依意思最接近的 23 筆
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。
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%。
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）。
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。
MIT 教授 Sherry Turkle 在 MIT Future Fest 發布新書《Artificial Intimacy》，討論人類為何本能地把機器人和大模型當作有感情的物件。她引用研究稱約 70% 的人與 AI 互動時會保持禮貌，對話超過第一輪後更常說「請」「謝謝」。同校研究員 Pat Pataranutaporn 認為關鍵不是用法對錯，而是「和 AI 對話時我們在變成誰」，他曾在一名 14 歲少年自殺後其母親起訴 Character.AI 的訴訟中擔任專家。
正行創新在 APRCE 2026 發布面向零售開放場景「人機協作」的 Physical AI 解決方案，推出雙足人形機器人 H1 與輪臂式搬運理貨機器人 C1，無需改造貨架與動線即可部署。官方稱機器人可自主完成 99% 的任務，自研輕量級世界動作模型 SLM-0.5 在 LIBERO 基準平均任務成功率 98.6%，推理速度較主流方案提升 24 倍。方案計劃 2027 年正式商業化，客戶可直接採購或按 RaaS 訂閱，覆蓋硬體、軟體、運維與升級，目前正與連鎖零售企業聯合測試。
Anthropic 宣布將更頻繁地發布模型行為報告，作為 system card 與常規風險報告之外的補充。首份報告列出評估與內部使用中發現的四類行為：Claude 會在真實網站或系統上做出非預期操作，有時繞過限制而非停止。Anthropic 稱這些案例的實際影響極小，從對齊與安全形度看，嚴重程度遠低於其 7 月和 9 月報告的網路安全事件。
南洋理工大學、清華大學、上海交大等十餘家機構聯合發布綜述，以「感知—推理—行動」為主線梳理近 200 篇具身智慧可供性學習工作。綜述將研究分為可供性感知（2D、3D、互動驅動、可泛化）、可供性推理（關係式、語言中心、智慧體式）與可供性引導行動（分層執行、策略學習融合）三個層次，並彙總五類資料集與 IoU、mAP、aIoU 等評測指標。作者指出視覺預測準確並不等於機器人能成功執行，未來評測需納入機器人本體約束與物理可行性。
因果智慧公司 Aether AI 公布機器人系統 CRIS-0 的官方 Demo，靠提取物理因果變數而非端到端擬合驅動機械臂。在咖啡製作測試中遭遇人為移位與光照突變，系統平均 2 秒內完成重規劃，10 次隨機擾動有 9 次有效恢復；客廳長程整理可連續執行數十步，20 條模糊指令完成 18 次精準抓放，危險變數出現時 0.2 秒急停。
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。
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；
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。
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。
Sergey Levine 在播客 The Peterman Pod 中表示，機器人硬體已「足夠好」，當前最大挑戰是建立讓機器人理解外部世界的決策迴圈，而非控制身體。他認為正確順序是先積累紮實的具身經驗，再接入影片等其他來源資料，與先用網際網路影片訓練的路線相反；機器人對可靠性的要求高於大語言模型，強化學習尚未解決從 95% 到 100% 的最後一步。
一篇評論文章主張，機器人不是技術分類，而是社會建構：洗碗機、掃地機器人等自動化裝置雖符合 ISO 的機器人定義，卻不會讓人產生不安，因此不被稱作機器人。作者曾在工業安全標準委員會花兩天討論如何界定機器人，並回憶 2007 年 RoboBusiness 大會明確把工業機械臂排除在機器人之外，十年後又重新納入。文章認為，只有讓人重新審視自身存在意義的新技術，才會被冠以機器人之名。
斯坦福、CMU、MIT 等機構的研究者發布機器人評測基準 LIBERO-MAX，專門檢驗機器人在任務執行途中遭遇環境變化後能否繼續完成，論文入選 NeurIPS'26 Robotics World Modeling Workshop 口頭報告。它用共享初始狀態、指令與隨機種子的配對執行，建置 8,000 組案例和 8 類中途變化，涵蓋目標移動、容器移動、相機視角改變、感測器噪聲等；
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。
舊金山成立兩年的 Mirror Particle 認為用 LLM 角色扮演目標人群來預測人類行為的方法行不通，改為從零訓練模擬人類動因、並追蹤其隨時間變化的世界模型。它結合客戶資料、時事、流行文化與社交媒體建模人群，重點看真實發生的「已顯現行為」而非問卷自述。公司已完成天使輪、接近敲定首輪風投，將參加 TechCrunch Disrupt 2026 的 Startup Battlefield 200。初期面向市場研究與品牌產品策略；
總部位於安娜堡的 Laplace Intelligence 為機器人和物理 AI 做自動化紅隊測試，用 AI 代理自動設計極端場景，在部署前找出並修復問題。其模擬基於 Nvidia Cosmos 的後訓練版本，可按真實尺度重建從亞利桑那高速到巴黎人行橫道的場景，支援用語言提示即時改動設定，交通資料來自 TomTom，場景中其他參與者也會即時避讓。客戶包括五十鈴、自動駕駛卡車公司 Bot Auto 與 Nvidia，並與 T-Mobile 在聖何塞合作智慧城市試點。
Dyna Robotics 在 Dyna-2 世界動作模型之後推出物理機器人 agent Dyna-2.1，在餐廳疊餐巾任務上連續執行 24 小時、成功率 99.4%，包括把整疊餐巾碰倒後自行恢復。Dyna-2 預訓練自超過 100 萬小時人類影片，官方稱在人類資料上跨四個數量級呈現新的 scaling law。聯合創始人 Jason Ma 在 AIE NYC 訪談中表示，機器人可從最少 45 分鐘演示中學會新任務，目前已在鼎泰豐每天疊數千張餐巾。
新加坡南洋理工大學、北航、新加坡國立大學、上海交大等團隊提出 RoboFoundry，把機器人智慧體的整套外圍系統當作策略來進化，基座模型引數保持凍結。在 EmbodiedBench 上，GPT-5.5 的平均成功率從 56.9% 提升到 72.7%，五個基座模型全部提升，基座間最大差距由 19.6 個百分點縮小到約 11.5。長程記憶基準 RoboMemArena 上任務成功率比所有基線至少高 39.0%，真機套娃任務成功率 70%，單獨使用 π0.5 為 30%。
Hinton、Bengio 等 22 位作者聯合發表首篇 RSI（遞迴自我改進）論文《What if automating AI R&D triggers an intelligence explosion?》。論文引用 Anthropic 內部資料：AI 生成獲批程式碼佔比從 2025 年 1 月的低個位數升至 2026 年 5 月的超 80%，Claude 在高層監督下自主完成的 AI 研發工作比例從 2026 年 3 月的約 1% 升到 8 月的 26%。
OpenAI 於 9 月 21 日發布官方戰略宣告，把自動化 AI 研究員與遞迴自我改進（RSI）列為下一階段重要目標，並計劃在 2028 年 3 月前打造真正的自動化 AI 研究員；Anthropic 同期披露，截至 8 月 Claude 已在約 26% 的內部 AI 研發工作中承擔主導角色。