机器人与物理 AI

旧金山初创公司 Tau Robotics 推出人形机器人保洁服务，收费约 30 美元/小时。它能擦台面、拖地、倒垃圾，但关键细节是：当前主要依赖远程操控。

ACE-Data-0 试图补上具身智能训练中的“完整经验”缺口：它把第一视角、多机位视频、全身与手部动作、物体轨迹、声音和触觉同步记录在真实家庭任务中。

Google DeepMind 发布 Gemini Robotics ER 2，定位为面向机器人的高层“具身推理”模型。它重点强化了实时视频理解、任务编排和多机器人协作，让机器人更接近可在真实环境中连续执行复杂任务的物理智能体。

TurboVLA 试图绕开 VLA 模型中常见的“大语言模型中转站”，改用更直接的视觉与语言到动作映射。在 LIBERO 基准上，它以 0.2B 参数、0.9GB 推理显存实现 32Hz 级别的实时控制表现。

物理 AI 的瓶颈正在从模型结构转向高质量真实世界数据。Encord 与 Zander Labs 尝试把脑电信号纳入机器人训练数据，以捕捉人的意图、惊讶和出错状态。

NeoteAI 与复旦大学可信具身智能研究院发布 N0 系列三份技术报告，围绕触觉数据、视触语言动作模型和触觉世界模型展开。其核心主张是：机器人要真正进入复杂物理世界，仅靠视觉远远不够。

Open-AoE 试图解决具身学习里最现实的问题：数据怎么来、怎么整理、怎么直接用。它把手机采集、结构化标注和下游训练工具串成了一条开源流水线。

这项工作瞄准多视角 HOI 合成中最棘手的两个问题：画面要一致，手的三维运动也要对齐。HarmoHOI 通过联合扩散建模 RGB 视频与 3D 点轨迹，把外观和几何放进同一个生成过程里。

RynnBrain 1.1 试图把感知、空间推理、定位与规划放进同一套具身框架中，并进一步把输出对齐到机器人操作。它的重点不只是“看懂世界”，而是让模型更接近真实执行。

JoyNexus 将 VLA 模型的微调、强化学习与评测封装为多租户服务，试图解决机器人后训练中资源独占、成本偏高与利用率不足的问题。

KAIST AI 提出的 Robot-Centric Pointmaps 试图解决 VLA 模型中相机视角与机器人动作坐标系不一致的问题。它把场景点的三维坐标直接编码到机器人坐标系下，同时保留类似图像的二维网格结构，便于接入现有 VLA。

Xiaomi-Robotics-1 试图把大模型的“规模化法则”引入机器人学习：用超过 10 万小时真实操作轨迹预训练，再对齐真实机器人和自然语言指令。实验显示，更大的数据和模型规模能带来更低动作预测误差，并提升真实机器人任务成功率。

黄仁勋在东京两天内把日本的算力、机器人、汽车和芯片材料链条串到了一起。英伟达要争夺的不是单一数据中心订单，而是日本工厂、机器人和智能制造的下一代操作底座。

黎曼动力发布的 Riemann-1.0 在 RoboCasa-365 上取得 62.6% 成功率，核心看点不是单次刷榜，而是把大规模人类第一视角视频用于机器人操作训练。它反映出具身智能正在从单纯机器人数据，转向“人类视频预训练+机器人动作对齐”的混合范式。

NVIDIA 等机构提出 RoboTTT，将测试时训练引入机器人基础模型，让策略在不增加推理延迟的前提下利用长达 8K 时间步的视觉运动上下文。

Agility Robotics 将在加州 Fremont 开设 6 万平方英尺训练中心，为其 Digit 人形机器人加速进入制造和仓储场景。与特斯拉 Optimus 的愿景相比，Agility 更强调已产生收入的现实部署。

现代汽车计划从 2028 年起在工厂部署 Atlas 人形机器人，引发韩国蔚山工厂工会罢工。这起事件显示，人形机器人正从技术展示走向劳资谈判核心议题。

一篇 arXiv 新论文提出 SPINE，用多智能体流程帮助双臂机器人完成调试与部署，降低对机器人专家的依赖。实验显示，它在两个不同平台上提升了从故障到可遥操作的成功率与效率。

一篇 arXiv 新论文提出 SVR-MARL 框架，试图在多 AUV 隐蔽协作中，把感知信息的任务价值、通信代价与暴露风险放到同一个强化学习闭环里权衡。

一篇 arXiv 新论文提出 Recursive ArUco 标记设计，试图解决无人机精准降落中视觉标记“太远看不清、太近看不全”的问题。其核心思路是在父级标记的黑白比特区域中继续嵌入完整标记，从而支持任意深度递归与多降落点唯一编号。