Kineforge AI/ML model for robotics

嘿 Product Hunt 👋 我是 Illia，Brightforge 的独立创始人。

在推出我们的 AI 视频工作室 Pixlie 之后，这次带来的是我们的研究项目：Kineforge。

目前的问题是：训练机器人执行任务通常只能选择两种成本高昂的方案——要么记录数千次人类遥操作演示，要么运行仅能部署在云端的数十亿参数“机器人大脑”模型。这两种方式都速度缓慢、成本高昂，并且难以部署在真正需要它们的场景（仓库、实验室、危险场地）。

Kineforge 押注了一个不同的方向：结构优于规模。

• 无需人类演示。我们在仿真环境（MuJoCo MJX）中训练，不依赖遥操作录制数据

• 极小的可训练策略 —— 仅 15.7 万参数（而非数十亿），基于固定的“知识层”构建，从训练第一天起就为智能体提供结构支撑

• 在单块 GPU 上数小时即可完成训练，无需集群训练数周

• 在 CPU 上推理耗时低于 10 毫秒 —— 可边缘部署，无需数据中心

在 NVIDIA H200 上，我们通过开放指标和真实仿真工件记录到稳定任务成功率约为 0.70（超过 34.5 万步日志，在 150 万步运行中零崩溃）。

目前还处于早期阶段，优先做仿真，下一步计划开展真实机器人试点。我非常期待得到机器人学、强化学习和具身 AI 领域从业者的反馈，也希望能认识那些正受数据成本问题困扰的仓库/实验室自动化团队。

想象一下训练机器人完成一项工作。

如今有两种缓慢且昂贵的方式：

1) 让人类花几个月时间数千次“操控”机器人（遥操作）。缓慢。昂贵。枯燥。无法规模化。

2) 租用一个拥有数十亿参数的巨型 AI“大脑”，它只能在大型云端数据中心运行。每次推理都花费不菲。

Kineforge 的做法不同。我们给机器人提供一个小巧智能的“初始大脑”，它已经理解结构 —— 就像上学的孩子已经认识字母，不需要从零开始发明语言。

然后它在类似电子游戏的快速模拟器中练习（没有真实世界风险，不需要人类操控）。它能在单块芯片上几小时内学会任务，不需要在服务器集群上训练数周。

给企业带来的回报：

• 训练数据需求降低 10 到 50 倍

• 开发每项新技能的成本降低 5 到 10 倍

• 最终的“大脑”体积非常小 —— 它可以在机器内部的廉价芯片上瞬间运行，每次动作都不会产生云费用。

想象一下训练机器人完成一项工作。

如今有两种缓慢且昂贵的方式：

1) 让人类花几个月时间数千次“操控”机器人（遥操作）。缓慢。昂贵。枯燥。无法规模化。

2) 租用一个拥有数十亿参数的巨型 AI“大脑”，它只能在大型云端数据中心运行。每次推理都花费不菲。

Kineforge 的做法不同。我们给机器人提供一个小巧智能的“初始大脑”，它已经理解结构 —— 就像上学的孩子已经认识字母，不需要从零开始发明语言。

然后它在类似电子游戏的快速模拟器中练习（没有真实世界风险，不需要人类操控）。它能在单块芯片上几小时内学会任务，不需要在服务器集群上训练数周。

给企业带来的回报：

• 训练数据需求降低 10 到 50 倍

• 开发每项新技能的成本降低 5 到 10 倍

• 最终的“大脑”体积非常小 —— 它可以在机器内部的廉价芯片上瞬间运行，每次动作都不会产生云费用。

因此，相较于“智能但运行成本高到离谱的 AI”，你得到的是“性能足够好，同时价格足够低，完全可以部署到数千台机器上的 AI”。这就是原型Demo和可落地业务之间的区别。

我们已经在仿真中验证了其经济性。下一步是将它部署到真实的仓库机器人中。

技术细节：

• POMDP 控制，动作分解为移动 (16) / 呼吸 (2) / 头部 (2) / 宏动作 (4) = 每步 24 个离散决策

• 多流策略：Fast（反射）、Valence（情感调制增益）、Slow（拓扑路由规划）

• 固定语义先验（约 260 万参数，110 个规范符号，768 维）提供结构化归纳偏置；仅训练约 15.7 万策略参数（REINFORCE/PPO，JEPA 风格 + 结构正则化）

• 后端：MuJoCo MJX 可微分物理，原生 JAX（核心不依赖 PyTorch），Kubernetes 上的 SkyPilot，NVIDIA H200，MLflow 跟踪

• 结果：10 万步时任务奖励约为 0.70；约 159（基线）对比 108（接地感知）环境步数/秒；CPU 推理目标 https://illiaovcharenko1.github....

链接

• PDF (v1.0): 技术报告 PDF

• 落地页: GitHub Pages

• GitHub: kineforge-portfolio

• HuggingFace (HF Space): kineforge-demo

• arXiv: 等待 endorse（cs.RO） → 发布后见 https://arxiv.org/abs/…

• 联系我: illia.ovcharenko@brightforge.ltd · brightforge.ltd

快来试用demo，有任何问题都可以在下方问我 🙏