依意思最接近的 30 筆
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。
輝達聯合 MIT 與牛津大學提出的 Physis-Lang，把物理原因、規律和結果寫進影片文字描述，並貫穿資料篩選、模型訓練與影片生成。其 Cosmos3-Super 與 Cosmos3-Nano 在 Physics-IQ Verified 榜單以 48.2 和 43.3 分列前二，Super 較此前最高分高出 5.5 個百分點。基於 Cosmos3-Nano 的版本在論文四項物理 benchmark 上取得開源最佳，三項總分超過 Veo 3.1。
Anthropic 發布 Science Blog 客座文章，哈佛物理學家 Matthew Schwartz 提出 AI 與科學之間存在類似物理學的阻抗失配：LLM 能力很強，但像對待人類合作者那樣使用它並非發揮其科學優勢的最佳方式。為此他開發了一套用於定量科學精確計算的工具包，Claude 藉此發現與生態學、群體遺傳學等十幾個領域的聯絡，Schwartz 再與領域專家合作將方向引導到有價值的問題上。
Physical Intelligence 上線 Pi API beta，把 π0、π0.5 等機器人基礎模型開放給開發者微調與託管推理。開發者上傳資料後，在官方管理的算力上啟動微調，再通過託管閘道器在自家機器人上跑推理，並用評估資料決定下一輪採集。早期合作方 Actor 的自主輪式裝載機已在無操作員的真實商業場景中裝卸物料，Almond 的雙臂機器人 Axol 用團隊迭代四天得到的模型為自身零件去毛刺。多數應用走雲端推理，部分遇到網路連線問題，beta 報名已開放。
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。
Periodic Labs 聯合創始人 Liam Fedus 與 Ekin Dogus Cubuk 在一檔播客中介紹了其「合成超級智慧」構想：以真實物理實驗作為強化學習環境，訓練能自主發現新材料的 AI 科學家。這家成立一年的公司正搭建自動化實驗室，希望讓每臺儀器擁有「140 IQ」，並用做科學的完整過程而非僅論文結果來訓練模型。他們認為失敗的實驗可能是最有價值的訓練資料，自主實驗可把數十年的試錯壓縮到數月，目標材料涵蓋室溫超導、磁體與電池。
10 月 12 日，2026 工業具身智慧產業創新高峰論壇舉行，靈巧智慧聯合松應科技發布物理 AI 工業具身作業系統與靈巧操作模組，並推出 21 自由度靈巧手 021B。該系統以松應科技 ORCA OS 為底座，稱其為國內首個支援人形、四足、無人機等多形態機器人協同訓練的物理 AI 作業系統，已適配輝達、AMD、Intel 及摩爾線程等國產 GPU。靈巧智慧同時聯合上海人工智慧研究院、上海電氣、京東零售發布全球首家工業具身智慧 6S 店，由合資公司靈機智聯運營。
Mistral 宣布與輝達建立新合作，將 AI 引入工業工程，並加快模擬速度。合作還包含為物理 AI 發布開放基準與配套資料集，以及為 CAE、EDA 中的 agentic AI 提供評測。更多資訊見 Mistral 官方公告。
Mistral AI 與歐洲核子研究中心（CERN）宣布合作，探索用大規模 AI 模型應對粒子物理日益增長的複雜度。雙方的目標是訓練一個單一的大型物理模型（Large Physics Model），訓練資料為數十億次模擬對撞。目前公開的只有合作意向與這一目標，模型規模、時間表與開放方式均未披露。
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）。
Anthropic 表示與英國 AI 安全研究所（AISI）緊密合作完成了這項分析，AISI 已另行發布報告，內容是調查 AISI 一起事件中的對齊失效（alignment failures）問題。帖文未披露更多技術細節，僅給出 AISI 官網部落格的報告連結。
Mistral 與 NVIDIA 宣布合作開發 AI 原生工程工作流：以 Mistral Large 4 配合資料生成與物理建模管線，用 NVIDIA CUDA-X、Warp 加速模擬，並接入 Omniverse 生成 3D 場景與 SimReady 資產。雙方還將發布物理模型的公開基準與開放資料集，併為 CAE、EDA 中的 agentic AI 建立評測，考察工具使用、多步流程與技術正確性，同時記錄耗時與算力成本。
Jeremy Avigad、Kevin Buzzard 等七位數學家聯合發文，反對在 OpenAI 上週發布後興起的「儘快形式化全部數學」呼籲，認為做得不好會造成持久損害、浪費鉅額資源。文中舉例：Anthropic 稱 Claude 用 1300 萬行程式碼、11 天完成費馬大定理的形式化驗證，Buzzard 稱讚成果卻表示不會停下自己手頭的形式化工作；Math, Inc. 試圖劫持 Viazovska 球堆積形式化專案，原團隊最終棄用 AI 程式碼重做。
德國聯邦政府與輝達簽署意向宣告，將聯合推進面向物理 AI 的前沿模型，並對接德國“工業 4.0 平台”。黃仁勳同時宣布投資 Agile Robots、Avelios Medical、Mirelo、Reflex Aerospace 四家德國初創，屬於其在歐洲近 100 億美元投入的一部分。西門子同日宣布與輝達合作推進自主工廠，全虛擬產線除錯可減少最多 85% 的工程工作量，基於智慧體的生產規劃最高可降本 20%。
博主 AIL 與開發者 Matt Pocock 就 spec driven development 展開爭論，他認為 AI 專案的事實來源應是寫作所表達的意圖，而非程式碼；在他看來，程式碼只是執行與表示，寫作才是最接近人腦想法的載體。他提出 Ideal State Artifact（ISA）文件，用散文式的理想狀態、約束與決策記錄，加上可原子化測試的 Ideal State Criteria（ISC）及各自的 eval 來承載需求。
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。
被 NeurIPS 2026 接收的 TerraVis 提出文生圖「世界一致性」評估框架，用物體、互動、場景三層共 18 類檢查衡量影像在結構、空間、物理與常識上是否合理，只輸入影像、不依賴提示詞。在 COCO-T2I 與 GenAI-Bench 上，它與人類評分的 Spearman 相關係數為 0.44 和 0.43，高於現有指標中最好的 RAHF（0.29 和 0.37）；
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。
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。
Fadell 在 MIT Future Fest 上表示，Rabbit R1、Humane Ai Pin 和 Limitless 掛墜這批第一代 AI 硬體失敗，是因為沒有解決任何真實需求，只是對極客有趣的技術。他指出全球不到 0.01% 的人用過人類助理，多數消費者並不知道助理是什麼，建立信任需要數年。
Jev 發布 33 天后熱度迅速消退，這篇評論借它批評 AI 行業靠營銷話術製造期待。文章指出 Jev 本質是通用分類器，宣稱不會幻覺、更快更便宜，但輸出仍會出錯，且已有開放權重模型在部分任務上價效比更高，並可在本地執行。作者還稱其非自迴歸決策模型思路早於 Jev 一年半出現，並由此質疑行業四年來的創新增量。
arXiv 新論文指出，用 Lean 機械驗證 AI 自動形式化的數學證明，並不能保證原始自然語言證明本身正確。作者 Bastounis、Circelli 與 Hansen 證明，要做到語義忠實的翻譯必須消解自然語言數學文字的歧義，而該問題在可解複雜度指數（SCI）層級中為無窮，比停機問題（SCI=1）更難。
OpenAI 宣布在數學、電腦科學和物理領域取得三項「重大」發現，距其批次發布數百篇手稿不到一個月。這次電腦科學與物理的結果由 OpenAI 稱為「shepherds」的外部專家引導產出；數學問題則按這些專家的建議，直接公開 AI 輸出，交由研究者自行給出解釋。相關結果已於當天加入 GitHub。
NVIDIA 發布 AIOps 平台 Minerva，為 AI 工廠提供端到端可觀測性。它把 GPU、網路、儲存、排程器與工作負載的遙測匯入動態知識圖譜，每小時分析數十億資料點，用於發現異常、預測故障並把告警風暴聚合為帶根因的事件；平台還內建 AI 助手，可連線外部 agentic 工具，目標是提升 GPU 正常執行時間與 AI 工廠產出。
Ai2 發布 FairStress 基準；除模型最終選擇外，它還測量模型在說服性論點下改變決定的難易程度是否因涉及群體而異。該基準包含 300 個雙候選人場景，覆蓋 29 個領域；組合身份呈現方式與對抗性字首後擴充套件為逾 1300 萬個測試用例，並另發布 5 萬條 FairStress-Core 子集，整合進 Olmo-eval。測試覆蓋 Olmo、Llama、Qwen、Gemma、Claude 與 GPT 系列，結果顯示同一論點會因受益群體不同而對模型決策產生不同影響。
Anthropic 聯合創始人 Jack Clark 在 IMF 2026 曼谷年會的佩爾·雅各布森講座上宣稱，奇點已經到來。他給出的證據包括：Claude Opus 5.5 在「人類最後的考試」上的得分升至 67.7%，在 FrontierMath 上從 2 分升至 94 分；在 50 道未公開的頂尖物理難題中，GPT-6 Astra 初評約 80%，人類專家修正參考答案後達到 98%（50 題對 49 題）。
OpenAI 宣布在數學、電腦科學和物理三個方向取得突破，並表示正與外部專家「shepherds」合作，決定如何分享最新成果。這被視為對溝通方式的調整，但接受 The Verge 採訪的研究者表示，對其做法越來越厭倦：10 月初該公司曾把數百篇預印本直接拋給數學界，數學家至今仍在疲於應對。報導未展開三項成果的具體內容。
Einsia AI 旗下 Navers Lab 發布 World Models' Last Exam in Physics，用 40 個任務、9 類物理現象測試 8 個影片生成模型，Seedance 2.5 以 57.76 分居首，MiniMax H3 以 54.89 分次之。評分由一致性分 C 與物理分 P 組成，物理分靠程式從影片中測量軌跡、週期、角度等量再按物理關係計算，且只有 C≥80 才計入總分。
Anthropic 警告稱，AI 模型可能很快就會在無需接入資料中心的情況下實現自我複製。這一說法由路透社於 2026 年 10 月 13 日報導，指向模型脫離集中式算力設施後自主擴散的風險。
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。