依意思最接近的 30 筆
清華大學聯合無問芯穹、智元提出群體經驗學習（CEL）範式，讓機器人學習同伴的成功經驗，並在 96 臺真實機器人上完成規模化驗證。兩臺未參與訓練的機器人在插花、疊衣、手機包裝等五項任務共 600 次測試中成功率 97.5%，均超過 6 名人類操作員的平均水平，其中手機包裝任務從 79.2% 升至 98.3%。參與訓練的機器人從 16 臺增至 96 臺時，成功率由 86.7% 升至 98.3%；底層系統 FATS 基於開源框架 RLinf 建置，96 臺叢集中故障造成的機時損失僅 1.3%。
舊金山初創公司 Industrial Next 在 TechCrunch Disrupt 2026 上宣布與 BMW 集團技術辦公室合作，評估其 AI 靈巧操作技術用於製造。該公司由兩位前特斯拉工程師於 2021 年創立，做的是基於自研基礎模型的機器人工作站，把視覺、任務上下文與運動控制打通，用高保真模擬訓練，產線換型從數週縮短到數分鐘，無需傳統程式設計。其工作站已在某款熱門手機的生產中使用，負責柔性排線穿線、聯結器扣合等此前難以自動化的工序；
哈佛、輝達、伯克利、MIT 與斯坦福團隊提出 RAX：讓通用 Coding Agent 直接接入機器人的感知與控制介面，靠自主探索把成功決策寫成可執行程式，模型引數全程凍結。
有團隊建置了 Team Bot，讓公司每個人都能按需獲得資料科學家支援。產品經理用它調查產品使用情況，營銷人員用它衡量營銷活動結果，公司各團隊還用它搭建看板並跟蹤關鍵指標；原文中該工具也被稱為 Data Bot。目前披露的僅是內部使用場景，未給出具體模型、價格、上線時間與可用範圍。
Artificial Analysis 於 10 月 14 日發布 AA-Robotics v0.1，首次讓 GPT、Claude、Gemini 等前沿模型藉助程式設計 Agent 操控真實機械臂，零樣本完成倒水、寫字、搭積木等八項任務。GPT-6 Astra 以 69.4 分居首，GPT-6.1 Sol 64.6 分，Gemini 4 Argon 55.3 分，Claude Opus 5.5 與 Fable 5.1 分別為 48.8 和 46.3 分。
香港科技大學與澳門大學團隊提出 META-Robot，讓機器人在任務中同時改進操作技能、反饋獲取方式與判斷標準，並用動作級謂詞把失敗追溯到具體動作。在 LIBERO-Pro 模擬 Spatial-Task 設定下，採用 GPT-6 Astra 的 META-Robot 成功率為 95.8%，比 ASPIRE 的 60.0% 高 35.8 個百分點，移除動作級謂詞後降至 76.0%。
Aether AI 發布因果驅動的機器人智慧系統 CRIS-0，演示中面對人類突然移走咖啡袋、燈光干擾、往盤裡放飲料罐、關門時伸手等干擾均能即時調整，反應速度達 0.1s 級。它把機器人智慧分成兩層：因果驅動機器人 Agent 負責任務拆解、階段驗證與失敗恢復，因果世界模型預測動作帶來的物理變化。相比端到端模型，它在抗干擾、模糊指令和長程任務上更穩；團隊稱該路線還可延伸到生物製藥、新材料研發，更底層的 Causation Transformer 仍在驗證。
在輝達負責機器人平台產品營銷七年的 Amulya Vishwanath 轉做風投後認為，機器人目前仍處於「樂高時代」：執行器、機械手、軟體和安全標準等基礎構件還在重建。她由此判斷機器人尚未迎來自己的 ChatGPT 時刻，這與「通用基礎模型即將引爆機器人」的看法相反。
在輝達領導機器人平台產品營銷七年的 Amulya Vishwanath，如今轉而投資 Physical AI，並認為機器人行業仍處於“樂高時代”、尚未迎來爆發。這一判斷與“通用基礎模型將推動機器人突破”的流行看法相反：執行器、機械手、軟體與安全標準等基礎構件仍在重建，而 Physical AI 的內涵也不止於機器人。
Aether AI 與 UC San Diego 提出 RobotAgentBench，用於評測機器人在開放世界家庭場景中的自主能力。基準包含 50 種家庭佈局、90 項原子任務與 4 類開放場景，比較 8 個 VLA、3 個 WAM 與 Codex、Claude Code、Antigravity CLI 等編碼智慧體的組合。獨立 VLA/WAM 的任務發現得分均低於 2，開放場景綜合得分最高僅 2.0；
清華大學、智元與無問芯穹聯合提出群體經驗學習（CEL）範式，讓機器人用同伴的成功與失敗經驗替代人類示範，並在 96 臺真機上完成原型驗證。手機包裝長流程任務中，成功率從 79.2% 升至 98.3%；參與訓練的機器人從 16 臺增至 96 臺，成功率由 86.7% 提高到 98.3%。五項真實任務共 600 次測試，總體成功率 97.5%，高於人類示範方案 HG-DAgger 的 81.0% 與離線微調 SFT 的 36.3%。
ChatGPT 新增 team tasks（團隊任務），能把重複性的工程工作自動化，例如每週五自動彙總已經上線的內容和被阻塞的事項。隊友可以審閱生成的結果，並調整下一期更新涵蓋的範圍，因此這類週期性彙報不必再由一個人獨自維護。該訊息由 OpenAI Devs 帳號在 10 月 20 日發布，面向團隊協作場景。
蘇格蘭愛丁堡的 Danu Robotics 完成 500 萬美元 late-seed 融資，其 AI 回收分揀機器人 H.E.R.O. 開始推向市場。該機器人用夾爪而非吸盤抓取物品，並靠 AI 持續改進軟體；公司已有 50 萬美元簽約合同、兩家大客戶意向書，銷售管道中超過 200 家客戶。創始人 Amy Ma 估算，單條分揀線每年可增收 48.5 萬美元，而初始投入 16 萬美元、年維護 2.4 萬美元。下一步是讓機器人更小更便攜，用於商場、醫院、機場等就地回收。
跨維智慧發布 UNITAS，稱其為首個機器人任務原生的 3D 世界模型，把觀測、動作與環境變化統一到同一三維物理空間，用點的位置與軌跡表示，引數僅 1.7B。它在 LIBERO 取得 99.8% 平均成功率、LIBERO-Plus 89.1%，RoboTwin 2.0 雙臂 Clean 與 Randomized 分別 92.94% 和 93.04%，超過 6B 的 Fast-WAM 與 8B 的 Motus，真實機器人任務平均成功率 85%。
南洋理工大學研究者與合作者發布 CodeActionBench，用 25 個雙臂模擬任務評測通用多模態 Agent 的機器人操作能力。GPT-6 Astra 在 Codex CLI 下嘗試成功率 73.3% 居首，75 次嘗試完成 55 次、22 個任務至少成功一次；Claude Opus 5 在 Reference harness 與 Claude Code 下分別為 49.3% 和 45.3%，Gemini 3.6 Flash 為 20.0%。
密西根大學團隊創立的 Laplace Intelligence 正在為機器人、自動駕駛等物理 AI 做自動化紅隊測試：用 AI 智慧體在高保真模擬中自動設計罕見極端場景，在部署前找出失效點。模擬環境基於輝達 Cosmos 世界模型的後訓練版本搭建，可按語言指令即時改造街景，並讓其他交通參與者對環境做出互動反應。
研究團隊提出具身 RSI 系統 Recursia，通過內外雙層迴圈讓機器人從執行經驗中改進共享執行棧，在 LIBERO-Pro Long 零樣本長時操作的位置/任務擾動下成功率達 28.4%/53.4%，比輝達 ASPIRE 高 5.8/15.1 個百分點。共享棧分為工具、技能、交接、驗證四層，候選修改需經通用性檢查、機制測試及父子版本配對比較。
小米的通用機器人操作基座模型關鍵技術獲 2026 世界網際網路大會“領先科技獎”，小米集團同時拿下“傑出貢獻獎”。峰會期間小米披露，人形機器人在汽車工廠中控臺側蓋板排序工站首次完成 8 小時整班作業，可自主糾偏並與產線系統級協同。家庭場景方面，基於 10 萬小時真實運算元據預訓練的 Xiaomi-Robotics-1 已在小米青年公寓試運營，完成連續超 30 分鐘、覆蓋 3 個房間、50+任務的長程驗證。該模型在 RoboCasa365、RoboDojo 等榜單位列全球第一。
董豪團隊聯合啟元機器人、北京大學、西安交通大學提出 HIL-UMI：人手持夾爪示範時，模型同步預測動作並標出與人類操作的分歧，從而在不執行機械臂的情況下采集後訓練所需資料。該方法以 π0.5 為基礎模型，在 Franka 機械臂上測試整理桌面、折毛巾、疊方塊、蓋章四項任務，三輪更新後平均任務進度分數從 62.3 升至 94.8，同等資料量下常規 SFT 僅從 44.3 升至 58.0。整理桌面任務中其採集效率為 HG-DAgger 的 5.63 倍，最終得分 96 比 91。
喬治亞理工與 MIT 團隊提出多智慧體系統 MASCOT，用兩階段訓練緩解多個 AI 角色越聊越像的「角色坍塌」：先讓傾聽者、鼓勵者、分析者等角色分別對齊各自行為，再訓練 Director Agent 選擇下一位發言者與回應策略。在情感對話資料集 ED 上，MASCOT 的角色一致性得分 80.0，比最強基線高 14.1 分，群體互動總分 57.3、提升 5.4 分；40 人盲評中約七成偏好 MASCOT，會議資料集 QMSum 三個子集總體評分也均領先。
星塵智慧 10 月 25 日在深圳結束 AOS 機器人駭客松總決賽，17 支隊伍用 36 小時做出 16 個 App 並跑通真機，上真機率 94%。三站共 47 支隊伍參與，創作者藉助 AOS 封裝的 Meta 技能包與 GPT-6、DeepSeek 等模型，不寫底層控制程式碼就能開發機器人應用。冠軍「遠端分身」打通手機與 T1 機器人的雙向即時控制，可遠端鏟貓砂、澆花、取快遞。星塵同時推進 Lumo-2 具身基座模型與起售價 8.99 萬元的 T1 本體。
前輝達產品營銷負責人、現 Techable Ventures 創始人 Amulya Vishwanath 表示，物理 AI 目前仍處於「樂高時代」，機器人領域的 ChatGPT 時刻尚未到來。她認為，當前行業仍在搭建機械手、執行器等基礎構件，通用與專用機器人並行推進，只有這些模組成熟組合後才可能迎來突破。她同時強調人才是關鍵壁壘，大量人才正流向 Anthropic、輝達等大公司。
正行創新 10 月 8 日在亞太零售商大會（APRCE 2026）發布零售開放場景的 Physical AI 24/7 人機協作方案，由機器人本體與統一管理平台 M1 組成，無需改造門店貨架與動線。首批本體為雙足人形機器人 H1（支援 20 多種語言、45 種表情、36 種手勢，提供開放 API）和搬運理貨輪臂機器人 C1（窄體全向底盤，作業高度覆蓋 100mm 至 1750mm 以上，遇障緊急制動距離小於 10cm）。
10 月 30 日，破殼機器人發布具身 API 產品 RoboAPI：在適配的機械臂上接入後，開發者無需採集資料、訓練模型，用一句 prompt 就能讓機械臂在陌生環境完成未專門訓練過的任務，目前免費開放接入，僅限非商業化使用。
TechCrunch Disrupt 2026 第二天在舊金山 Moscone West 舉行，議程集中在 AI：Nvidia、Waabi、Flock Safety、Ricursive Intelligence 以及 Benchmark 合夥人登臺，話題覆蓋機器人、AI 硬體、公共安全與風險投資。
10 月 13 日，深圳視塔機器人完成天使輪融資，投資方包括華為旗下哈勃投資、深高新投旗下基金與高軒投資。公司由 1998 年出生的張偉創辦，團隊約 50 人、平均年齡約 23 歲，核心方案是把膽甾相液晶彈性體等柔性光子晶體與柔性 TFT 感光陣列結合，做成厚度小於 1 毫米、感知密度超 10,000 點/cm²的電子皮膚，量產感測器經 100 萬次測試誤差率均小於 5%。其自研的“外掛觸覺小腦”可與 VLA 等上層模型協同，在擦黑板、插孔等內部測試中任務成功率最高提升近 100%。
商湯聯合大曉機器人、Ropedia、南洋理工大學與東京大學發布報告《Has GPT-6-Astra Achieved Embodied Intelligence?》，對 GPT-6-Astra 做了 12 項模擬評測與 8 個真實機器人平台的系統測試。在允許上下文學習並把動作步數放寬到最多 10 倍後，它在 LIBERO-Long++ 上達 100%、LIBERO-Pro 99.3%、SIMPLE 98.8%；
Manifold AI 流形空間的 WorldScape R²SI 框架在機器人學習基準 RoboDojo 的 Agent Track 登頂，超過 GPT-6-Astra 與輝達 GR00T-N1.7。該框架由內外雙層 Agent 組成，內層執行任務，外層跨輪次復盤、修訂 Skill 並訓練 reactive model（WSP）。在 push_T 任務中，動作步數從首輪 723 步（超出 600 步預算）降至 596 步，再降至 389 步，降幅約 35%。
上海交大、UC 伯克利、斯坦福、MIT、Google、微軟、輝達、小米等機構聯合發表論文《Who Improves the Robot? Toward Physical Recursive Self-Improvement》，提出 Physical RSI 概念，並用 L0-L5 分級區分「機器人任務做得更好」與「改進方法本身變得更有效」。論文還梳理了 Harness 適應、模型訓練、安全與驗證的全鏈路路徑，指出目前仍缺少能檢驗遞迴增益的基準，並列出六個待解問題。
人大高瓴 GeWu-Lab、智源研究院等提出 ROMA 系統，讓多感測器機器人主動與物體互動來補全物理理解，其 ROMA-7B 模型在 ROMA Bench 的 2100 道題上取得 72.9% 成功率，整體與 GPT-6 Astra 持平，並超過 GPT-5.4 與 Gemini 3.5 Flash。該工作同時開源了覆蓋近 2000 個真實物體、視聽觸力四模態同步採集的互動資料集 ROMI-2K，以及包含單鏈、多鏈和意圖驅動三類任務的評測基準。