在慕尼黑机场附近的 LabCampus，10 月 22 日开了一个不太像实验室的地方。它叫 TUM RoboGym，由 NEURA Robotics 与慕尼黑工业大学机器人与机器智能研究所共建，面积超过 2300 平方米，首期约 100 台人形与服务机器人在 48 个训练舱里学做事：折纸箱、装瓶、搬运木质构件、识别次品并分拣。合作双方在最初三年投入约 1700 万欧元，其中约 1100 万来自 NEURA。同一天，NEURA 发布了新一代人形机器人 4NE1 Gen 4，比上一代轻 20%。
名字里藏着商业模式。实验室按项目验收，健身房按课时运转，客户带着真实工序进来，练完带走经验。RoboGym 的参与方来自十多个行业，包括汽车、制药、医疗技术、包装、物流、农业与护理，他们从 9 月起就在这里训练流程，当前集中在工业应用与厂内物流。
这种安排解决的是数据来源问题。慕尼黑工大在介绍中明确指出，物理交互数据的稀缺是这个设施要应对的核心问题，机器人学装配需要的是运动、接触、受力以及动作结果的观察，这些不在互联网上。客户把工序带进来，机器人在真实工件上反复试，产生的数据反过来改进模型，形成一个只有场地才能提供的闭环。
对企业来说，这也是一个低风险的试用通道。买一台人形机器人动辄数十万欧元，还要承担集成与维护成本，先在训练场里验证哪类任务真的能被机器人接住，再决定采购哪种形态，比直接下单理性得多。训练场因此同时扮演了销售前台与技术后台。
4NE1 Gen 4 的公开信息里，硬件变化集中在两点。整机比上一代轻 20%，机身更纤薄，外层覆盖黑色织物；手部重新设计以提升精细抓取能力。轻量化对续航、运动控制、安全余量都有直接好处，也更接近量产要求，官方表示正在为系列化生产做准备。
更值得注意的是控制架构。NEURA 把这套设计叫 Smart Limbs，把反射做进单个肢体，让每条肢体能独立应对外界变化。传统人形机器人是集中式控制，中央控制器采集全身传感器数据，算出关节指令再下发，链路长、延迟高；把反射下沉到肢体，遇到突发阻力可以就地反应，动作更顺，也更接近生物的运动方式。
两种架构的分歧在于责任划分。集中式容易统一协调，适合复杂任务规划；分布式反应快，适合安全与柔顺交互。NEURA 的选择是把两者叠起来，上层负责规划，下层负责反射。这条路对执行器与控制器的要求更高，成本也更贵，换来的是在有人环境里作业的安全边际。
4NE1 Gen 4 搭载的 Neuron AI 是 NEURA 的物理 AI 基础模型，采用感知、语言、动作一体的架构，把视觉信息与触觉、力、声音以及机器人自身状态结合起来生成动作。官方举的例子很具体：装配时可以通过紧固件是否咔哒入位这种物理反馈判断成败，而不只依赖图像。
这套模型运行在机器人本地。本地推理的好处是延迟低、断网可用，对工业现场意义重大，车间网络波动不应该让产线停摆。代价是算力受限，模型规模必须压到边缘设备能承受的范围，能力上不可能与云端大模型相比。NEURA 的做法是把模型做小做专，用真实数据补上通用性的缺口。
配套的 Neuraverse 软件生态负责技能共享，一台机器人学会的能力可以分发给其他联网设备。这个设计把单机学习变成了群体学习，训练场里积累的技能不必每台机器重新学一遍。它也让训练场的商业价值放大，客户在这里练出的技能，未来可能成为可交易的资产。
RoboGym 的训练体系由三部分经验构成。机器人在任务中产生运动、接触与结果的传感器记录；人通过带传感器的服装、动作捕捉与遥操作演示流程，把人的动作转成可用的训练样本；仿真通过 NEURA 的数据放大器扩增情境与变体，训练出的技能再回到实体机器人上验证。
第三部分的验证环节是关键。仿真里表现好不等于现实里能用，材质、摩擦、形变、光照的细微差异都会让策略失效。把仿真结果放到同一批训练舱的真实工件上跑一遍，等于给数据加了一道质检。这套流程成本不低，但比在客户产线上试错便宜得多。
训练任务本身也经过挑选，纸箱、瓶子、木构件这些物件的共同点是形状规则、重量适中、失败成本低，适合作为入门课程。慕尼黑工大展示的场景包括人形机器人识别次品并分拣、学会折箱并把零件放进去，都是可以直接对应到产线工位的动作。
NEURA 的打法是重资产、重生态，靠训练场把客户、大学、供应链绑在一起，用三到五年的周期换取工业客户的信任。这条路适合欧洲市场，制造业密度高、人工成本高、对安全认证要求严，客户愿意为可靠性付溢价。
中国的路线更强调成本与迭代速度，供应链完整，执行器、减速器、灵巧手的迭代周期短，整机价格下探快。两条路线短期内不会正面冲突，因为客户群不同，欧洲客户买的是可审计的流程与安全认证，中国客户买的是性价比与交付速度。长期看，成本优势会向上渗透，欧洲厂商需要用数据与服务建立护城河。
对整个行业来说，RoboGym 这类设施的出现意味着竞争进入了新阶段。比参数、比演示视频的阶段正在过去，接下来比的是谁能稳定产出高质量的真实交互数据，谁能把训练成本摊薄到每个工位可承受的水平。机器人能不能进厂，最终不取决于它会不会后空翻，而取决于它能不能在八小时班次里不出错。