungkan keputusan, tindakan fizikal dan maklum balas tentang apa yang berlaku.

Dalam konteks kedai, perisian penyelaras perlu mengetahui robot yang boleh melakukan sesuatu kerja dan keadaan yang dihadapinya. Sistem pergerakan kemudian perlu melaksanakan tindakan berdasarkan pemerhatian semasa. Maklum balas membolehkan penyelaras menentukan tindakan seterusnya, termasuk apabila sesuatu tindakan perlu diperbetulkan.

Perkongsian ruang menjadikan penyelarasan itu perlu. Jika robot pengisian semula menduduki lokasi yang diperlukan untuk memenuhi pesanan, sistem perlu menguruskan akses atau mengubah urutan kerja. Agibot menyatakan konflik kedudukan antara robot dan kelewatan mengemas kini status pesanan sebagai contoh masalah yang boleh ditangani dengan peraturan tugasan yang lebih baik.

Pembelajaran daripada kesilapan melibatkan dua jangka masa berbeza

Agibot menamakan proses penggunaan rekod kerja yang berjaya dan gagal sebagai PhysicalRSI, yang bermaksud penambahbaikan kendiri secara berulang dalam dunia fizikal. Idea asasnya ialah mengkaji apa yang berlaku semasa tugasan sebenar, membuat perubahan dan menggunakan prestasi kemudian sebagai panduan untuk penambahbaikan selanjutnya.

GenieMaster dikatakan mengumpul urutan tugasan yang berjaya dan tidak berjaya, menyimpan pengalaman berguna dalam memori jangka panjang dan menjadikan pelarasan berkesan sebagai data latihan. Menggunakan semula peraturan operasi yang diingati dan melatih kemahiran pergerakan baharu memerlukan jumlah usaha yang berbeza.

Ren berkata pengajaran tentang prosedur tugasan dan penjadualan boleh disemak pada hari operasi dan dilaksanakan pada keesokan harinya. Kemas kini dasar pergerakan pula memerlukan pengumpulan data, pemeriksaan kualiti, latihan dan pengesahan. Dasar pergerakan ialah sistem yang memilih tindakan fizikal berdasarkan pemerhatian robot.

Menurut Ren, data berguna daripada siaran langsung itu dijangka mengambil masa satu hingga dua minggu untuk muncul dalam kemas kini dasar pergerakan seterusnya. Ini memberikan dua tempoh susulan praktikal bagi ujian tersebut: perubahan pantas kepada peraturan aliran kerja, diikuti perubahan lebih perlahan pada model yang mengawal pergerakan.

Robot pembersih yang meninggalkan laluan dan tindak balas perlahan robot pengisian semula turut menunjukkan jenis kerja yang berbeza. Satu masalah memerlukan perhatian terhadap kepatuhan pada kawasan operasi yang ditetapkan; satu lagi memerlukan masa tindak balas dan inisiatif yang lebih baik untuk memastikan rak sentiasa terisi. Agibot tidak memberikan tarikh bagi penilaian awam seterusnya untuk kedua-dua mesin itu.

Apakah yang menjadikan kerja ini berguna secara komersial?

Agibot menyifatkan ujian kedai itu sebagai penggunaan pertama keupayaan AI berjasad bersepadu yang baru dilancarkan dalam operasi perniagaan tertentu. Syarikat itu memulakan siri pelancaran teknologi AI WAVE pada 22 Oktober, merangkumi data, simulasi, model, perkakasan robot dan sistem pengendalian sebelum menggabungkan semua elemen tersebut di kedai berkenaan.

Usaha komersial itu berlangsung seiring dengan hasil yang dilaporkan menghampiri 2 bilion yuan pada separuh pertama 2026 serta pengeluaran terkumpul sebanyak 20,000 robot AI serba guna. Penilaian di kedai serbaneka itu menumpukan pada hasil kerja yang dapat diberikan mesin-mesin tersebut dalam perkhidmatan harian.

Yao Maoqing, pengasas bersama dan presiden bersama Agibot serta presiden bahagian perniagaan kecerdasan berjasad syarikat itu, berkata kerja produktif robot perlu memenuhi standard kejuruteraan yang boleh diukur, diulang dan dikekalkan. Ukuran yang dikenal pasti beliau termasuk kadar kejayaan, masa yang diperlukan untuk menyelesaikan tugasan dan purata masa antara kegagalan, yang lazimnya disebut MTBF.

MTBF menggambarkan purata masa operasi antara kegagalan. Bagi pengurus kedai, ukuran itu menjawab persoalan praktikal: berapa lama mesin boleh terus bekerja sebelum masalah mengganggu perkhidmatan. Tempoh tugasan penting atas sebab yang sama. Pelanggan yang menunggu sarapan memerlukan makanan dihantar segera, walaupun robot akhirnya dapat menyediakannya dengan betul.

Pasukan Agibot mengenal pasti empat hasil yang mahu dijejaki: lebih banyak hasil kerja memenuhi standard yang ditetapkan dengan kurang masa terbuang akibat percubaan semula atau campur tangan manusia; kurang pengumpulan data dan pelarasan apabila produk, susun atur atau kedai berubah; penambahbaikan yang kekal dalam penilaian bebas tanpa menjejaskan kemahiran sedia ada; serta kos operasi yang lebih rendah apabila pengalaman terkumpul merentas syif dan aliran pelanggan yang berbeza.

Ujian di Shanghai itu memberikan contoh perkhidmatan yang berguna serta kerja yang masih belum selesai. Empat robot memenuhi standard tugas masing-masing, manakala dua lagi mendedahkan kelemahan dalam mengekalkan tumpuan pada peranan dan mengawal pergerakan. Tugas teknikal syarikat seterusnya ialah menerapkan pengajaran itu dalam tempoh operasi yang lebih panjang dan di kedai yang berubah-ubah, menggunakan ukuran prestasi yang telah ditetapkan.

Perkara Utama

• Enam robot Agibot Genie G2 menyelesaikan ujian kedai serbaneka selama 24 jam di daerah Xuhui, Shanghai, pada 3 November 2026.
• Robot-robot itu merekodkan 1,730 tugasan yang diselesaikan, termasuk 683 interaksi pelanggan, 369 tugasan pengendalian barangan dan 147 penyediaan kopi.
• Empat robot lulus. Robot pemeriksaan rak ketinggalan daripada rentak kedai, manakala robot pembersih meninggalkan laluan yang ditetapkan semasa tugas malam.
• Ujian merangkumi keupayaan membezakan jenis kola, menyusun semula rak yang tidak teratur dan bergerak mengelilingi orang serta kotak.
• Agibot berkata perubahan aliran kerja boleh dilaksanakan pada keesokan harinya, manakala kemas kini model pergerakan menggunakan data ujian dijangka mengambil masa satu hingga dua minggu.
• Sasaran komersial syarikat itu termasuk meningkatkan kadar kejayaan, mengurangkan gangguan, memudahkan pelaksanaan di kedai baharu dan menurunkan kos operasi.