机器人与物理 AI

加州大学伯克利分校团队提出三阶段 Morphometric Imitation 框架，将重建的人手—物体交互转换为机器人可执行的视觉运动策略。在三种机器人手和十类交互任务的实验中，系统实现了较高的真实世界零样本成功率。

World Action Agent把视觉语言模型放进一个可交互的视觉行动工作区，让机器人动作在执行前先被预览、修改和校正。实验显示，这种“观察—排练—执行—纠偏”的闭环，有助于提升跨任务、跨环境的操作能力。

特斯拉正把更多资源转向人形机器人Optimus，但复杂的灵巧手、生产线精度、数据采集和员工抵触，正在拖慢其规模化进程。公司仍瞄准2026年底每周生产超过1000台。

Skild AI让人形机器人在虚拟足球场中与自身历史版本反复对抗，仅以进球作为最终目标，逐渐学会盘带、护球、抢断和倒地起身。这个案例展示了强化学习从数字环境走向真实机器人的一种可能路径。

前华为大模型负责人李寅与多模态科学家张含望共同创办息壤开物，试图用大规模预训练构建面向物理世界的基础模型。其核心问题是：机器人能否像语言模型一样，通过规模化训练获得跨本体、跨任务的通用能力？

Spatial-Interactor 将空间推理从静态识别推进到动态状态建模，通过交互轨迹训练视觉语言模型理解物体运动、视角变化与长期空间依赖。

RoboFollow 指出，许多具身智能体的任务成功率并不等于真正的指令遵循能力。当一个场景只有一种合理任务时，模型甚至可以忽略语言，仅凭视觉完成操作。

XPRIZE Wildfire竞赛展示了卫星、地面传感器和消防无人机的进展。决赛队伍都能在十分钟内发现目标火灾，但没有团队完成彻底扑灭。

HuRo提出一套“机器人化”流水线，将异构人类操作视频转换为机器人对齐的观测与动作轨迹，并构建包含约63万条机器人化片段的数据集。实验显示，扩大这类数据的预训练规模，能够明显提升真实机器人操作及分布外泛化表现。

ShieldVLA 将 Hamilton-Jacobi 可达性分析引入 VLA 安全微调，用视觉观察学习安全 critic，并在可行区域与恢复状态之间切换优化目标。论文称，该方法在五项导航与操作基准上平均降低 57% 的累积安全代价，相比 SafeVLA 将任务成功率提高 0.13。

CARE提出一种面向机器人操作失败恢复的数据驱动框架：从真实执行失败中学习偏差分布，并生成更有代表性的纠正示范。它还通过分阶段规划与三维监测，在任务尚未完全失控时执行原子级调整或重新操作。

RoboDawn提出一种面向智能体视觉语言模型的离散控制接口，让模型通过观察、推理、执行和再观察的闭环完成机器人操作。实验显示，少量示范即可显著提升任务成功率，并在仿真与真实机器人上展现迁移能力。

一项新研究提出，将世界模型的物理场景表征蒸馏进紧凑型 VLA，而不把昂贵的未来预测带入控制环路。实验显示，该方法能在不增加部署计算和模型容量的前提下提升机器人操作表现。

Grounded Action Model（GAM）将3D目标定位直接纳入机器人基础模型，使机器人能够根据语言、点或框提示锁定目标，并结合精确几何信息生成动作。实验显示，这种以对象为中心的设计在场景变化、目标移动和长程操作中具备更强的泛化能力。

一项新研究为3D扩散策略加入了轻量级的运动趋势表示，使机器人不仅依据当前观测生成动作，还能判断交互接下来可能如何发展。该方法无需显式规划轨迹，却在多个仿真和真实机器人基准上明显优于DP3。

VABench 不再只考察模型能否说出物体在哪里，而是进一步测试其在信息不完整时主动观察、建立空间关系、发出精确动作并依据反馈修正的能力。结果显示，模型在定位等基础能力上表现较好，但距离稳定完成复杂操作仍有明显差距。

曾名为UP.Labs的Vantora完成1亿美元融资，并将业务重点转向为工业企业创建可被并入其核心业务的物理AI初创公司。它的新模式更像一条面向企业的专属并购管线。

GPT-Policy 将视觉语言模型、上下文编译器与受约束控制器结合，让机器人能够参考示范和交互反馈，在不更新梯度或任务参数的情况下适应新任务。研究显示，人类视频示范可以提升任务完成度，而带有动作对齐信息的参考对接触敏感任务更有帮助。

北约支持的Scaleout Systems正在把轻量级视觉模型部署到无人机、前线平板和指挥节点，使系统即使在通信受干扰时也能执行目标识别与任务更新。其参与的ALMA项目已展示无人机自主发现、定位并攻击指定目标的能力。

Agility Robotics发布新一代人形机器人Digit 5，试图让机器人在没有物理围栏的仓库和工厂中与人共处。它能根据人员距离选择避让、暂停，甚至蹲下等待。

PhysBrain 1.5 试图将视觉语言理解、机器人动作生成和未来状态预测纳入同一个自回归模型。论文称，8B 模型在 28 项具身理解基准上取得平均 72.5 分，并达到开源模型领先水平。