摘要： Meta 於 2026 年 7 月 27 日介紹 RAMMP，這項輔助機器人專案由匹茲堡大學 HERL 主導，獲 ARPA-H 最高 4,150 萬美元支持。系統以 DINO、SAM 和 RF-DETR 在電池供電裝置上做即時視覺感知，並為速度與穩定犧牲部分精度。文章指出實際部署規模與長期成效仍須等待後續真實世界測試。
輪椅使用者感受到的感知延遲，量起來像效能指標，實際上卻是安全底線。Meta AI 部落格 2026 年 7 月 27 日的文章給出兩個數字：全美估計有 550 萬名輪椅使用者，每年送進急診的輪椅相關傷害超過 10 萬件，絆倒與跌落是最常見的成因。輔助科技若應付不了真實世界的複雜度，被犧牲的不只是便利，還有信心與人身安全。
RAMMP 專案要解的就是這道題。它由匹茲堡大學的 Human Engineering Research Laboratories（HERL）主導，背後是 ARPA-H 最高 4,150 萬美元的支持，並與 ATDev 合作，把機器人、AI 以及使用者中心的設計收攏進同一個平台。
為何是 DINO 與 SAM，而非自行標註
撐起 RAMMP 視覺能力的是 Meta 開源的兩款模型，DINO 與 Segment Anything Model（SAM）。Meta AI 部落格的文章說得很清楚：DINO 屬於自監督視覺 transformer，靠未標註的資料就能學到視覺表徵，碰上標註稀缺的場合正好合用；SAM 只需要極少的提示，就能在影像或影片裡認出物件並把它描出來。
管線的拼裝方式是這樣：以 RF-DETR 為骨幹，用 DINOv2 embeddings 進行微調，訓練資料則全數交給 SAM 自動標註。有了這套組合，涵蓋各種角度、高度、背景與光照的高品質標註才能快速產出。資料出自 SAM，表徵出自 DINOv2，推論由 RF-DETR 執行——三個環節各司其職。
「用大模型產資料、用小模型上線」是這套做法的核心；同樣的邏輯也出現在 SimpleDesign 對蛋白質設計流程的意義 把兩階段訓練拿掉的做法裡——貴的環節留在離線端，便宜且穩定的環節跟著使用者走。
邊緣裝置上的取捨實況
電池供電的硬體得同時承受好幾種壓力：續航、散熱、時斷時續的網路連線，還有嚴格的體積與重量上限，而 DINOv3 與 SAM 都得在這種條件下工作。依 Meta 文章的敘述，團隊為邊緣裝置調整模型的手段包括壓低記憶體佔用、視情況改用較低精度、選擇貼近實際環境的部署格式，再靠實用解析度搭配有效率的分批處理把速度撐住。
這筆帳算得很清楚：邊界精度或特徵細節有時必須讓位，好換取使用者在移動當下需要的速度與穩定度。文中，RAMMP 專案幕僚長 Sivashankar Sivakanthan 把評判標準說得毫不含糊——輔助機器人夠不夠好，不看 benchmark 準確率，看的是它能不能在日常生活難以預測的狀況裡穩定運作。
DINOv3 在這個架構裡被當成精簡的「視覺大腦」使用：以通用基礎為底，往上疊加任務專屬的輕量模組，去執行物件偵測或移動追蹤，視覺資料因此能重複使用，電力也跟著省下來。
原型已到位，難題仍在
據 Meta 文章所述，這些功能已經整合進第一個原型：團隊以 DINO 相關工具查詢機器人的影像感測器，辨識自動門按鈕、杯子，以及路緣與地面，用來輔助導航。下一步要補上語音與觸控輸入，使用者才能點選並操作周遭的特定物件。
難度在此又加了一層：模型輸出的準確度與時間一致性固然要顧，系統在使用者五花八門的提示與輸入下是否夠穩定、可預測，同樣得做到。往後的整合清單上，SAM 3.1 與 DINOv3 都在列，目標是把時間一致性做強、把跨真實條件的穩健度拉高，並讓系統與決策控制系統銜接得更緊。
專案靠的也不只是技術堆疊。設計過程中，HERL 把輪椅使用者、臨床人員與倡議團體一併納入；合作名單上另有 Kinova Robotics、LUCI Mobility、ATDev，以及 Carnegie Mellon、Cornell、Northeastern、Purdue 等學術單位。
產品開發者可以帶走的東西
假設你的產品同樣得在裝置端跑視覺模型，RAMMP 的分工方式值得照抄：離線的資料標註與表徵學習交給大型模型，微調過的輕量模型負責即時推論，而「精度換速度」該被寫進設計參數，不是當成失手。
另一件不能忽略的事：驗收這類系統時，標準跟使用者體驗是分不開的。使用者得同時操作輪椅、又用語音描述環境，此時介面上任何一點摩擦都會立刻轉成認知負擔。系統之所以要把自然語言和影像資料併起來查詢環境，為的就是削減這份負擔與情境切換。
現階段外界能掌握的內容，都來自 Meta AI 部落格對 RAMMP 的介紹；至於專案真正部署到多大的規模、長期成效如何，還得等後續真實世界測試的結果才能說分明。