食品行业物理人工智能领域的领导者 Chef Robotics 宣布开发出用于准备餐桌食品组装的双手动物理人工智能系统。虽然今天的 Chef 机器人在食品制造输送线上处理大批量的餐食组装，但这种新型的双手物理人工智能系统将专注于小批量、更高复杂性的基于准备台的组装，适用于幽灵厨房、快餐休闲餐厅、航空餐饮、学校、医院、军队、监狱、体育场馆、企业餐饮和酒店等行业。

随着物理人工智能和模仿学习的出现，Chef 的人工智能团队正在开发一种新的物理人工智能系统，旨在处理餐食组装任务在准备台上，例如在后台组装汉堡或墨西哥卷饼。与输送线上的食品制造相比，这些任务的数量较少，但复杂性较高，因为单个工人（或抢劫者）ot）必须组装整顿饭菜，而不是将整个过程分解为每种成分的单独工作站。

为了执行更复杂的任务，新系统将使用两个机械臂，从而实现双手控制。它将能够进行与人类手臂和手相媲美的协调、灵巧的操作。该系统的末端执行器将足够灵活，可以拾取不同的食物成分和器具。

由厨师的食物基础模型（FFM）提供支持

新的物理人工智能系统将由厨师的食物基础模型（FFM）提供支持，与传统的机器人系统相比，它学习速度更快，适应更广泛的用例。

现成的视觉语言动作模型（VLA）和物理人工智能模型不足以进行食物操纵。大多数 VLA 和物理 AI 模型都经过刚体操作训练，但食物操作涉及高度可变、可变形的材料（例如湿的、粘性的）、不规则物品）。这需要 Chef 的 AI 模型能够泛化广泛的物理状态和交互。

FFM 不需要单独的模型来执行诸如拾取和放置食物、检测托盘、隔间和插入物以及处理可舀取或离散成分等任务，而是通过单个“基础”AI 模型支持所有这些功能。它还可以更有效地扩展到新任务并提高性能。

FFM 不是通过编程进行编程，而是通过演示（模仿学习）进行学习来执行特定任务，例如组装汉堡或制作墨西哥卷饼碗。它还通过学习跨硬件实施例（例如具有不同运动学、末端执行器和配置的系统）传输的任务表示来概括不同的机器人硬件平台。从这个意义上说，Chef 正在为食物构建物理人工智能层。

FFM 有望解锁附加功能随着时间的推移，所有能力。例如，它可以支持零次或少量成分的加入，以最少的培训适应新成分。随着时间的推移，该模型还将自我改进并自动提高产量和一致性。

其他好处

Chef 的新物理人工智能系统将：

• 使用食品行业专有硬件构建
• 食品安全、可冲洗，并且能够承受各种温度和湿度条件
• 协作，与工人一起安全工作
• 简单Chef 的 FFM 是有语言提示的，因此可以使用。

“我们创办 Chef 时专注于高通量食品制造，但该行业的很大一部分仍然依赖于手动准备台组装，”Chef Robotics 创始人兼首席执行官 Rajat Bhageria 说道。 “这些环境更加复杂且结构性较差，这使得它们更难实现自动化。借助这个新的物理人工智能系统和我们的食品基础模型，我们可以我们将扩展物理人工智能来处理这些现实世界的条件，并在食品行业中解锁更广泛的应用。”