Black Forest Labs发布机器人模型，进军物理AI领域
德国BlackForestLabs推出Flux3模型，可同时处理图像、视频和音频并预测动作，与合作方开发动作模型，正与奥迪等厂商测试。其多模态能力从生成转向理解世界，为机器人提供视觉智能核心。
先看一则关键动态：德国AI实验室Black Forest Labs正将业务触角从图像生成延伸至物理AI领域。其最新发布的Flux 3模型，已不再局限于“画图”，而是能够同时处理图像、视频和音频，并依据所获取的信息预测下一步动作——这实际上是在为机器人构建具备“视觉智能”的大脑。
Flux 3从内容生成走向环境理解
具体来看，Black Forest Labs已与Mimic Robotics AG展开合作，推出名为Flux-mimic的动作模型。目前，该模型正与奥迪等制造业合作伙伴进行测试。从实验室中的照片级渲染，到工厂内真实机械臂的应用，这一进展速度比外界预期更快。
多模态能力正从生成内容转向理解世界
这一动向释放出的信号十分明确：多模态学习能力正在从“生成内容”迈向“理解世界”。Flux 3能够同时从图像、视频和音频三种模态中提取特征，这意味着它不再只是生成一张精美图片，而是可以理解场景中物体的运动规律、声音的来源方向，以及时间序列中的因果关系。这些能力，正是机器人实现真实环境交互所必需的核心基础。
Flux-mimic瞄准工业机器人应用场景
与Mimic Robotics的合作，更像是一次“认知”与“动作”的结合。Flux-mimic模型承担感知与决策功能，而Mimic Robotics则提供执行层面的硬件和算法支持。奥迪的参与也表明，工业制造场景对这类“看得懂、能预测、会操作”的AI模型确实存在实际需求。比如在装配线上，机器人需要根据视觉与听觉信号实时调整下一步动作，而不是机械地重复预设程序。
从图像生成积累迈向物理AI仍有挑战
值得注意的是，Black Forest Labs并不是从零开始布局这一方向。此前，其在图像生成领域积累的Flux系列模型，已经验证了自身对视觉数据的处理能力。如今向物理AI拓展，相当于将“看”的能力进一步升级为“看+想+动”。不过，从实验室测试走向大规模工业部署，仍然有很长的路要走——模型的实时性、鲁棒性，以及与不同硬件平台之间的兼容性，都是接下来必须解决的关键问题。