作者 |肖恩

編輯 |德新

過去兩年，我們已經習慣了各類機器人在科技展、發(fā)布會和短視頻里頻繁出現(xiàn)：會跳舞的人形機器人、能爬樓梯的四足機器人，還有穿梭在商場和園區(qū)里的服務機器人。它們從實驗室走進公眾視野，看上去仿佛預示著“具身智能時代已經到來”。

但在這些畫面背后，現(xiàn)實往往并沒有那么光鮮：為了讓一個動作能夠穩(wěn)定復現(xiàn)，工程師需要反復調參；為了讓機器人在真實環(huán)境中多跑幾圈，團隊不得不一次次采集數(shù)據、修改算法。許多在聚光燈下表現(xiàn)完美的演示，只要把時間拉長、把場景變復雜，硬件穩(wěn)定性不足、算法泛化性有限、系統(tǒng)調度壓力過大等問題便會顯現(xiàn)。

無論是硬件、算法，還是商業(yè)化路徑與行業(yè)標準，機器人行業(yè)都還沒有建立起足夠堅實的底座。

而這個月，一家科技公司——黑芝麻智能在上海舉辦機器人平臺產品發(fā)布會，一定程度上就是在正面回應這些行業(yè)痛點。其推出的新平臺定名「 SesameX」，定位為首個專為機器人商業(yè)化部署打造的多維智能計算平臺，希望為當前缺乏統(tǒng)一底座的行業(yè)補上一塊關鍵拼圖。

黑芝麻智能創(chuàng)始人兼 CEO 單記章的判斷是：“人工智能正在從數(shù)字空間走向物理世界，而物理世界的復雜性遠超過去的所有技術范式。”

在他看來，機器人并不像模型推理那樣只需給出答案，而是要在高度動態(tài)、充滿不確定性的物理環(huán)境中與人、物、空間持續(xù)互動，不僅“看懂世界”，還要“駕馭世界”。這對其計算體系提出的要求已經遠超單純算力堆疊。

在這樣的背景下，SesameX 的定位變得清晰起來：它不是再做一個更大的模型，或再堆一塊更強的芯片，而是重建機器人“應該如何計算”的底層結構，用一套系統(tǒng)平臺去回應行業(yè)當前最核心的缺口。

一、SesameX：面向機器人的通用計算平臺

SesameX 并不是某個芯片或模組，而是貫穿機器人智能全鏈路的系統(tǒng)化平臺。

黑芝麻智能機器人業(yè)務負責人徐勁博士，以一張完整的系統(tǒng)圖介紹了 SesameX 的層級結構：自底層的計算模組和通信體系起，向上覆蓋實時操作系統(tǒng)、中間件、工具鏈與技能模型，再進一步延伸至系統(tǒng)級安全與持續(xù)自進化機制。

整個體系構成了機器人“從能運行，到能協(xié)同，再到能成長”的能力路徑。

底層：三大模組構成機器人的“大腦”

針對不同的算力需求和應用場景，SesameX 平臺推出了三款計算模組：Kalos、Aura 和 Liora。

在 SesameX 的設計中，它們并不是簡單的“高、中、低”三檔算力，而是三種面向不同機器人形態(tài)、能力階段與應用場景的“大腦類型”，共同構成一個從基礎感知到復雜認知的產品矩陣。

Kalos：商用服務機器人專用平臺

Kalos 采用 8xCortexA55的CPU 架構，并集成 2×CortexR5 MCU 負責實時控制，NPU 算力 48 TOPS，支持最高 8 路 1080P @ 30fps 視頻輸入，I/O接口豐富，適用于各類低速輪式機器人，如送餐機器人、迎賓機器人、物流機器人等，兼顧視覺感知與運動控制，讓機器人“看得清、動得穩(wěn)”。

Aura：多任務執(zhí)行機器人通用計算平臺

Aura 的 CPU 架構升級到 8 x Cortex-A78AE，并搭載 2× CortexA78AE + 6× CortexR5F 組成的異構運控處理單元，與 Kalos 上“CPU + 獨立 MCU”式的分工不同，Aura 的設計是一個完整的運控子系統(tǒng)：其中 A78AE 核心可承擔復雜控制策略與步態(tài)規(guī)劃，R5F 核心則分別對應不同控制環(huán)路，實現(xiàn)并行實時控制。這種“大腦 + 小腦”式結構讓規(guī)劃與執(zhí)行之間的鏈路更緊耦合，時延更低。

同時，Aura 集成了70 TOPS 的 NPU，可在高動態(tài)場景下實現(xiàn)視覺、力控與環(huán)境理解的多模態(tài)協(xié)同。支持最高 12 路 1080p @ 30fps 或 4 路4K @ 30fps 的視頻輸入，在 Kalos 的基礎上將高速接口升級為 PCIe Gen4，面向多足機器人和人形機器人等強調實時性與穩(wěn)定性的機體。

Liora：面向具身智能“大腦”的全能計算平臺

如果說 Aura 更強調的是“身體如何穩(wěn)、如何動得漂亮”，Liora 關注的則是“機器人在復雜世界中如何思考和做決定”。Liora 采用 16× CortexA78AE 作為高性能通用計算集群，同時搭載 6× CortexR52 作為實時控制與安全監(jiān)控單元，并集成超過 500 TOPS 的 NPU，為大規(guī)模 CNN 感知模型、Transformer 多模態(tài)模型以及端到端控制提供算力基礎。

與更偏重運動控制與多模態(tài)協(xié)同的 Aura 相比，Liora 在通用計算與推理層面明顯“加碼”，更適合作為整機系統(tǒng)的認知中樞。

Liora 還首次引入了面向機器人真實場景的 Model Zoo。它并不是簡單的模型集合，而是一套經過算子適配與推理優(yōu)化、能夠直接在模組上部署的預訓練模型與技能庫，覆蓋目標識別、空間感知、大語言模型等能力。讓機器人廠商無需從零訓練模型，就能獲得可直接調用的核心智能能力，大幅降低開發(fā)門檻，加速產品落地，也標志著 SesameX 的能力從“執(zhí)行與控制層”正式延伸到“認知與技能層”。

在系統(tǒng)設計上，Liora 面向的是世界模型與高階認知任務：一方面需要承載視覺、語言、觸覺等多模態(tài)輸入，構建對環(huán)境的統(tǒng)一表征；另一方面要在此基礎上完成任務規(guī)劃、行為決策甚至端到端控制輸出。這就要求其在算力之外，還必須具備足夠的內存帶寬、任務并行能力和對多路傳感器的接入能力。Liora 支持最高24路1080P@30fps視頻輸入，I/O在 Aura 的基礎上進一步擴展帶寬與通道數(shù)量，同樣提供 PCIe Gen4、TSN 及多種工業(yè)總線接口，更適合作為人形機器人、復雜服務機器人等形態(tài)的“中央大腦”，將環(huán)境理解、任務推理與運動指令統(tǒng)一在同一套認知框架之下。

SesameX 并不是提供一個統(tǒng)一模塊給所有機器人，而是通過分層能力覆蓋機器人行業(yè)，讓不同形態(tài)的機器人都能找到合適的“智能起點”。

中間件層：決定機器人是否“流暢自然”的關鍵

機器人動作的流暢性，在外界看來是“是否自然、是否像人”，但在工程體系中，它真正考驗的是中間件能否在毫秒級完成任務調度、資源分配與異常處理。

徐勁博士談到，當前不少機器人在真實場景中出現(xiàn)動作不連貫、卡頓甚至異常行為，往往并不是模型能力本身不夠，而是底層中間件在多任務并發(fā)時無法做好調度與算力分配，導致關鍵控制鏈路被擠占，從而帶來潛在風險。

SesameX 的中間件體系正是為了解決這一行業(yè)痛點。它不僅提供異構算力調度，還會在任務下發(fā)前對不同類型的任務進行統(tǒng)一建模和預判，提前評估各自的資源需求與潛在沖突，并據此為感知、決策、控制鏈路排定優(yōu)先級，從而在執(zhí)行前就把關鍵路徑“規(guī)劃好”。這意味著，當機器人同時進行導航、避障、抓取和語音交互時，系統(tǒng)能夠提前分配算力與帶寬，避免關鍵任務被擠占。

同時，中間件內置的實時監(jiān)控機制會持續(xù)追蹤各模塊的運行狀態(tài)，一旦出現(xiàn)延遲積累或調度異常，系統(tǒng)會自動調整任務路徑或進行局部降級，而不是整體停擺。例如，當視覺模塊因光照突變導致計算延遲時，中間件會優(yōu)先保障平衡與力控鏈路，并暫時降低視覺分辨率或調用緩存策略，從而保證機器人動作連續(xù)。

黑芝麻智能還首次提出了 Runtime 自學習調度機制。中間件會在長期運行中記錄任務執(zhí)行情況，并自動優(yōu)化調度策略，讓機器人在使用過程中“越跑越順”。這使得 SesameX 不再依賴人工調參，而是能夠根據環(huán)境變化和任務類型動態(tài)調整執(zhí)行邏輯。

這一層決定的不僅是機器人“能不能動”，而是“動起來是否連貫、是否自然、是否可靠”。中間件讓機器人擺脫“拼腳本驅動動作”的模式，轉向真實意義上的實時協(xié)同與連續(xù)控制，為后續(xù)能力層提供了穩(wěn)定基礎。

原子應用層：讓機器人“學會任務”而不僅是“執(zhí)行動作”

在傳統(tǒng)機器人系統(tǒng)中，技能大多依賴預設腳本，一旦任務組合發(fā)生變化或環(huán)境略有差異，動作便可能失效。這也是行業(yè)普遍面臨的核心瓶頸：機器人會“做動作”，但不會真正“完成任務”。

為解決這一問題，SesameX 引入原子應用層，將任務拆解為最小可復用技能單元，如抓取、推拉、遞送、開關門、導航停靠等。每個技能不僅包含動作，還包含觸覺反饋、力控策略與失敗恢復，使其能夠在不同場景中重新組合并適應變化。

這一層的關鍵價值在于任務理解與組合。當機器人接到“取杯子”指令時，它不再簡單執(zhí)行固定動作，而是根據環(huán)境狀態(tài)動態(tài)規(guī)劃執(zhí)行流程，并在失敗時自動切換策略。這意味著機器人開始具備早期任務規(guī)劃與策略選擇能力。

原子應用層還支持經驗回灌與跨設備遷移：機器人會根據執(zhí)行過程優(yōu)化參數(shù)，并將學習成果遷移到硬件配置相似的設備上，大幅縮短開發(fā)周期，讓技能從單機資產變成平臺資產。

從工程意義上看，這一層為機器人補上了“任務智能”的一環(huán)，讓系統(tǒng)在完成動作的同時具備面向目標的調整與優(yōu)化能力，也為后續(xù)更高層級的智能演進預留了成長空間。

系統(tǒng)級安全：被寫進架構的“底層前提”

在 SesameX 的整體設計中，安全被提升到與算力和算法同等重要的位置，不再是附加在某個模塊上的“功能選項”。黑芝麻智能將安全機制直接嵌入感知、模型、決策和控制等關鍵鏈路之中，通過多層監(jiān)測、冗余和仲裁，讓系統(tǒng)在出現(xiàn)異常、資源競爭或極端工況時，仍然能夠保持可控、可恢復的狀態(tài)，而不是簡單依賴外部急�；騿吸c防護。

這意味著，當機器人運行在復雜場景中時，SesameX 并不是在“事后補救”，而是在每一次感知輸入、每一次決策下發(fā)、每一次控制執(zhí)行之前，都對風險和不確定性進行評估與約束。安全由此從“某個模塊的職責”變成“整個平臺的工作方式”，成為架構層面的默認前提。

也正因為如此，“為什么今天的機器人比以往任何技術形態(tài)都更需要安全”，以及“安全該如何被系統(tǒng)性地寫進機器人的計算架構”，成為黑芝麻智能在 SesameX 上反復試圖回答的兩個核心問題。

二、安全為何成為機器人時代的核心前提

如果說機器人行業(yè)的其他技術挑戰(zhàn)——感知、力控、算力、模型——都屬于“可被技術突破”的問題，那么安全是唯一一個如果處理不好，會直接阻斷整個行業(yè)路徑的問題。它不是一個“功能項”，而是一條“行業(yè)能否存在”的底線。

為什么今天的機器人比任何時代都更需要安全？

機器人從實驗室走向社會的速度，比多數(shù)人預期的更快。它們開始出現(xiàn)在醫(yī)院、工廠、酒店之間，甚至進入家庭客廳，與孩子、老人、寵物近距離接觸。這種“物理共存”帶來了一個前所未有的挑戰(zhàn)：機器人將長期、穩(wěn)定、無處不在地與人發(fā)生物理接觸。

在大多數(shù)數(shù)字產品和傳統(tǒng)消費電子中，人機交互主要停留在屏幕、按鍵或語音層面；但機器人不同，它的行動本質上是一種力量作用，它的“每一次靠近、舉手、移動”，都可能帶來潛在物理風險。

在黑芝麻智能看來，當機器人真正進入開放、復雜的真實場景時，安全問題呈現(xiàn)出幾類典型特征：

動作鏈路長、環(huán)節(jié)多，一處異常就可能沿控制鏈路傳導，演變?yōu)檎麢C動作異常甚至失控；多模態(tài)感知、多任務并發(fā)時，算力爭搶、時序抖動和“補丁式”安全機制疊加在一起，容易放大為整體行為不穩(wěn)定、缺乏端到端安全閉環(huán)；傳感器噪聲、模型偏差與光照變化、行人或障礙物突然闖入等突發(fā)情況交織在一起，在長期運行中不斷累積，持續(xù)暴露出系統(tǒng)的脆弱點。

這些問題共同指向一個核心現(xiàn)實：機器人在真實世界中運行時所面臨的風險來源是動態(tài)疊加、相互影響且不斷演化的，這使得傳統(tǒng)“模塊式安全”難以為繼。

這意味著，機器人行業(yè)要真正走向規(guī)模化，必須先回答一個更直接的問題：當系統(tǒng)出現(xiàn)異常甚至多點失效時，機器人能否依然優(yōu)先保護人類的安全？

單記章正是從這個角度強調：“當所有可能出錯的地方都出錯時，機器人仍要能最大程度避免對人的傷害。”這不是修辭，是一個未來產業(yè)的基本倫理線。

安全必須是一種系統(tǒng)能力

傳統(tǒng)的機器人系統(tǒng)，安全往往被拆分成彼此獨立的功能：避障模塊負責避障、急停模塊負責停止、力控模塊負責調節(jié)力度，遇到問題再通過補丁式規(guī)則或新增硬件去“補救”。這種做法在相對封閉、任務固定的場景中還能維持運行，但一旦進入真實世界的高動態(tài)環(huán)境，多個模塊同時工作、爭奪資源時，原本分散的安全機制就難以形成有效聯(lián)動，任何一個環(huán)節(jié)出問題都可能沿控制鏈路傳導，引發(fā)連鎖失效。正如發(fā)布會上所強調的，“當所有可能出錯的地方都出錯時，機器人仍要最大程度避免對人的傷害”，而傳統(tǒng)的模塊式安全顯然無法支撐這一目標。

因此，黑芝麻智能在構建 SesameX 時提出了一個更高的安全定位：安全不再是設備級保護，而是一種面向真實世界的人身安全能力。這意味著安全不能停留在系統(tǒng)外層，而必須像神經系統(tǒng)一樣嵌入整個“感知—理解—決策—執(zhí)行”鏈路。只有當安全成為系統(tǒng)本身的運行方式，而不是附加功能，機器人才能真正進入復雜社會環(huán)境。

SesameX 如何實現(xiàn)系統(tǒng)級安全？

在安全的實現(xiàn)方式上，SesameX 采用的是一套從芯片到系統(tǒng)的全棧安全架構。黑芝麻智能在官方介紹中強調，這一體系以車規(guī) ASILD 級別的安全要求為設計基礎，在平臺內部形成“多域隔離 + 安全仲裁”的結構：感知、決策、控制和模型等關鍵環(huán)節(jié)分別承擔不同的安全職責，而獨立的安全域則作為仲裁中樞，對各域上報的狀態(tài)和指令進行統(tǒng)一判斷，確保所有計算與控制都在安全閉環(huán)中運行。

在此基礎上，SesameX 將安全機制貫穿從“感知”到“執(zhí)行”的完整鏈路：從傳感器數(shù)據進入系統(tǒng)開始，到模型推理、決策下發(fā)，再到執(zhí)行機構動作，每一階段都配有相應的監(jiān)測與保護策略。一旦出現(xiàn)異常數(shù)據、模型輸出異�；蚩刂奇溌凡灰恢拢�系統(tǒng)可以通過限制動作、策略降級或切換安全模式等方式，避免風險被放大，而不是單純依賴外部急�；騿吸c防護。

在黑芝麻智能的眼里，系統(tǒng)安全是 SesameX 架構中的高階能力，它融入各個層級，為機器人提供可靠、可信的安全保障：安全不再是附著在機器人外層的防護殼，而是與中間件、原子應用層等一起，成為 SesameX 日常運行方式的一部分，讓機器人在不斷拓展能力邊界的同時，始終保持對人和環(huán)境的可控與克制。

在 SesameX 的邏輯中，安全不是“強行糾錯”，而是“讓機器人從架構上具備自我保護與保護他人的意識”。

對于機器人行業(yè)來說，安全不是附屬條件，而是商業(yè)化的決定性因素，只有當人類敢把身體交給機器人，才會出現(xiàn)真正意義上的市場。而SesameX 的系統(tǒng)級安全設計，正是試圖為機器人行業(yè)補上這塊“決定未來”的底座。

三、機器人需要的五項核心能力

結合多年在智能駕駛和車規(guī)級平臺上的量產經驗，黑芝麻智能認為，機器人要真正走向規(guī)�；�落地，至少需要在幾個方向上形成體系化能力：可信安全、空間智能、認知理解、自主學習、多模態(tài)協(xié)同。它們并非抽象概念，而是機器人要從“可運行”邁向“可協(xié)作”、從“可演示”邁向“可量產”的必要條件。黑芝麻智能并不是把每一項能力拆成互不相干的功能模塊，而是希望這些能力都能在同一套工程體系中被搭建出來、被反復驗證，并在長期運行中持續(xù)演進。

首先是可信安全。在機器人開始進入家庭、工廠、醫(yī)院、園區(qū)的時代，它們將與人保持更密切、更頻繁的物理互動，這使得安全不僅僅是要求“不要出錯”，而是要求機器人在任何情況下都能保持行為的可預測性、可控性和可恢復性。只有當人類愿意把自己的身體、孩子、財物交給機器人時，商業(yè)化才真正成立。黑芝麻智能從車規(guī)級架構遷移來的多域安全體系，將安全從一個模塊提升為一種貫穿計算、感知、決策、控制鏈路的能力，讓機器人在面對復雜沖突時仍能優(yōu)雅降級并保證可靠性。

第二項能力是空間智能。具身智能的核心能力不是看清楚，而是理解三維世界的結構、動態(tài)與語義，這與自動駕駛的“可預測道路模型”完全不同。機器人需要在辦公室、家庭、樓梯間、廠房、貨架等極度復雜的異構環(huán)境中判斷地面可行性、空間拓撲、障礙物屬性等。黑芝麻智能通過在底層提供多模態(tài)同步采集、高帶寬感知管線以及實時調度能力，讓空間理解不依賴單一模型，而是成為系統(tǒng)級能力，從而增強機器人的環(huán)境適應性。

第三項能力是認知理解。傳統(tǒng)機器人依賴規(guī)則或腳本，但下一代機器人必須具備理解任務意圖、構建任務圖、選擇技能組合的能力，也即從“執(zhí)行命令”轉向“理解意圖”。黑芝麻智能通過原子應用層將復雜任務拆解為最小可復用單元，使機器人不僅能完成動作，還能根據任務目標理解為何這樣做。這讓機器人擁有了從基礎行為邁向任務級智能的路徑。

第四項能力是自主學習。真實環(huán)境永遠在變化，機器人必須具備讓自身在使用過程中不斷變得更好的能力，而不是依賴工程團隊不斷手動調參。黑芝麻智能將這種學習能力嵌入到系統(tǒng)循環(huán)中，通過 Runtime 的自優(yōu)化機制、經驗緩存和策略重寫，讓機器人能夠在執(zhí)行任務的同時修正自身行為。這意味著機器人不再是一次性部署的靜態(tài)產品，而是一個能夠持續(xù)進化的智能體。

最后是多模態(tài)協(xié)同。機器人需要同時處理視覺、語言、觸覺、力控、導航、規(guī)劃等不同類型的任務，這些任務的時間尺度、計算需求和實時要求都不同。如何讓它們不相互阻塞、如何確保優(yōu)先級合理、如何在毫秒級響應，是決定機器人“看起來自然”的關鍵。黑芝麻智能通過全棧 XPU 調度和三維并行架構，讓多模態(tài)任務并行成為常態(tài)，使機器人能夠以接近人類的連續(xù)性和一致性與世界交互。

從本質上看，黑芝麻智能希望將那些在人類身上經過漫長演化才形成的能力，以可工程化的形態(tài)注入機器人系統(tǒng)，讓機器人不止“能動起來”，還能持續(xù)成長，在完成任務的同時逐步學會理解并適應所處的世界。

四、商業(yè)化進展：從真實產品驗證平臺能力

在發(fā)布會上，黑芝麻智能強調判斷一個平臺是否能夠成為產業(yè)底座，最關鍵的標準不是技術指標本身，而是是否能夠在真實場景中長期穩(wěn)定運行，并支撐不同形態(tài)機器人的落地。現(xiàn)場展示的多款合作伙伴產品，正成為 SesameX 平臺能力的直接驗證載體。

目前，SesameX 已經在物流、巡檢、人形等多個場景中實現(xiàn)部署，這些產品不僅完成了樣機演示，更進入了持續(xù)運行和迭代階段，從而為平臺提供了最具說服力的驗證路徑。

在園區(qū)與工廠這樣的封閉空間里，物流機器人是最早走向規(guī)模部署的一類產品。星程智能的慢速物流車采用了 SesameX 中的 Kalos 模組，將視覺感知與底盤控制集成在一塊信用卡尺寸大小的模組內。在這個組合下，Kalos 不只是一個算力模組，而是承擔起“視覺中樞 + 運動中樞”的角色，使物流車能在高性價比前提下穩(wěn)定完成定位、避障與路徑跟隨。這種一體化中樞意味著開發(fā)周期顯著縮短，也讓后續(xù)迭代成本可控。

深庭紀的消費級四足機器人是 Aura 平臺的重要落地之一。四足機器人每邁出一步，都在同時處理平衡、足端接觸力、視覺感知、環(huán)境理解等多路信息，如果算力分配稍有不當，就會出現(xiàn)步態(tài)不穩(wěn)甚至摔倒�；�于 Aura 的平臺方案中，多模態(tài)同步采集和毫秒級調度允許機器人在高速運動中實時修正身體姿態(tài)，既能完成高難度動作，又能保持對周邊環(huán)境的持續(xù)感知。這類產品不再只是展會上的“炫技道具”，而是開始具備走進真實場景的基礎能力。

往更高一層看，黑芝麻智能與武漢大學團隊在 Liora 平臺上探索的人形機器人方案，則開始引入世界模型與端到端控制，讓機器人在面對開放環(huán)境時具備更強的整體性理解與決策能力。這里的 SesameX，不再只是執(zhí)行預設動作，而是成為承載“世界觀”的計算基礎。

除了單機形態(tài)的產品落地，SesameX 也開始進入行業(yè)級解決方案之中。黑芝麻智能與均勝電子達成的戰(zhàn)略合作，指向的是未來具身機器人“頭部總成”和域控制器的標準化；而與湖北華中電力的合作，則把具身機器人帶入輸電巡檢、帶電作業(yè)等高度危險的電力場景。前者讓 SesameX 嵌入汽車級供應鏈體系，后者讓它成為行業(yè)數(shù)字化、智能化基礎設施的一部分。

這些已經落地、正在運行的產品，共同指向一個事實：SesameX 并不是一個等待市場驗證的概念，而是一套正在被不同類型機器人反向“打磨”的產業(yè)底座。正是通過這些合作伙伴，SesameX 的架構、工具鏈和安全體系在真實場景中不斷接受壓力測試，并在一次次部署與迭代中被塑造成更成熟的“全腦智能平臺”。

如果說過去幾年機器人行業(yè)的關鍵詞是“速度”和“想象力”，那么未來幾年決定行業(yè)走向的，將是“穩(wěn)定性”“安全性”和“系統(tǒng)性”。行業(yè)需要一個能夠讓機器人從單點突破走向規(guī)模落地的基礎平臺。

黑芝麻智能這次給出的并不是一個激進的概念，而是一套穩(wěn)扎穩(wěn)打、體系化清晰，且在真實場景中已經被驗證的答案：讓機器人從“可運行”邁向“可協(xié)同”，從“可展示”邁向“可信任”，從“可用”邁向“可成長”。

SesameX 的出現(xiàn)標志著機器人行業(yè)開始進入“底層能力重構”的階段。在這個階段，決定行業(yè)未來的不是誰的動作更炫、誰的模型更大，而是誰能構建出一個真正面向現(xiàn)實世界、可持續(xù)進化的智能體系。而這，正是 SesameX 想要承擔的使命。

       原文標題 : 黑芝麻智能SesameX：重建機器人「該如何計算」的底層結構