依意思最接近的 30 筆
Ropedia 在第一屆 Super Week 集中發布六項研究，主線是跨本體世界模型 Ropedia W0：用約 1 萬小時人類第一視角影片與 3000 小時機器人影片訓練，在八種本體上無需針對評測資料額外適配即達 21.98 dB PSNR，高於 Cosmos3-Nano 的 19.02 dB。人類預訓練還大幅降低機器人資料需求，在 GR-1 上僅用 1% 後訓練資料就超過用全量資料初始化的通用影片生成模型；
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。
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。
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。
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%。
Dream Labs 發布世界動作模型 Dream-1，通過公開 API 向全球開放，接入新的雙臂機器人即可開箱執行任務，無需微調、示教或機器學習經驗。公司同時結束隱身狀態，宣布完成 9000 萬美元種子輪融資；官方演示覆蓋 Hugging Face、KAIST、AgiBot 等 13 家機構的機器人，任務包括疊衣服、清理餐具、裝箱等。技術基礎是 2026 年 2 月的 DreamZero 論文，用 30 分鐘機器人資料後訓練即可零樣本泛化；
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。
Hugging Face 的開源機器鴨 Microduck 在黃仁勳 GTC 柏林演講現場演示後，次日預訂單突破 2 萬臺，預計趕在聖誕節前交付。該機器人由 2025 年被 Hugging Face 收購的 Pollen Robotics 生產，藉助輝達技術棧在模擬中訓練出走、坐、站等基礎動作，使用者可訓練新動作並分享給社群；它是 Hugging Face 繼 Reachy Mini 後的第二款機器人。
10 月 27 日，行元智慧發布跨本體資料引擎 Chorus 眾行，可把智慧眼鏡、胸戴相機、腕部相機、UMI 裝置、智慧頭環採集的人類操作影片，轉成適配不同機器人本體的預訓練資料。官方測試顯示，平均可用資料轉化率為 85%；在 16 種本體適配的配置下，每小時有效機器人軌跡處理成本降至 15 元，再疊加 3 倍指令增廣後實現約 40 倍擴容，單位訓練樣本等效成本為 5 元/小時。行元智慧還計劃在年內推出 Duet 同行，用於真實場景部署與人類反饋迴流。
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。
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%。
清華大學李一鳴團隊發布世界動作模型 PrismWAM，在雙臂操作基準 RoboTwin 2.0 上以平均成功率 83.67% 位列官方榜首，且未做額外的動作資料預訓練。該模型把語義上下文與物理狀態解耦，動作生成只讀取深度物理表徵，在 Clean-to-Random 高難度遷移評測中成功率達 75.5%。
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；
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。
10 月 20 日，千訣科技在南京首屆物理 AI 與世界模型大會上發布預測式世界模型 Polibrain，已在四足、人形、輪式、雙臂等機器人形態上開展適配。該模型不生成未來畫面，而是在潛在表徵空間預測真正影響任務的狀態變化，並串聯感知、決策、執行與反饋形成閉環。千訣稱其與清華團隊 2025 年在 ICML 發表的隱變數可辨識性研究，比 LeCun 團隊相近論文早約一年。公司不造機器人本體，以松耦合架構讓不同形態機器人共享對世界的理解。
RoboCoach 在固定人類示範預算下經過三輪定向補教，把 Franka 長程任務成功率從 13.3% 提升到 75.0%，AgileX 從 40.0% 提升到 83.8%；同樣預算的均勻採集基線只達到 30.0% 與 47.5%。它用基於 Wan2.2 TI2V-5B、約 500 小時互動資料訓練的世界模型 CoachWorld 讓當前策略閉環試跑，由進度判別器找出首個超時子任務，再據此定向示教，並且只更新對應技能的 LoRA 專家。
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。
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。
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。
哈工大（深圳）與新加坡國立大學等提出 SkeLAM，它基於 Cosmos-Predict2.5-2B、用約 10 小時機器人互動資料訓練，通過骨架監督影片中的潛在動作，實現零樣本跨形態運動遷移。遷移時模型引數全部凍結；輸入人類演示影片和機器人場景圖片，生成的機械臂就能復現演示中的運動方向。在 DROID 評測中，它的末端軌跡誤差 ADE 從 51.11 降至 41.15 畫素，比 DreamDojo 低 19.5%，LPIPS 從 0.1473 降至 0.1310。
香港大學 MMLab 提出 EgoWild2Dex，直接用 538.9 小時未經編排的人類第一視角資料訓練雙臂機器人，每個下游任務只需不到 1 小時真機資料，拆快遞、用熱熔膠槍固定手辦、製作冷飲等長時序任務平均成功率達 96.7%。方法核心是 GeoFormer 幾何變換模組，把晃動的人類視角對齊到機器人視角，處理速度比傳統投影加修復流程快 21.9 倍，再將人類、手套與真機資料統一到機器人動作空間做漸進式聯合訓練。
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%。
Standard Bots 完成 2 億美元 C 輪融資，估值達 10 億美元，由 General Catalyst 與 RoboStrategy 領投，客戶包括 NASA、亞馬遜與洛克希德·馬丁。其工業機械臂用於上下料、焊接與裝配，共享基座模型引數量僅數十億，靠客戶示教與微調適配；上下料用零樣本視覺模型定位零件，骨幹網路以超 10 億張影像訓練，運動與單元邏輯仍交給傳統程式設計。模型在雲端訓練、邊緣 GPU 本地推理，輸出動作塊直接送入底層控制，以應對工廠網路不穩。
宇樹機器人發布通用人形基礎模型 UnifoLM-WLA-1.0，引數 6B，用約 2500 小時真實機器人資料訓練，單個模型可完成 64 項任務（10 項全身 + 54 項桌面），並支援平行夾爪與兩種靈巧手。架構上以基於 Qwen3-VL 的具身推理器 UnifoLM-ER-1 為起點，加入光流與 VQ-VAE 的未來動態區域預測、殘差 VQ 動作離散化，以及 MMDiT 動作專家做連續控制。演示在宇樹 G1 上完成鋪床、裝洗衣機、疊衣服、物體分揀等操作。
Einsia AI 旗下 Navers Lab 發布 EmbodiedEvo，讓 Coding Agent 在單個 Playground 場景中通過互動積累程式碼 Skills 與文字 Lessons，凍結經驗後交給新 Agent 在未見場景複用，全程不更新模型權重。在具身評測 RoboDojo 上，它以 45.08 平均分、38.95% 成功率超過所有 VLA/WAM 與 Agent 方法；
生數科技世界模型團隊自 10 月 21 日起，連續半個月公開直播 Motubrain 2.0 具身模型的訓練全流程，該模型即將開源。直播覆蓋四個環節：預訓練（觀察訓練規模對效能與零樣本泛化的影響）、後訓練（提升具體任務執行能力）、Agent 任務執行（把已有經驗遷移到其他任務）以及 RSI 遞迴自我改進（模型依據執行反饋評估並改進自身行動）。團隊表示會一併展示訓練中的失敗、試錯和調整，而不只是最終 Demo。
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。
中科大系公司白澤通境發布溯因式世界模型 AWM，並開源論文與程式碼，配合自研端側推理引擎 BAIZ-RUN 把模型壓進機器人本地執行。AWM 從無標註影片學習，在 Push-T 任務上以 2000 條軌跡達到 75% 成功率，約為 Causal-JEPA 所需資料的七分之一，資料加到 14728 條時成功率約 92%。
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%；
北京通用人工智慧研究院體系孵化的通衍靈智公布 RSI（遞迴自我改進）個性化 AI 路線：在共享基礎模型之上，用輕量 Personal LoRA 承載個人與企業的專屬能力。Evaluator 先按使用者標準篩選業務反饋，只把反覆出現的模式用於增量更新；更新後要與舊版本在同一批任務上對比，退化就回滾。